Короткий ответ: для текста, кода и массовых циклов агента первым испытайте DeepSeek V4 Flash. Если задача обязательно включает изображения, схемы, отсканированные документы или видео, выбирайте Kimi K3. GLM-5.2 стоит дороже Flash, но намного дешевле K3 по прямому официальному тарифу; он оправдан, когда на вашем репозитории даёт больше принятых результатов и меньше переделок.
Это не универсальный рейтинг. Все три модели заявляют контекст примерно в миллион токенов. Решение меняют не размеры окна сами по себе, а модальность, режим рассуждения, цена, инструменты и итог в конкретном агентном окружении.
Цены и возможности проверены 6 августа 2026 года и могут измениться.
Сначала отсеките модель, которая не выполняет обязательное условие
| Условие | Разумный первый кандидат | Ограничение |
|---|---|---|
| Текст, код, частые вызовы | DeepSeek V4 Flash | Качество всё равно нужно подтвердить на рабочих задачах |
| Изображения или видео входят в контекст | Kimi K3 | Значительно более высокий прямой тариф на токены |
| Сложный coding-агент, Flash требует много ремонта | GLM-5.2 | Доплата имеет смысл только при лучшем принятом результате |
| Нужна специфическая функция провайдера | Прямой официальный API | Агрегатор может не повторять весь contract |
Проверьте имя модели. deepseek-v4-flash — не DeepSeek V4 Pro, а kimi-k3 — не Kimi K2.5 или K2.6. Сравнение цены Flash с баллом Pro или текущего K3 со старой ценой K2 не отвечает на исходный вопрос.
В официальном тарифе DeepSeek для Flash указаны thinking и non-thinking, tool calls, JSON и максимум 384K выходных токенов. Карточка DeepSeek V4 Flash описывает MoE с 284B общих и 13B активных параметров и лицензию MIT.
Тариф Kimi K3 указывает постоянное рассуждение с reasoning_effort уровня low, high или max. Карточка Kimi K3 описывает нативную мультимодальность, 2,8T общих и 104B активных параметров. У весов своя Kimi K3 License, а не MIT.
Карточка GLM-5.2 выделяет длинные coding-задачи, гибкий уровень рассуждения, контекст 1M и локальный запуск под MIT. Эти сведения помогают выбрать испытание, но не доказывают победу на вашем проекте.
Сколько стоит одинаковая структура запроса
Возьмём нагрузку с 1 млн некэшированных входных и 100 тыс. выходных токенов. По официальным прямым ценам расчёт выглядит так:
- DeepSeek V4 Flash:
1 × $0,14 + 0,1 × $0,28 = $0,168; - Kimi K3:
1 × $3,00 + 0,1 × $15,00 = $4,50; - GLM-5.2:
1 × $1,40 + 0,1 × $4,40 = $1,84.
Это не счёт за подписку и не тариф стороннего маршрутизатора. В примере нет налогов, цены инструментов, записи кэша, повторных попыток и наценки хостинга.
Для рабочего решения используйте две формулы:
цена попытки = input + cached input + output + tools + retries
цена принятого результата = цена всех попыток / число результатов, прошедших проверку
Если дешёвая модель трижды не проходит тесты, её низкая цена запроса не превращается автоматически в низкую цену работы. Kimi, наоборот, должен компенсировать дорогой текстовый вывод измеримым снижением вмешательств или способностью решить мультимодальную задачу, которую другие кандидаты не выполняют.
Кэш сравнивайте по фактическому счётчику
На дату проверки кэшированный ввод стоит $0,0028/M у DeepSeek, $0,30/M у Kimi и $0,26/M у GLM. Стабильный системный prompt, карта репозитория или общий пакет документов может заметно изменить экономику.
Но наличие кэша не означает попадание всего prompt. Записывайте cached tokens, которые вернул провайдер, и отделяйте постоянный префикс от меняющихся результатов инструментов и истории. У стороннего API могут быть свои правила — тогда применяйте его тариф, а не официальный upstream.
Когда выбирать каждую модель
DeepSeek V4 Flash: дешёвый способ увеличить выборку
Flash подходит для задач с ясной проверкой: исправление ошибки в нескольких файлах, функция с тестами, преобразование данных, повторяющиеся инструментальные операции. Низкая цена позволяет прогнать не один эффектный пример, а 20 репрезентативных задач.
Для простого преобразования можно начать с non-thinking, а для планирования и отладки — с thinking. Не выводите скорость из 13B активных параметров: очередь провайдера, оборудование, длина ответа и поведение агента влияют на время не меньше.
Kimi K3: мультимодальность как обязательный критерий
Если агент должен понимать интерфейс на скриншоте, диаграмму, отсканированный PDF или видео, нативная мультимодальность K3 сокращает искусственные обходные пути. В таком сценарии отдельный OCR или внешняя vision-модель уже создают другую систему и другой бюджет.
Для чистого текста требуйте доказуемую пользу: меньше ручных исправлений, выше доля принятых результатов или выполнение действительно длинной работы. Перед загрузкой производственных медиа заново проверьте форматы hosted API: карточка открытых весов и контракт облачного endpoint — не одно и то же.
GLM-5.2: претендент средней цены
GLM-5.2 логично добавить, если Flash зацикливается, забывает правила репозитория или создаёт слишком много ремонта. Гибкое усилие рассуждения позволяет искать баланс между сложностью и задержкой.
Средняя цена сама по себе не преимущество. Если GLM и Flash дают одинаковую приёмку, выбирайте более дешёвый или более простой в эксплуатации вариант. Доплата доказана только тогда, когда преимущество повторяется на второй рабочей выборке.
Почему публичные бенчмарки дают разные ответы
Таблицы вендоров полезны как список гипотез. Но в разных строках могут отличаться:
- agent harness, выбор файлов и сжатие контекста;
- уровень рассуждения, temperature и максимальный ответ;
- доступ к сети, shell и другим инструментам;
- версия задач, judge, timeout и критерий успеха;
- прямой или сторонний провайдер, кэш и retry policy.
Поэтому лидер одного coding-теста может уступать в другом длинном задании. Число без открытого набора задач и конфигурации не годится для закупки. Оно лишь подсказывает, какую гипотезу проверить.
Проведите одинаковое испытание на 10–30 приватных задачах
Подберите небольшие, но реальные задания: многофайловый bug fix, ограниченную функцию с тестами, анализ документов и данных или процесс с несколькими tool calls.
- Начинайте с одного commit, одних файлов, инструкции и ожидаемого результата.
- По возможности используйте одинаковый класс провайдера, а не бесплатный перегруженный endpoint против платного быстрого.
- Зафиксируйте инструменты, контекст, effort, timeout и бюджет повторов.
- До запуска определите приёмку: tests, schema, факты, визуальная проверка или бизнес-условие.
- Запишите pass/fail, вмешательства, полное время, input/output/cached tokens, инструменты и retries.
- Повторите спорные задачи и сравните стоимость принятого результата.
| Метрика | Что фиксировать |
|---|---|
| Приёмка | Пройденные и проваленные проверки |
| Работа человека | Уточнения, исправления, approvals, перезапуски |
| Время | От старта до принятого результата |
| Расход | Некэшированный ввод, кэш, вывод, tools и retries |
| Трение | Ошибки tool calls, потеря контекста, отказы |
Прекращайте сравнение, если модель не поддерживает обязательную модальность, превышает бюджет или повторно выигрывает на второй выборке. При разнице в пределах обычного разброса оставьте более дешёвую модель по умолчанию.
Итог: кому дать первую рабочую выборку
Для большинства текстовых и coding-процессов первую выборку получает DeepSeek V4 Flash. Kimi K3 нужен там, где мультимодальность или ценная длинная работа оправдывают высокий тариф. GLM-5.2 — практичный второй кандидат, если он уменьшает ремонт в вашем репозитории.
Для точных режимов рассуждения, кэша и мультимодальности используйте официальные API. Если нужен единый OpenAI-compatible интерфейс, документация LaoZhang API описывает общий API и Models endpoint; сначала проверьте актуальный список моделей. Для сравнения с западными coding-агентами можно открыть русскую статью GPT-5.6 Sol или Claude Fable 5.