近日，开发者社区Linux.do的一则讨论引发了关于不同大模型在AI编程场景下缓存效率的关注。一名用户在“OpenCode Go -> CPA -> Codex”的特定工作流中，对比了GLM 5.2、Claude Code以及DeepSeek V4 Pro三款模型的缓存命中率。实测数据显示，DeepSeek V4 Pro表现极其优异，缓存命中率高达97%。相比之下，GLM 5.2的命中率约为70%，而Claude Code仅为60%。值得注意的是，用户在测试中已针对Claude配置了环境变量以排除特定标注干扰，但命中率依然处于劣势。该用户指出，如此显著的数据差异可能不仅仅是前端工具的配置问题，更深层的原因可能在于不同模型底层对上下文窗口的Token处理策略不同，并呼吁社区提供优化建议以提升GLM和Claude的缓存表现。
事件分析
缓存命中率直接决定了AI编程工具在实际开发中的响应速度与Token消耗成本。DeepSeek V4 Pro在该测试中逼近97%的命中率，客观反映出其底层架构在处理重复上下文或代码迭代时具备极高效率，这可能与其特有的长文本压缩或Attention机制优化有关。相比之下，Claude与GLM在该特定工作流下仅60%-70%的表现，意味着在代码补全和修改过程中，系统频繁未能复用已处理的信息，导致资源浪费。这一实测数据不仅为开发者选择模型提供了重要的参考维度，也揭示了DeepSeek在工程化落地及成本控制方面可能已经建立了相对于传统巨头的显著优势。
💡 核心观点：缓存效率已成AI编程成本的关键分水岭，DeepSeek以超97%的数据证明其架构更适配高频迭代的开发场景。
原文链接：Linux.do
AI周刊：大模型、智能体与产业动态追踪