一份面向国内开发者的编程测评榜单，刚刚给出了一个挺有意思的结果：DeepSeek-V4-Pro-0813拿了第二名，分数51.52，离第一名的Kimi K3差了不到10分，但单题调用成本只要1.42元，大概是Kimi K3的十四分之一，GLM-5.2的十六分之一。
这份榜单叫SuperCLUE-Terminal，由CLUE团队发布，专门测大模型在真实终端场景里干活的能力。跟那种拿公开题库刷分不一样，它用的是本土真实编程任务，所有模型都在同一个框架Claude Code里跑，比的不是谁背题背得熟，而是面对一个实际需求时，能不能听懂中文指令、把任务拆开、调对工具、出了bug自己修。
据官方说明，每道题需要模型完成50到110轮交互，单题跑完要花半小时到一个半小时。换句话说，不是几秒出答案的那种选择题，而是得沉下心来干一个下午活的完整开发场景。
本轮榜单的头部梯队里，Kimi K3以60.61分登顶，DeepSeek-V4-Pro-0813以51.52分紧随其后，GLM-5.2拿下48.48分，老版DeepSeek-V4-Flash则是46.46分。如果只看分数，DeepSeek这版属于“咬住第一梯队”的位置，离冠军还有差距，但没被甩开。
真正拉开差距的，是那个1.42元的单题成本。它用比对手便宜一个数量级的价格，跑出了第二名的成绩。对中小团队和独立开发者来说，这个信号比谁拿了第一更值得注意：你不需要为“接近顶级”的能力付顶级的钱。
实测场景也看得出这模型的落地能力。题里有前端页面、3D游戏、工程脚本修改这类日常需求。比如做一个小游戏，碰撞检测、计分逻辑、结算流程都能完整跑通，页面配色和交互反馈也不像以前那些AI生成物——那种一眼看上去就是“模板味”的紫蓝渐变，这次干净多了。当然，在个别创意绘图类题目上，它还是会出一些结构上的小毛病，但整体完成度已经站在领先位置。
说到底，这份榜传递的信息挺清楚：当第二名的成本只有第一名的十四分之一，AI编程的门槛就不再是“你用不用得起”，而是“你用不用”。对预算敏感的开发者来说，这大概比多考几分更有意义。