六项对比赢四项，价格低五倍：开权重模型这次补的是长程执行

Kimi K2.6 在六项正面对比里赢了四项，单价还只有闭源旗舰的五到六分之一。但比这两件事更值得记下来的，是它单次跑了 12 小时没跑偏。

开权重模型和闭源旗舰之间那条线一直在挪，这次挪动的部分不在分数上，在耐力上。

六项对比：赢四项，输的两项差距不到 1 分

六项结果摆在一起是这样：

这张表有两种读法。一种是把四项领先直接当成胜负已分；另一种是看差值的分布——赢下的四项里，三项的差距都在 1 分上下，只有 Agent 编码那一项拉开了 5 分多。

分布本身说明了点东西：在「给一道清楚的题、答一次」的题型上，两者已经贴得很近；差距真正显出来的地方，是那种要反复改代码、反复跑测试的题。

另外要提醒的是口径。这六项是发布方自己组织的对比，题目怎么选、跑几次取什么值、工具预算给多少，都不公开。它能说明「这个量级的模型已经到这儿了」，不能说明「换成它，你的任务就一定更好」。

价格表比榜单更直接

单价这一栏没什么解读空间：

• Kimi K2.6：输入每百万 token 0.95 美元，输出 4 美元
• Claude Opus 4.6：输入 5 美元，输出 25 美元
• 命中缓存之后：0.16 美元 对 0.50 美元

前后都是五到六倍的差距，许可是修改版 MIT，权重可以直接部署。

便宜这件事本身不新鲜，开权重模型的定价一直在那一档。真正要问的是：省下的钱够不够填能力上的差距。过去这个问题的答案通常是「填不上」，所以大家宁可多掏钱。

那两次长跑才是分水岭

榜单之外，发布方给了两次实际跑完的长任务，信息量比分数大。

一次是把一个小模型的推理代码在 Zig 里做移植和优化。模型自己跑了 12 小时以上，中间发起四千多次工具调用，最后在同样的硬件上比主流的本地推理方案快约 20%。

另一次是重构一套八年前的金融撮合引擎，跑了 13 小时，峰值吞吐提升 133%。

这两件事的共同点是没法一次写完：读代码、改、跑测试、看报错、再改，一轮接一轮。中间任何一步丢掉上下文，前面几小时的进度就白费。

开权重模型过去和闭源旗舰的差距，主要卡在这儿——不是单题答不对，是撑不住这么长的链路。这次真正的信号是，长链路里最容易被忽略的那部分（状态不漂、目标不丢）补上了一块。

不过这两次都是单次结果，样本量是 1。「跑通过一次」和「每次都能跑通」，是两个结论。

榜单是入场券，不是结论

短回合的榜单和长链路任务之间，落差很实际。

榜单里每道题都是独立的，这题做错不影响下一题。真实任务不是：第 37 步的一次幻觉会把前面 36 步全部作废，而且报错信息看起来跟真正的病因差得很远。

由此有两个推论。

一是回合数一长，失败率不是线性累加的。单步 98% 的成功率，20 步之后还剩三分之二，100 步之后只剩一成多。榜单分数再高，也替代不了「你的任务平均多少步」这个数。

二是看榜单要分清它测的是什么。大致分两类：一类测单步能力，题目给清楚、模型答一次；一类测任务完成度，只给目标、让它自己去试。前者和日常提效的关系有限，后者才接近 Agent 的真实场景。选型时优先看第二类。

换模型前的四步抽测

第三步最容易被跳过。按单价乘单次调用量估出来的成本，和实际账单经常差不止一倍，因为多轮任务的 token 消耗跟轮数、重试次数、上下文长度都相关——而这些恰恰是换模型之后最先变的东西。

三个容易翻车的地方

缓存命中不是默认值。 缓存读的单价便宜有前提：前缀稳定，且在有效期内。多轮任务里如果每轮都重写系统提示、拼接顺序不固定，缓存就命不中，账单一律按全价算。

自托管的成本不在单价里。 权重能下载不等于部署免费。显存、并发、运维、扩缩容，要么换成机器钱，要么换成人的时间。任务量不大的时候，API 单价反而更划算，因为省下的那部分还没覆盖掉固定成本。

官方对比只覆盖它愿意展示的题。 六项任务都是它自己选的。你需要的那件事可能是另一个样子：某个特定框架、某套老代码、某种数据格式。没进对比不代表做不了，但也不代表能做。

一句话

这次值得记的不是「开权重模型赢了」，而是长链路任务开始进入开权重模型的射程。

判断要不要换，可以先问三个数：你的任务平均多少步、最难的那成卡在哪、每完成一个任务实际花多少钱。这三个数比任何榜单都更接近你要的答案。