推理与知识

API定价对比表格（美元 / 每百万Tokens）

DeepSeek 定价说明： 深度求索在2026年5月31日前开展了75%的发布促销活动，将Pro版本的价格降至$0.435/$0.87（输入/输出）。促销结束后的标准费率为$1.74/$3.48 。上表反映的是其促销期的价格，此价格后被永久化。

核心观点速览

编程与智能体：各有千秋
这三款模型在SWE-Bench Verified上的表现难分伯仲（80.2-80.6区间）。千问3.7-Max在更复杂的Terminal-Bench 2.0（69.7分）和SWE-Pro（60.6分）上取得领先，证明其处理长程、复杂任务的能力。而DeepSeek V4 Pro Max在LiveCodeBench（93.5分）和Codeforces（3206评级）上称王，展示了其顶尖的“裸写”代码能力 。Kimi K2.6则在工具增强的智能体场景下最强，其在HLE with tools（工具增强版人类最后的考试）上取得54.0分的领先成绩 。

推理能力：数学还是带工具的搜索？
千问3.7-Max是“纯推理”的霸主，在HMMT数学竞赛（97.1%）和GPQA Diamond科研推理（92.4%）中得分最高 。DeepSeek V4 Pro Max紧随其后，略逊一筹。Kimi K2.6的策略不同，它在需要检索和多步骤工具调用的场景中表现最佳，如HLE-with-tools（54.0分）和DeepSearchQA（92.5 F1），这更像是一个配备了超级搜索引擎的推理专家 。

价格与价值：DeepSeek的“价格屠刀”
DeepSeek V4 Pro以每百万输出Token仅$0.87的价格，配合开放权重的策略，成为了性价比的无冕之王，非常适合有自部署需求或成本敏感的项目 。千问3.7-Max定价最贵，输出价格为$7.50，但阿里云提供了批处理和缓存折扣 。Kimi K2.6的$4.00输出价位于二者之间，但需注意其上下文窗口仅有256K，小于另外两家的1M 。

重要风险提示（NIST CAISI评估）：
据NIST下属机构CAISI在2026年5月发布的一份评估报告显示，DeepSeek V4 Pro在独立的非公开基准测试中的表现，低于其自我报告的成绩，实际能力可能更接近约8个月前发布的GPT-5，而非同期发布的Claude Opus 4.6 。请注意，该评估报告的结论仅针对DeepSeek V4 Pro，并未在同等条件下评估千问3.7-Max和Kimi K2.6 。在选择模型时，不能完全只看厂商公布的基准跑分。

推理与知识

API定价对比表格（美元 / 每百万Tokens）

DeepSeek 定价说明： 深度求索在2026年5月31日前开展了75%的发布促销活动，将Pro版本的价格降至$0.435/$0.87（输入/输出）。促销结束后的标准费率为$1.74/$3.48 。上表反映的是其促销期的价格，此价格后被永久化。

核心观点速览

编程与智能体：各有千秋
这三款模型在SWE-Bench Verified上的表现难分伯仲（80.2-80.6区间）。千问3.7-Max在更复杂的Terminal-Bench 2.0（69.7分）和SWE-Pro（60.6分）上取得领先，证明其处理长程、复杂任务的能力。而DeepSeek V4 Pro Max在LiveCodeBench（93.5分）和Codeforces（3206评级）上称王，展示了其顶尖的“裸写”代码能力 。Kimi K2.6则在工具增强的智能体场景下最强，其在HLE with tools（工具增强版人类最后的考试）上取得54.0分的领先成绩 。

推理能力：数学还是带工具的搜索？
千问3.7-Max是“纯推理”的霸主，在HMMT数学竞赛（97.1%）和GPQA Diamond科研推理（92.4%）中得分最高 。DeepSeek V4 Pro Max紧随其后，略逊一筹。Kimi K2.6的策略不同，它在需要检索和多步骤工具调用的场景中表现最佳，如HLE-with-tools（54.0分）和DeepSearchQA（92.5 F1），这更像是一个配备了超级搜索引擎的推理专家 。

价格与价值：DeepSeek的“价格屠刀”
DeepSeek V4 Pro以每百万输出Token仅$0.87的价格，配合开放权重的策略，成为了性价比的无冕之王，非常适合有自部署需求或成本敏感的项目 。千问3.7-Max定价最贵，输出价格为$7.50，但阿里云提供了批处理和缓存折扣 。Kimi K2.6的$4.00输出价位于二者之间，但需注意其上下文窗口仅有256K，小于另外两家的1M 。

重要风险提示（NIST CAISI评估）：
据NIST下属机构CAISI在2026年5月发布的一份评估报告显示，DeepSeek V4 Pro在独立的非公开基准测试中的表现，低于其自我报告的成绩，实际能力可能更接近约8个月前发布的GPT-5，而非同期发布的Claude Opus 4.6 。请注意，该评估报告的结论仅针对DeepSeek V4 Pro，并未在同等条件下评估千问3.7-Max和Kimi K2.6 。在选择模型时，不能完全只看厂商公布的基准跑分。