中国模型一周三连发：GLM-5.3 vs DeepSeek-V4 Pro vs Kimi K3 的企业选型

2026 年 8 月第二周，中国模型厂商迎来一个密集发布窗口：智谱 GLM-5.3 发布技术报告并同步开放 GLM Coding Plan 订阅（8 月上旬），DeepSeek 将 V4 Pro 后端更新为 0813 版本并官宣峰谷计费（8 月 13 日），而 Kimi K3 在 7 月 27 日公开全部权重后，于 8 月初完成 API 全面开放。 三个旗舰模型几乎在同一时间窗口进入可用状态，标志着中国模型竞争从「用一个便宜的中国模型替代贵的美国模型」进入「三个中国模型各自占据不同生态位」的新阶段。

质变的标志是三个「同时」。 三者同时支持 1M token 上下文窗口——这在半年前还是美国前沿模型的独占能力；三者同时提供 thinking / reasoning 档位调节——说明中国模型在推理能力上已经可以精细化调控；DeepSeek 与智谱同时提供 Anthropic 协议兼容端点——开发者切换模型不再需要重写调用层，只需要改一个 model ID 和 base URL。

对企业的直接影响是：选型问题从「要不要用中国模型」变成了「三个中国模型选哪个」。 这个问题的答案取决于四个维度：架构定位（开源 vs API）、上下文与输出需求、API 兼容性要求、以及成本结构。下面逐一拆解。

但先要澄清一个容易误读的「三连发」。 Kimi K3 的权重早在 7 月 27 日就已公开，8 月初完成的是 API 全面开放；GLM-5.3 与 DeepSeek V4 Pro 0813 才是 8 月第二周的新发布。把三件事压缩成「同一周发布」会掩盖一个关键差异：三者的「开放程度」完全不同，而开放程度恰恰是企业选型的首要变量。

三个模型的差异化定位可以用一句话概括：GLM-5.3 争夺编程与网络安全后训练 SOTA、DeepSeek V4 Pro 0813 对标 Claude API 体验、Kimi K3 占据开源参数规模峰值。 它们的技术路线、开放策略和目标用户各不相同。

GLM-5.3 的核心叙事是「同基座后训练」。 智谱官方技术报告（z.ai/blog/glm-5.3）与 kingy.ai 的交叉验证均确认：GLM-5.3 与 GLM-5.2 使用同一模型家族与基座架构，提升主要来自长程后训练。根据 codepick.dev 的对比分析，GLM-5.3 采用 730B MoE 架构，在 SWE-bench Verified 上达到 57.8％。在 Z.ai 自己的发布对照表中，GLM-5.3 从 GLM-5.2 的 81.0 提升到 88.2（Terminal-Bench 2.1）、4.6 到 28.3（Terminal-Bench 3.0）、46.2 到 66.9（DeepSWE v1.1）、26.2 到 48.2（AutomationBench）。更引人注目的是网络安全能力：CyberGym 上 84.5 领先于 Kimi K3 的 80.0 与 DeepSeek 的 83.3，ExploitBench 从 GLM-5.2 的 24.4 跃升到 54.4（2.2 倍），ExploitGym 预算从 29/39 提升到 105/130。但要注意：这些提升并非每一项都是开源第一——Kimi K3 在 Terminal-Bench 2.1（88.3 vs 88.2）和 DeepSWE（67.5 vs 66.9）上仍以微弱优势领先，Z.ai 自己的表格也注明各基准的 harness、上下文限制和评分流程并不一致，不宜把任何单一分数当作「全面 SOTA」的证据。

DeepSeek V4 Pro 0813 的核心叙事是「端点可用性」。 kingy.ai 的结论很直接：GLM-5.3 是「最激进的厂商口径发布」，Kimi K3 是「当前能下载的最强 checkpoint」，而 DeepSeek V4 Pro 0813 是「今天最容易预算和集成的生产端点」——它钉死了 deepseek-v4-pro 到 DeepSeek-V4-Pro-0813 的版本身份，文档化了 1M 上下文和 384K 最大输出，同时支持 OpenAI Chat Completions、Anthropic 风格消息和 Responses API 三种接口，并给出透明的 token 定价。V4-Pro 基座（1.6T/49B active）早在 4 月 24 日就以 MIT 协议开源，但 0813 的 GA 端点没有对应的可下载 checkpoint——Hugging Face 上的 V4-Pro 权重大概率是更早的版本。

Kimi K3 的核心叙事是「规模与开源」。 2.8 万亿总参数（104B active）、896 个专家激活 16 个、KDA（Kimi Delta Attention）混合线性注意力机制，7 月 27 日权重全部公开——这是全球最大的开源权重发布。在 Artificial Analysis Intelligence Index 上，K3 以 57 分位居开源第一、总榜第四（落后 Opus 5 的 61、Fable 5 的 60 与 GPT-5.6 Sol 的 59）。但开放不等于 MIT：K3 采用自定义 Kimi K3 License，带有署名要求，且对年收入超过 2000 万美元的模型即服务（MaaS）业务要求单独签署商业协议。对嵌入产品的企业来说，这需要法务审查，不能等同于 MIT 的无条件商用。

三者的交集是 1M 上下文 + 可调推理强度，差异是各自的杀手锏场景。 GLM-5.3 的杀手锏是编程与网络安全，DeepSeek V4 Pro 0813 的杀手锏是端点可用性与 384K 超长输出，Kimi K3 的杀手锏是 2.8T 参数规模与开源权重。独立基准测试验证了三者的能力差异：Terminal-Bench 3.0 上 GLM-5.3 以 28.3 明显领先（K3 为 17.4，DeepSeek 未报告）；DeepSWE v1.1 上 Kimi K3 以 67.5 略微领先 GLM-5.3 的 66.9，DeepSeek 为 62.7；AutomationBench 上 GLM-5.3 以 48.2 领先（K3 46.7、DeepSeek 43.2）。这些数据表明：GLM-5.3 在复杂自动化任务上优势明显，Kimi K3 在标准编码任务上略胜，DeepSeek V4 Pro 0813 在编码基准上相对较弱但通过端点可用性和成本优势弥补。

三个模型中有两个（GLM-5.3 和 DeepSeek V4 Pro）明确支持 Anthropic 风格消息协议，这不是巧合——Anthropic 协议正在成为中国模型 API 兼容的事实标准。 理解这个趋势，对企业的技术选型和架构决策有直接影响。

Anthropic 协议的核心优势是「Agent 原生支持」。 与 OpenAI Chat Completion 协议相比，Anthropic Message 协议原生支持 tool_use（工具调用）、thinking（推理过程可见）、cache_control（缓存控制）等 Agent 场景必需的能力。当 DeepSeek V4 Pro 在官方文档中列出「https://api.deepseek.com/anthropic」作为 base URL 时，它意味着：一个用 Claude SDK 构建的 Agent 系统，只需要把 base_url 改掉、把 model 换成 deepseek-v4-pro，就可以无缝切换——tool_use、thinking、cache_control 全部保留。

GLM-5.3 的接入形态与 Anthropic 生态高度兼容。 kingy.ai 指出智谱的发布强制开启 thinking，并要求使用「thinking.type: disabled」的存量客户端在切换前先启用 thinking 并选择 reasoning effort——这个参数形态本身就是 Anthropic 风格。GLM Coding Plan 已面向 Claude Code 等 harness 用户开放，社区兼容测试已完成，说明智谱有意把 GLM-5.3 做成「Claude 生态的顺滑替换」。

Kimi K3 的接入面以 OpenAI 风格接口为主。 这是一个值得关注的差异——如果企业的 Agent 框架深度依赖 Anthropic 协议的 thinking 或 cache_control 特性，切换到 Kimi K3 可能需要适配工作。不过 K3 已进入 GitHub Copilot 等主流工具链（GitHub Changelog），对于大多数标准 Agent 场景已经足够。

API 兼容性趋势对企业的影响是：模型切换成本正在趋近于零。 当多个中国模型都提供 OpenAI 或 Anthropic 兼容 API 时，企业可以在不改动业务代码的情况下，在不同模型之间自由切换——根据价格、性能、可用性的变化动态调整。这意味着「供应商锁定」的风险大幅降低，而「多供应商架构」的可行性大幅提升。

从技术实现角度看，Anthropic 协议的普及反映了 Agent 架构的成熟。 OpenAI Chat Completion 协议设计于 2023 年初，当时的主要场景是简单的问答对话；Anthropic Message 协议原生考虑了工具调用、推理过程可见性、缓存控制等 Agent 场景的核心需求。当中国模型厂商选择兼容 Anthropic 协议时，他们实际上是在说：「我们的目标客户是构建复杂 Agent 系统的企业，而不是简单的聊天机器人开发者。」这个定位转变，标志着中国模型从「消费级应用」向「企业级基础设施」的升级。

三个模型的成本结构差异，在 DeepSeek V4 Pro 引入峰谷计费后变得更加复杂。 企业需要理解的不只是「哪个模型更便宜」，而是「在我的流量画像下，哪个模型的实际账单更低」。

DeepSeek V4 Pro 0813 的峰谷计费是目前最复杂的定价结构。 从 2026 年 8 月 17 日 00:00（北京时间）起，V4 Pro 的价格分为峰时和谷时两套费率，谷时价格为峰时的一半。峰时窗口为北京时间 09:00-12:00 与 14:00-18:00（UTC 01:00-04:00 与 06:00-10:00），恰好覆盖中国大陆工作日的上午与下午黄金时段。输入 token 进一步拆分为 cache-hit 和 cache-miss 两档，加上输出 token，共有六个费率档位。8 月 17 日前，V4 Pro 的现行价为 cache-hit 输入 $0.003625/M、cache-miss 输入 $0.435/M、输出 $0.87/M——这也是 kingy.ai 与官方定价页（api-docs.deepseek.com）确认的数字。

Kimi K3 的定价目前是最简洁的：$3/$15（输入/输出，每百万 token），全 1M 上下文窗口平价，没有长上下文溢价、没有缓存档、没有峰谷区分。 这是 datamy.co 从 Moonshot 官方定价确认的结构。对于流量分布均匀、无法灵活调度的交互型应用，这种简洁定价更容易预测成本。

GLM-5.3 目前没有公布逐 token 的 API 定价，走的是订阅制。 kingy.ai 在 8 月 13 日截稿时确认：GLM-5.3 已向 GLM Coding Plan 用户开放，但独立定价页尚未新增 GLM-5.3 行。根据 codepick.dev 的对比分析，Coding Plan 按 ¥49-469/月分层，并带有 5 小时重置窗口的限制。参考 GLM-5.2 的逐 token 定价（$1.40/M 输入、$4.40/M 输出），GLM-5.3 的 API 价格预计在相近区间。

成本优化的关键不再是「选最便宜的模型」，而是「匹配流量画像」。 如果企业的 Agent 系统主要在谷时运行（夜间批处理、海外用户），DeepSeek V4 Pro 的谷时价格极具竞争力；如果流量分布均匀且不依赖缓存命中，Kimi K3 的 $3/$15 平价定价更可控；如果需要 384K 超长输出且对成本敏感，DeepSeek V4 Pro 的 $0.87/M 输出（现行价）仍然是最低选择。

峰谷计费的引入还暗示了一个更深层的趋势：模型厂商正在从「卖算力」转向「卖时段」。 DeepSeek 的峰谷定价本质上是一种收益管理策略——通过价格信号引导用户行为，把弹性需求推向低谷时段，从而在峰值时段收取溢价。这种模式在云计算、电力、航空等行业已经成熟，现在首次出现在中国 LLM API 定价中。对企业而言，这意味着成本优化不再只是技术问题（如何减少 token、提高缓存命中率），还需要运营配合（如何调度任务到谷时、如何设计缓存策略）。

面对三个各有特色的中国模型，企业选型需要一个清晰的决策框架。 以下决策树从 PM 视角最常见的四类场景（高吞吐批处理、低延迟在线、长文档处理、代码生成）出发，叠加 API 兼容性与部署模式约束，帮助企业逐层筛选。

第一步：确定场景类型。 高吞吐批处理（离线索引、日志分析、批量翻译）优先看谷时价格与缓存经济，DeepSeek V4 Pro 的谷时费率（$0.66/$1.98）和 Kimi K3 的 $3/$15 平价都是候选；低延迟在线（客服、交互式 Agent）优先看端点可用性与延迟表现，DeepSeek V4 Pro 与 Kimi K3 均已 GA；长文档处理（RAG、报告生成）需要 1M 上下文与足够输出上限，DeepSeek V4 Pro 的 384K 最大输出是三者中唯一明确到这一量级的；代码生成与安全攻防（Agent 长程任务、漏洞发现）则是 GLM-5.3 的强项——它在 Terminal-Bench 3.0、AutomationBench 和 CyberGym 上的领先表现是其他两个模型无法匹敌的，但要注意权重尚未发布、只能走 API 或订阅。

第二步：确定 API 兼容性需求。 如果企业已有基于 Anthropic 协议构建的 Agent 系统（使用 Claude SDK、tool_use、cache_control），GLM-5.3 和 DeepSeek V4 Pro 都支持 Anthropic 风格端点，可以无缝切换。如果只使用 OpenAI 协议，三个模型都兼容，选择范围不受限。

第三步：确定部署模式与 License。 这是本轮「三连发」与以往最大的不同——三个模型的开源状态完全不一样。GLM-5.3 权重尚未发布（智谱承诺两周内公开），当前只能走端点；DeepSeek V4 Pro 0813 的 GA 端点没有对应 checkpoint，可下载的 V4-Pro 权重是更早版本；Kimi K3 权重已全部公开，但使用自定义 License，MaaS 业务年收入超 2000 万美元需单独签约。如果需要自部署（数据敏感、合规要求），Kimi K3 是当前唯一「可下载即用」的选择；如果只是调用 API，GLM-5.3 和 DeepSeek V4 Pro 均已可用。

第四步：确定成本敏感度。 在满足前三步约束的模型中，根据流量画像选择成本最优的方案——参考上一节的成本结构分析。

这个决策树的关键洞察是：没有「最好」的模型，只有「最合适」的模型。 一个企业可能同时使用 GLM-5.3 做代码审查、DeepSeek V4 Pro 做长文档生成、Kimi K3 做多模态批处理——这不是浪费，而是精细化匹配的结果。API 兼容性的普及让这种多模型架构成为可能：企业不需要为每个模型重写调用层，只需要在路由层根据场景类型分发请求。这种架构的另一个优势是风险对冲——如果某个模型出现服务中断或价格调整，可以快速切换到备选模型，而不会影响业务连续性。

三个中国模型的同时进步，让「中国模型 vs 美国前沿模型」的对比发生了质变。 半年前，这个对比的答案是「中国模型在 80% 的场景够用，但最复杂的 20% 仍需美国模型」。现在，这个边界正在移动。

先看能力天花板。 datamy.co 汇总的 Artificial Analysis Intelligence Index（2026 年 8 月）显示：Opus 5 以 61 分（max effort）位居第一，Fable 5 为 60 分，GPT-5.6 Sol 为 59 分，而 Kimi K3 以 57 分成为开源第一、总榜第四。注意这个排名的「保质期」——K3 发布时还是第三，约一周内就被 Opus 5 挤到第四。任何建立在榜单上的选型决策，有效期可能只有几周。

再看价格差。 DeepSeek V4-Pro 的输出价 $0.87/M，与 Gemini 3.1 Pro 的 $12/M 相差约 14 倍；对旗舰档的差距更大——约为 Opus 5（$25/M）的 29 倍、Fable 5（$50/M）的 57 倍。中端档同样悬殊：Gemini 3.6 Flash 的 $7.50/M 是 DeepSeek V4-Flash（$0.28/M）的约 26 倍。没有哪个采购委员会会故意为常规负载多付 57 倍——这正是路由层和「多模型并存」架构的价值所在。

编程场景：GLM-5.3 与 Kimi K3 已经进入「可评估」区间。 GLM-5.3 在 Terminal-Bench 3.0、AutomationBench 和网络安全基准上的开源领先，与 GPT-5.6 Sol 在 Terminal-Bench 2.1 的 88.8 相比已不是数量级差距。Moonshot 自己也承认：K3 在基准上与美国旗舰持平，但生产可用性（UX）仍有差距——「基准持平」不等于「开箱即用的体验持平」。

API 兼容场景：DeepSeek V4 Pro 提供了 Claude 的完整体验，价格低一个数量级以上。 1M 上下文、384K 输出、Anthropic 协议、thinking mode——这些 Claude 的标志性能力，DeepSeek V4 Pro 全部提供，而现行输出价 $0.87/M 只有 Fable 5（$50/M）的约 1/57。对于已经用 Claude 构建的 Agent 系统，切换到 DeepSeek V4 Pro 可以在不改代码的情况下把成本降低 95% 以上。

开源规模：Kimi K3 的 2.8T 参数是已公开权重中的规模峰值。 对于需要自部署最大模型的企业，K3 是目前的最强选择——但要为 1.56TB 权重和约 1.6-1.75TB 可用内存的分布式集群预算，起步配置约 8 块 B200 级加速卡。开源权重买的是主权与控制，不是省钱——自部署的盈亏平衡完全取决于流量画像和硬件融资方式，必须用自己的业务量建模，不能轻信头条数字。

仍然需要美国前沿的场景： 最复杂的长程自主 Agent（OSWorld 计算机使用是开源模型无法竞争的分类）、需要最高推理上限的 ARC-AGI-3 类任务、以及数据主权要求「自托管 + 绝对最智能」的合规场景——这些仍是 Opus 5 / Fable 5 的优势领域。此外美国闭源模型的长上下文定价陷阱也值得注意：GPT-5.6 Sol 在 272K 输入以上重新定价到 $10/$45，Gemini 3.1 Pro 在 200K 以上重新定价到 $4/$18——这正是 RAG 和长文档工作负载的痛点，而中国模型的 1M 平价上下文反而是优势。

对标分析的关键洞察是：中国模型的优势正在从「价格」转向「能力 + 端点」。 半年前，企业选择中国模型的主要理由是「便宜 5-34 倍」；现在，选择理由变成了「在特定场景能力相当甚至更强，且端点可用、协议兼容」。中国模型正在从「成本优化选项」升级为「能力优先选项」——但「总榜第四」与「开源第一」之间的差距说明：最复杂的那 20% 场景，美国前沿仍是事实标准。

一周三连发标志着中国模型竞争进入新阶段。 GLM-5.3、DeepSeek V4 Pro 0813、Kimi K3 不再是「一个便宜的中国模型」，而是三个各有特色、各有杀手锏的全栈竞争者。它们的共同点是 1M 上下文、可调推理强度、Anthropic/OpenAI 兼容 API；差异点是各自的场景定位——GLM-5.3 的编程与网络安全、DeepSeek V4 Pro 0813 的端点可用与 384K 超长输出、Kimi K3 的 2.8T 规模与开源权重。

对企业的影响是双重的。 一方面，选型变得更加复杂——不再是简单的「中国 vs 美国」，而是需要在三个中国模型之间做精细化匹配，还要评估三套不同的开放策略（权重未发布、端点无 checkpoint、自定义 License）。另一方面，议价能力大幅提升——当多个中国模型都提供可比的能力时，企业可以在价格、性能、可用性之间做动态优化，而不是被单一供应商锁定。

下一步行动建议： 如果企业目前只用美国模型，现在是认真评估中国模型的最佳时机——DeepSeek V4 Pro 提供 Anthropic 兼容 API，切换成本趋近于零，现行价是 Fable 5 的约 1/57。如果企业已经在用中国模型，现在是重新评估的时机——GLM-5.3 的权重承诺、DeepSeek 的峰谷计费、Kimi K3 的 License 条款，都可能改变上个月的选型结论。

具体的评估路径建议分三步走。 第一步是「零成本验证」：选择 1-2 个非核心业务场景，用现有 API 密钥直接调用三个模型的测试端点，对比实际输出质量和延迟。第二步是「成本建模」：基于企业的实际流量画像（峰谷分布、缓存命中率、输出长度分布），计算三个模型的真实月度成本。第三步是「架构适配」：如果企业使用 Anthropic 协议，优先测试 GLM-5.3 和 DeepSeek V4 Pro；如果使用 OpenAI 协议，三个模型都可以直接接入。

最后需要强调的是：这不是一个「赢者通吃」的市场。 GLM-5.3、DeepSeek V4 Pro、Kimi K3 各有明确的场景定位，企业的最优策略往往不是「选一个最好的」，而是「在不同场景用不同的模型」。这种多模型并存的架构，正是 API 兼容性趋势带来的最大红利——企业可以像管理多云基础设施一样管理多模型基础设施，根据场景需求动态调度。

展望未来 6-12 个月，几个变量将决定格局走向。 其一是 GLM-5.3 的权重能否按承诺在两周内公开——如果公开，开源编程模型将出现 GLM-5.3 与 Kimi K3 的双雄竞争；其二是 DeepSeek 的峰谷计费模式是否会被其他厂商效仿，成为行业标配；其三是 Kimi K3 的 License 条款是否会松动——如果 Moonshot 针对中小企业放宽 MaaS 门槛，自部署市场的竞争将显著加剧。可以预见的是，1M 上下文、可调推理强度、Anthropic/OpenAI 兼容 API 将很快成为中国模型的标配能力，而不是差异化优势。真正的竞争将转向垂直场景的深度优化与端点运营的可靠性——谁能在特定场景提供更强的能力、更透明的定价和更稳定的 SLA，谁就能在企业市场获得溢价。

这一轮竞争还将重塑全球 AI 供应链格局。 当中国模型在 API 兼容性、上下文长度、推理能力上与美国模型持平甚至超越时，企业选择模型的决策因素将从「技术能力」转向「供应链安全」和「合规成本」。对于跨国企业而言，同时维护中国和美国两套模型基础设施将成为常态——不是因为技术不兼容（API 已经统一），而是因为数据主权、出口管制、地缘政治风险等非技术因素。这种「双轨制」架构将增加企业的运维复杂度，但也提供了更强的抗风险能力。

最终，这场竞争的赢家是开发者。 半年前，开发者在选择模型时只有两个维度：「用贵的美国模型还是便宜的中国模型」。现在，开发者有了三个各有特色的中国模型可选，每个都有明确的场景定位和差异化的技术优势。API 兼容性的普及让切换成本趋近于零，峰谷计费让成本优化有了时间维度，开源权重让自部署成为可行选项。这种竞争格局带来的不仅是价格下降，更是创新加速——当模型厂商必须在特定场景做到最好才能赢得客户时，整个行业的技术进步速度会显著加快。

参考资料

• 智谱 GLM-5.3 官方技术报告 · Z.ai, 2026-08
• GLM-5.3 vs Kimi K3 vs DeepSeek V4 Pro: Who Actually Has the Open-Weight Coding Crown? · Kingy AI, 2026-08-13（基准表、checkpoint/License 现状、DeepSeek 端点价格）
• Will Kimi K3 Flip the Table on Anthropic and OpenAI? · DataMy, 2026-08（K3 参数与 AA Index、美国前沿价格表、企业域映射）
• GLM vs DeepSeek vs Kimi 2026 对比 · Codepick, 2026-08（GLM-5.3 730B/SWE-bench 57.8%、Coding Plan 分层）
• DeepSeek Models & Pricing（官方定价页） · DeepSeek 官方文档（现行价与峰谷费率）
• Kimi K3 官方技术报告 · Moonshot AI, 2026-07
• Kimi K3 权重仓库 与 Hugging Face checkpoint · Moonshot AI, 2026-07-27
• Kimi K3 Is Now Available in GitHub Copilot · GitHub Changelog, 2026-08-06