科技论坛 Linux.do 用户发布了一项国产大模型编程能力的实战对比测试。测试选取 GLM、DeepSeek、Qwen、MiMo 四款国产模型，与 Luna Max 进行同题对决，统一使用 Claude Code CLI 作为执行框架，未采用各家专属编程工具以保证对比条件一致。结果显示，五款模型全部 100% 通过任务，但耗时和步骤数差异显著：Qwen 以 17 分钟位居最快，DeepSeek 用时 22 分钟，GLM 耗时 32 分钟，MiMo 用时 33 分钟，Luna Max 则超过 1 小时，耗时最长。测试者透露了若干细节：DeepSeek 使用 high 档运行，而其他模型均拉满配置，对 DeepSeek 略有不利；GLM 因多次缓存突然归零导致消费偏高，与 Claude Code CLI 的配合度不佳；MiMo 在 33 万 token 上下文时触发了一次压缩，其余模型均未压缩。成本方面，若计入中转站倍率，Luna Max 反而比其他模型便宜约 50 至 100 倍，呈现以超长思考时间换取极低价格的特征。需要注意的是，该测试每个模型仅运行一次，样本量有限，结果仅供参考，不具备严格基准测试的统计意义，但为开发者选型提供了真实场景下的第一手参考数据。
事件分析
此次社区测试的核心价值在于统一了执行框架，将模型原始能力与工具适配性区分开来，测试同时暴露出一个常被忽视的维度：模型与编程框架的兼容性。GLM 的缓存失效问题会直接放大实际调用成本，提示 API 缓存策略优化对厂商的重要性；上下文压缩行为差异则反映各家在长上下文管理上的技术路线不同。从产业角度看，国产模型在 Claude Code 这类主流 Agent 框架中的可用性持续提升，正在形成实际可用的竞争力。Luna Max 以超长思考换取极低价格的策略，也暗示推理成本市场仍存在分层空间。单次测试偶然性较大，后续值得关注的方向包括：社区是否出现多任务多轮次的系统性评测，以及厂商是否会针对主流编程框架进行专项适配优化。
核心观点：模型评测正从榜单跑分走向真实 Agent 实战，缓存稳定性与框架适配度正在成为比基准分数更关键的成本变量。
原文链接：Linux.do
