实测3大 Flash 模型，谁是真正的斩杀线？

最近这两月，模型领域出现了一种新现象，不看 Max看 Flash。

原因很简单，模型能力的天花板由 Fable 5、Mythos 这类旗舰划定，短期很难超越。真实商业又很少用这么好的模型，很多厂商竞争的计分牌，都在把"SOTA"换成"性价比和真实调用榜"，这是Flash 最擅长的地方。

而 Flash 模型，过去都用旗舰模型蒸馏出来的 轻量版本 。

而从2026 年 8 月开始，Flash模型当士别三日当刮目相待：GLM-5.3-Flash 在 Artificial Analysis 智能指数上拿到 57 分，与 Claude Opus 4.8 持平；Qwen3.8-Flash 以每 token 仅 6B 的激活参数，整体表现超过 Opus 4.6、接近 Opus 4.8。

更重要的是，它们的价格，只有顶级旗舰的几十分之一。尤其现在 Flash 模型也具有多模态能力，80%以上的任务都没问题。

鲸哥的小鲸历2.0 网站就接入了 DeepSeek‑V4‑Flash 模型给大家用。而且已经看到，有几个AI产品月活达到几十万的企业CEO，已经决定把 Flash接入自家产品中，免费给大家用。

Flash模型一时间成为生产力核心模。现在不断定义斩杀线的模型是这三个：1、GLM-5.3 flash 2、DeepSeek V4 Flash 3、Qwen 3.8-Flash。

过去这条线由 DeepSeek 把守，它曾在 OpenCode 调用量榜上，连续霸榜 56 天；而 8 月 26 日之后，这条线被冲破：智谱把模型以匿名身份 "Ox Alpha" 投放到 OpenRouter 和 OpenCode 免费公测近一周，六天吞吐 42 万亿 token 登顶，后来露面就是GLM-5.3 Flash。

同夜阿里发布 Qwen3.8-Flash，两家贴脸定价，国内输入价都是每百万 token 0.8 元。

为了看清谁是真正的斩杀线，我们设计了五组实测，来发掘国模性价比第一名。

01

微缩航空机场：

ENJOY LIFE

3D 微型机场调度仿真

我们让三个模型做一个微缩机场测试流程：先搭建静态场景，接着单架飞机的滑行起飞测试，然后扩展到多机调度，最后配上实时航班状态面板检测。

四轮迭代测试越来越难，对于模型来说最难的是第三轮：跑道互斥。现实中一条跑道同一时刻，只能有一架飞机起飞，其余必须排队等候，这需要模型真正理解"资源锁"，否则所有飞机同时冲上跑道，测试就会失败。

具体模式是通过 Three.js ，搭建了一个模拟不同航班起飞的微型机场，用 TSL 来实现飞机起飞的路径动画。

交付成果

DeepSeek V4 Flash

在我们这轮测评中，DeepSeek V4 Flash 四项都在中位水平。

它完成这个任务的工作效率是8分。四轮流畅跑完，中途未出现bug。测试总时长约40分钟。

其场景建模能力是6分及格水平。能看但有很明显的建模错位情况，且整体设计和颜值一般。

技术栈合规达到9分。CDN 引用正确，未混入 npm import语法。

业务仿真和状态机逻辑是8分。飞机完整状态流转正常：机位待命→滑行→排队→滑跑起飞→离场销毁，整套流程没有出错。

Qwen 3.8-Flash

Qwen 3.8-Flash完成这个任务的工作效率是6分。思考时间过长，第一轮做了三次才有画面。总时长高达1.5小时。

但它交出了三个模型里唯一"能直接拿去演示"的版本。场景建模能力达到：9分。无穿模现象，飞机立体感强，细节渲染很到位，整体颜值较高。

技术栈合规也达到了9分。CDN 引用正确，未混入 npm import语法。

业务仿真和状态机逻辑仅为7分。业务完整性有缺口，仿真闭环在控制台无法验证。但是单从画面中的飞行状态来看，飞机没有抢占跑道的现象。

GLM-5.3 Flash

GLM-5.3 Flash这轮任务的工作效率很优秀，9分。四轮总耗时二十分钟不到，中途未出现bug。

但场景建模能力只有4分。整体建模极其简陋，飞机造型像梭子，后方建筑物也和提示词完全不符，建模能力停留在基础立体几何阶段，与前两个测试模型差距较大。

技术栈合规也达到9分。CDN 引用正确，未混入 npm import语法。

业务仿真和状态机逻辑也只有5分。跑道资源互斥锁逻辑缺失；切换滑跑状态前未做跑道占用校验；真实跑道运行状态与 UI 显示状态脱节；出现多机同时抢占同一条跑道滑跑的严重仿真错误；控制台无法查看飞机运行状态。

综合来看，在开发速度上明显 GLM 最快，但它仿真业务逻辑的缺陷过于突出了，建模水平也落后，bug 太明显；

Qwen 虽然耗时长，但最终的交付结果是我最满意的，必须给到一个夯。

建模细节很到位，飞机航线和 UI 状态显示也清晰；DeepSeek 总体来说人上人水平吧，效率和建模都中等水平，成果也还可以。

02

多模态脑域

ENJOY LIFE

3D 人类大脑解剖沙盘

为了考验一下模型数据可视化的多层整合能力，我们让三家模型基于Three.js 的浏览器，做一个“3D人类大脑多模态微缩沙盘”Demo。

核心提示词是MNI152 标准空间，这是神经影像学界通用的标准脑坐标系，由 152 个健康人脑平均而成，相当于给大脑定了一套"经纬度"，所有结构需要按这套坐标对齐呈现。

它融合解剖结构、血管、白质纤维束、功能网络和病灶标注功能，让医生科学家像看城市地图一样逐层探索大脑。

这意味着模型不是画一个球就能交差，而是需要自己整合数据，再进行3D空间的叠加和独立控制，每一层都在考验模型对专业领域的理解深度。

如果模型能把这个做好的话，进入医院、学校、工业化生产区等等都是具有实践意义的。

交付成果：

GLM-5.3 Flash

我们看到，GLM 在还原度、交互性以及多模态数据层完整性三个维度领先，大脑形态接近真实、结构正确，并且我们重点关注的多层数据独立可控、切片平面同显等维度，完成度都比较高。

此处需要关注的一点，是我们在智谱的网页进行了多轮对话最终才得到页面，基本之前几轮无法打开。因此我们进行了持续纠错补全，实际开发成本高于另两家。

DeepSeek V4 Flash

DS做的这个Demo，更像是一个抽象的"脑网络节点图"，球状、点线连接为主，没有做出真实脑形态的神韵，不太像"大脑解剖沙盘"。

Qwen 3.8-Flash

QW做的这个有大脑轮廓，但比较概念化、艺术处理效果。能看到血管/神经线，但数据层的完整度和真实感明显不如 GLM。

整体来说，DeepSeek和 Qwen1-2轮输出即可运行，虽然最终效果略逊，但调试成本较低。

03

立体紫禁城

ENJOY LIFE

多边形故宫太和殿沙盘 Demo

这轮尝试让模型做点精致风的内容，于是重点放在了古建筑建模能力上。

我们尝试的是3D的故宫太和殿沙盘，古代建筑规制有严格的范式，多少层台基，脊兽要放在什么位置，整体还是比较复杂的，因此模型既不能瞎拼，又要尽量发挥美感。

测试中途我们还发现一个共性问题，因为一开始发现模型生成的建筑空心现象，甚至有点穿模，所以在后续提示词里干脆就直接要求处理 "非空心" 的内部结构。

交付成果

GLM-5.3 Flash

GLM-5.3 Flash在这个案例属于倒数，跑了两轮，最后场景元素没有DeepSeek V4 Flash的全面，色彩也偏淡，太和殿该有的庄重感没做出来。

DeepSeek V4 Flash

DS做的轴线感强，从宫门到主殿的纵深呈现也比较好，能看出"层层推进"的故宫布局，但整体和GLM同样偏素模。

开发效率上，DeepSeek V4 Flash前两次使用网页生成均未达预期，第三次切换至 DSH 平台调用 V4 Flash 后成功，我们从侧面可以看出同一模型，有没有Harness还是存在较大区别。

Qwen 3.8-Flash

Qwen是典型的美术生，用时稍长，但确实沙盘做的很亮眼，那种中国红一看就对味儿了，明显更懂"古建该怎么好看"。宫门、红墙、主殿、两侧配殿等元素都很完整。

04

红楼一梦

ENJOY LIFE

多红楼梦家族兴衰叙事网页

外网博主@Da7em用GLM 5.3，耗时4小时+做了一个使用电影级WebGL 技术的粒子动态网页，非常炫酷。

既然GLM 5.3这么厉害，那我们不如试试它的小弟GLM-5.3 Flash厉不厉害。

任务是做一个滚动驱动的《红楼梦》家族兴衰叙事网页，用粒子作为主要视觉语言。本轮设计有个刻意的陷阱：核心要求引用的原文不得改写、不得自创。

这条规矩，就是要直接考验模型最容易犯错的地方——幻觉。所谓幻觉，就是模型在不确定时会"自信地编造"：一句看起来很像《红楼梦》的话，可能从来没在这本书里出现过。如果没有原著，这是再加工艺术创作，但是有明确指令，对生产环境来说这就是事故。

交付成果

GLM-5.3 Flash

GLM做的视觉效果较差。基本就是星空/纯色背景/方块/竖排文字的轮播，没有叙事感，也没有红楼梦的氛围。GLM-5.3 flash因为审美和理解都不在线而果断出局。

DeepSeek V4 Flash

DS这轮做的视觉相当好，设计感意外最好：标题"红楼三梦"、粒子星空、花瓣飘落、人物剪影、卷轴式文字排版，艺术感做出来了，甚至DS一直以来都存在的幻觉问题，也没有出现。

Qwen 3.8-Flash

Qwen 3.8-Flash同样呈现效果不错，懂一定的美学。

但它在第一幕误用了第四回护官符里的"贾不假，白玉为堂金作马"，来替代我们明确指定的《好了歌注》；此外编造了大量过渡文案，比如"都中所见，再没有比这更盛的人家""雪落下来，盖住来路与去路"。

这两条都是模型幻觉，和要求相反。

05

周报处理

ENJOY LIFE

办公文档整合测试

最后一场回到最日常的办公场景，其实这一轮比较难以分胜负。

我们提供了四份格式混乱、彼此矛盾的周报碎片。这些周报中，有的同一个任务在 A 文件里写"已完成"、在 B 文件里写"延期"，还有的重复记录和缺失字段。要求模型合并去重、检测冲突，最终输出完整的整理表格。

这个任务核心要求是冲突内容显式标记，不许自作主张改掉矛盾。所以任务侧重点就升级到思考和处理能力，看看模型是否会为了省事，直接将错就错输出答案。

交付成果

DeepSeek V4 Flash

这轮任务中 DeepSeek V4 Flash 工作效率为8分。任务完成速度快，一轮输出完整答案。

但结构化整理能力只有7分。表格框架虽然正确，只是时间字段格式不统一。

格式规范合规为8分，数据整齐，无编造信息，备注信息均摘自原文，很完整。

其业务逻辑能力达到8分。3处冲突成功验出，没有掩盖矛盾，数据和原始素材对齐，业务状态校验逻辑闭环完整。

Qwen 3.8-Flash

这轮任务中Qwen 3.8-Flash工作效率是8分。任务完成速度快，一轮输出。结构化整理能力达到8分。虽然区间字段不统一，但是对于没有结束时间的任务，有明确标注。

格式规范合规是9分。无编造信息，且备注详细完整，每一项都写了备注。

业务逻辑能力是8分。3处冲突成功验出，没有掩盖矛盾，数据和原始素材对齐，业务状态校验逻辑闭环完整。

GLM-5.3 Flash

这轮任务中GLM-5.3 Flash 工作效率是8分。任务完成速度快，一轮输出。

结构化整理能力：7 分。表格框架正确，时间字段格式不统一。

格式规范合规是7 分。数据整齐，无编造信息，备注信息有所简化。

业务逻辑能力是9 分。3处冲突成功检出，没有掩盖矛盾，数据和原始素材对齐，业务状态校验逻辑闭环完整。

这一场 Qwen3.8-Flash 以小幅领先，优势在细致度：它为每一条记录都写了备注，对没有结束时间的任务也做了明确标注。

综上看，要说"谁是真正的斩杀线"，这轮不完整的测试没能给出唯一答案，但能看出来，每家的斩杀线其实代表不同的含义。

GLM 斩的是价格与开源，DeepSeek 斩的是缓存与长程任务，Qwen 斩的是稳定性与多模态。三个实力玩家画了三个不同维度斩杀线，各自守住一块特色能力。

实际选择中，还要看自己业务的需求匹配度。

往期关注：