海外工程师实测五大开源模型：DeepSeek Flash封神，GLM Flash夺冠

一位活跃在实际工程一线的海外开发者，最近发布了一份颇具争议的开源权重（open weights）模型排行榜。与那些跑分党不同，他的评价完全基于日常软件工程和多智能体（agentic）工作流中的真实使用体验。他毫不掩饰对OpenAI和Anthropic前沿模型的失望——直言"已经越来越讨厌它们"，因此干脆只聊开源阵营的Top 5。

一套真实的多智能体工作流

要理解这份榜单，得先看看这位工程师是怎么用模型的。他的agentic工作流并不复杂，但分工明确：任务先经过一个"侦察智能体"（Scout Agent），从Confluence、Jira、Slack等渠道收集全部上下文，把最相关的部分交给"规划者"（Planner）。

Planner需要一个"又大又juicy"的模型来生成执行计划，随后任务被拆分给一个或多个"工程师智能体"，每个工程师都配有专属的审查者（Reviewer）负责回环校对。最终所有工程师汇总出一个PR，再交给一组审查者做终审。

他最近在尝试用四到五个独立审查者组成"审查委员会"（council of reviewers），对于答案不明确的大型任务效果极佳。关键技巧在于——让审查者来自不同的实验室。用一个厂商的模型生产代码，再让另一个厂商的模型来审查，这种"跨实验室混搭"（lab mixing）能覆盖多重视角，他称之为屡试不爽的方法。

多智能体（Multi-Agent）工作流是一种将复杂任务拆解给多个专职AI代理协作完成的架构模式。与单一模型处理全部任务不同，每个智能体只负责流程中的一个环节——收集信息、制定计划、编写代码、审查校验——通过"分工+回环"降低单点出错的概率。这种架构的核心优势在于：不同角色对模型能力的要求不同，可以针对性地选用最适合该环节的模型，而非强求一个全能模型包办一切。Reviewer机制尤为关键，它模拟了人类代码审查（Code Review）流程，能在合并主分支前捕获逻辑漏洞或上下文遗漏，是保障输出质量的最后防线。

从第五到第三：规划与审查的常客

第五名 Kimi K3：他称之为一款出色的模型，尤其偏爱用于规划阶段。但缺点也很直接——太贵。即便公司报销，他仍舍不得频繁使用。在DeepSeek^广告 Flash 0731发布之前，Kimi曾是他的"日常主力"，常与Anthropic的Sonnet、Opus搭配。如今它更多充当规划器和备用模型。

第四名 DeepSeek Pro：这是他agentic工作流里的日常主力之一，常被放在规划阶段和审查阶段。由于处理的任务不算太大，token消耗和成本都可控，同时还能提供独特视角。

第三名 GLM 5.3：他会在DeepSeek Pro和GLM 5.3之间轮换用于规划器和审查者。一个有意思的做法是：从工单阶段发起PR时用GLM，等PR发出、收到社区反馈后，再用另一个模型对全部回应做终审。这种"多角度自我保护"的策略让他收获了极大成功。

封神时刻：DeepSeek Flash与GLM Flash

第二名 DeepSeek 401 Flash：这是让他上周五"直接暴走"的模型。他整个周末都在用，虽然发现它不太适合当日常对话助手，但作为"工程师"角色堪称完美。他形容这是自己用过最聪明的模型之一，在"性价比帕累托曲线"上表现惊人。更夸张的是，他表示在多个基准测试中，401 Flash的表现甚至优于Opus 5，用"焦土式碾压"来形容它对前代模型的超越。

第一名 GLM 5.3 Flash：榜首没有太多悬念。他坦言自己曾宣布放弃这款模型，结果两天后就"跑回来了"，只因太喜欢它。核心原因是它作为对话者（conversationalist）实在太出色——当他今天临时用DeepSeek 401 Flash做对话时，立刻感到"不对劲、不喜欢"，切回GLM 5.3 Flash才找回熟悉感。

当然它也有毛病：偶尔会"泄漏上下文"，在使用率超过20%时容易崩。但只要有足够监督，或作为主对话模型使用，它便宜、快、堪称完美。他还特别提醒：从OpenRouter调用时要小心别用到FP4量化，FP8才是速度与成本的最佳平衡。

FP4与FP8是浮点数精度格式，分别用4位和8位表示模型权重数值。量化（Quantization）是将模型从高精度（如FP16/BF16）压缩到低精度的过程，可大幅减小模型体积和推理显存占用，但精度损失随位数降低而加剧。FP4量化在压缩率上更激进，但数值表示范围极窄，容易导致模型输出质量明显下降，尤其在需要精细推理的任务中表现劣化。FP8则在压缩效益与精度保留之间取得较好平衡，已成为当前主流推理框架（如vLLM、TensorRT-LLM）的推荐量化方案。OpenRouter等第三方API平台在部署同一模型时可能同时提供多种量化版本，用户若不主动指定，可能被随机路由到低精度版本，导致体验与官方基准出现明显落差。

Flash模型为何能逼近Pro？

这份榜单最耐人寻味的观察是：Flash系列正在全面"起飞"。DeepSeek Flash极其接近甚至一度超越了DeepSeek Pro；GLM 5.3 Flash虽不及GLM 5.3，但差距小到几乎可忽略；连最新的Gemini Flash都逼近了Gemini Pro，而成本却低得多。

他听到一种"传闻"（未经证实）：大模型的训练（他戏称为cooking）有时会"翻车"，比如GLM 5.3据说在训练中被"负面地cook坏了"。至于中国实验室报告的超低训练成本，他持谨慎态度，认为厂商之间存在"宣传战"，不愿过度解读。

更重要的启示是：模型进步远未见顶。他提到有demo展示DeepSeek 401 Flash的Hugging Face文件中，约200GB的查找表（lookup tables）可以从GPU显存中卸载，加上最新DeepSeek模型的KV缓存优化，说明架构层面仍有巨大的优化空间。成本会降到多低？他不确定，但至少可以肯定——绝不会以"灭绝人类"为代价（并顺带推销了自己的另一期视频）。

查找表（Lookup Tables，LUT）在神经网络推理中是一种以空间换时间的加速手段：将高频计算结果预先存储，推理时直接查询而非重新计算，从而大幅降低延迟。将约200GB的查找表从GPU显存（VRAM）卸载到系统内存或其他存储层，意味着同等显存下可运行更大批量的推理请求，或在更低成本的硬件上部署。KV缓存（Key-Value Cache）则是Transformer架构中对注意力机制中间结果的复用技术——在多轮对话或长文本处理中，避免对已处理的token重复计算键值矩阵，能显著降低推理延迟和算力消耗。这两项优化结合，说明Flash系列的成本优势并非单纯来自模型"变小"，而是系统级工程优化的结果，性能损失因此得以控制在极小范围内。

写在最后

这份榜单的价值不在于绝对排名，而在于它来自一个真正把模型塞进生产工作流的工程师视角。DeepSeek与GLM的Flash系列以低成本、高性能的组合拳，正在挑战前沿闭源模型的统治地位。而"跨实验室混搭"这一实战技巧，或许比任何单一模型的排名都更值得借鉴。