9道工程題都通過；差異在輸出、速度與本輪成本

封面為本次對比主題示意，非產品介面截圖。

結論先講：程式碼修復、從零實作和工具編排共9題，兩個模型都通過。V4-Pro平均每題總耗時11.7秒，M3為29.1秒；M3本輪總花費低約17.6%。M3會把思考文本混入正文，19道題每題至少有一個回合出現。依原始輸出判分，M3加權通過率為0.850，V4-Pro為0.950。這些結果只代表本次題目與接入方式。

這個結論和我一開始的判斷並不一樣。中間我改過兩次看法，原因寫在下面。

起點：我本來只想抄一份現成的評測

一開始我的想法很簡單：找一份公開排行榜，挑分數高的那個用就好。

實際測試前我先做了預演，發現行不通。公開榜單量的是廠商最佳配置下的通用能力，回答不了我真正想知道的三件事：在我自己的呼叫方式下它多久回一次、跑完一輪任務要花多少錢、它的輸出能不能直接餵給下游程式。

這三件事都跟接入方式綁在一起。同一個模型換一家服務商，延遲、限流和計費方式都會變。於是我改成自己測，只用自己跑出來的資料。

第一個坑：分開跑兩家，數字就不能比

預演階段我犯了一個錯：兩個模型分別在不同時間、不同腳本裡跑，然後拿兩份結果相比。

後來意識到這根本不成立。時段不同、腳本不同、重試策略不同，任何一項差異都會被記成「模型差異」。我全部重來，改成兩個模型掛在同一個入口、同一套參數、同一支腳本裡交替執行。

修正之後的設定是這樣：19道題分七類，掛在同一個入口（https://api.crazyrouter.com/v1的 /chat/completions），模型分別是MiniMax-M3和deepseek-v4-pro，輸出上限8192。工程題允許模型自己讀檔案、寫檔案、執行Python，改到測試通過為止。

判定方式不是我看它說得像不像，而是真的去執行那個測試檔案，看退出碼。

結果：能做的事一樣，差在怎麼說出來

19道題逐題自動判定，2026年10月20日實測。

程式類9道題，兩個模型一道都沒掉。差的是「指令遵循」那一行，0比3。

看起來像能力差距，但輸出格式也影響了判定。M3的思考過程和最終答案共用同一個欄位，<think>標籤直接混在正文裡。按執行時逐回合記錄，19道題每一道都至少有一個回合出現這種混流；V4-Pro是0道。

影響最直接的是三道固定格式題。按原始輸出，三題都未通過。復核未截斷的記錄後，前兩題答案內容符合要求，但前面混入思考文本；第三題的答案仍在未閉合的思考區塊中，無法直接提取為正文。因此不能說三題剝除思考後全部通過。

這裡要交代一件事。我原本還算過一個「剝掉思考後M3能漲多少分」的數字，後來撤掉了。原因是結果檔把答覆截斷在600字元，而思考排在答覆前面，所以思考長的題目，落盤的600字元可能全是思考，真正的回答根本沒被存下來。剝掉思考當然什麼都不剩——這不是模型沒回答，是我的樣本在儲存環節被截斷了。

判分用的是記憶體裡的完整文本，截斷只發生在寫記錄那一步，所以0.850對0.950這兩個總分是可靠的。但這類二次統計，必須存全文才成立。

真正讓我停下來的那一題

長上下文那組有一道題：一份400行的維運日誌，金鑰藏在第288行。

M3翻到了，直接回傳正確的值。V4-Pro六輪全在呼叫工具讀檔案，累計讀了42766個輸入token，從頭到尾沒有輸出任何正文。

它不是答錯，它是沒有停下來。

這種失敗方式在任何排行榜上都看不見，因為它連一個錯誤答案都沒交出來。但它會實實在在變成帳單和等待時間——你付了四萬多個輸入token，換到一個空字串。

也是這一題讓我改變判斷：原本我以為V4-Pro全面佔優，實際上在「在一大堆資料裡翻出某個東西」這件事上，M3這次表現更好。

速度與成本：V4-Pro快約2.5倍，M3本輪總花費低約17.6%

含該題全部工具輪次的總耗時，不是單次請求延遲。

速度差在輪數上，M3平均要磨4.1輪才收工。成本差距沒有單價看起來那麼大：M3雖然單價較低，但消耗的token更多；本輪合計仍比V4-Pro低約17.6%。

這裡也要修正一個判斷。預演時我單獨測了一道小bug題，V4-Pro在一句話就能說清的題目上燒了1600多個思考token，換算下來貴10.6倍。我一度以為找到重點了，但放大到19道題就不成立。單題的極端值不能外推。

我後來怎麼分配

換模型的成本很低，同一把金鑰可以呼叫目錄內全部模型，改一個模型名稱就行，接入說明見DeepSeek V4 Pro模型頁。

學到的事

如果你要直接把答案送進程式，先試V4-Pro並用真實請求做格式驗證；如果你更在意批次成本，讓M3跑一小批自家任務，再看每個有效結果的實際花費。長文件與一般聊天使用者，這19題還不足以替你做決定。

這是OpenAI相容接口、每題一次的結果。它能幫你縮小候選範圍，不能代替你的工作負載測試。