差異不在分數，在輸出能不能被程式接住、一件事要跑幾回合、失敗時安不安靜

封面為主題示意，非產品介面截圖。

結論先講：DeepSeek V4-Pro、Qwen3.8 Max、GLM-5、Gemini 3.8 Flash這四款，在「能不能把程式碼寫對」這件事上，我沒有測出穩定高下。真正決定我隔天用哪一款的，是三個跟模型強弱無關的訊號：輸出能不能被程式直接接住、一件事要跑幾回合、失敗的時候是安靜還是吵鬧。

以下是我改掉原本判斷的過程，包含一個我算錯過的數字。

背景：榜單回答不了我的問題

一開始我的想法很簡單：找一份公開排行榜，挑分數高的用就好。

試了一個月之後我放棄這條路。不是榜單造假，是它答不了我真正要問的問題：在我的呼叫方式下它多久回一次、跑完一件事要花多少錢、輸出能不能直接餵給下游程式。這三個問題全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。榜單上的差距搬進我的場景經常不成立，我這裡出現的差距榜單上也從來不顯示。

實踐：同一個入口，四個欄位

我沒有另外架一套評測環境，就用日常的專案下去試。四款全部掛在Crazyrouter這一個相容OpenAI的入口，換模型只改一個字串，不必為每一款重接一次。

每一筆呼叫我固定記四個欄位：回合數、正文實際字元數、結束原因、推理token數。缺一欄就會漏掉一整類問題。

踩坑：三個我改掉的做法

坑一：只取閉合標記之間的內容

我遇過一件事：要求模型「只輸出一個JSON物件，不要解釋」，回傳的JSON欄位齊全、值也正確，但JSON前面還有一大段推理文字。程式從第一個字元開始讀，讀到的是思考不是JSON，當場報錯。內容沒錯，程式用不了。

四款在這件事上的表現不一樣：有的把推理單獨放在另一個欄位，正文裡只有答案；有的把推理直接寫進正文，外面套一層標記。

我原本的解析器寫法是「取閉合標記之間的內容」。這個寫法遇到只有開頭、沒有結尾的回覆時，會把整段都當成正文，答案和推理混得比原本更死。我用了很久才發現，有一次它把整段思考當答案存進了資料庫。

判斷方法不複雜，拿幾筆真實呼叫看四件事就夠：有沒有獨立的推理欄位、正文裡有沒有標記、標記有沒有正常閉合、去掉推理之後正文還剩多少字。第三種最容易漏。

坑二：用一題的結果推結論

我最早判斷「這款貴不貴」，是用一道題試的，算出來比對手貴10.6倍。後來把題量加上去，同樣的對比變成只差21%。

一道題算出來的倍數不是倍數，是那一道題的運氣。 現在我的規矩是：單題結果只能用來發現問題，不能用來下結論。

坑三：把「成功但空白」算進失敗

這一條我一開始完全沒在意，直到被咬了一次。

有一道在400行日誌裡找線索的題，DeepSeek V4-Pro跑了六回合、吃進去42766個輸入token，最後回傳一個空字串。介面狀態是正常完成——沒有報錯、沒有異常、沒有觸發重試、沒有任何告警，只有帳單上多了那一筆。

答錯會產生一個事件、有人會看見。什麼都不回傳卻回報成功，不產生任何事件，只產生帳單。 所以我現在把「成功但正文長度為零」單獨告警，不混進「失敗」一起統計——混進去會被平均掉，看報表只覺得準確率普通，看不出它在悄悄空轉。

價格：表格會騙人

以下是我在Crazyrouter上付的單價，每百萬token，按量計費、沒有方案：

四款的單價放在一起看。輸出價普遍是輸入價的3到4倍，這個比例決定了帳單結構。

其中DeepSeek V4-Pro這一列比官方定價低49%——官方是$1.32和$3.96。

看起來很清楚：Qwen3.8 Max最貴，DeepSeek V4-Pro最便宜。 但這張表本身會騙人，兩個原因。

第一，昂貴的模型可能花得更少。 輸入單價最低的那一款，輸出單價不一定低；多數工作是輸入多、輸出少，帳單結構跟直覺相反。

第二，快取能把帳翻過來。 Gemini 3.8 Flash的快取輸入是$0.075，只有原價的十分之一。同一份長文件反覆問，快取命中不命中，比選哪一款影響大得多。

同一份文件反覆問的場景下，命中快取和沒命中，單價差出一個量級。

經驗：我現在的分工

最後一列是我現在用得最多的。四款都接在Crazyrouter這一個入口，不想寫程式也行，同一個題目丟給不同模型看結果，Model Arena就是做這件事的。價格頁與橫向對照也在同一站：DeepSeek V4-Pro有一張即時價格頁，全部38個對話模型的對照在價格總覽。

邊界

這不是四款的通用能力排名。 只有DeepSeek V4-Pro是在同一套腳本、同一批題目上真跑過的，那筆42766token的案例來自那次實測；另外三款的判斷來自日常觀察，不是受控實驗。價格也是2026年10月的數字，以頁面為準。

用了一個月，我最確定的結論反而是反方向的：這四款沒有誰全面壓過誰，只有誰更適合你手上這件事。 先看清自己的工作長什麼形狀，再去對模型，比看分數快得多。