同一道题，我让 MiMo V2.5、DeepSeek V4 Flash、GPT-5.6 Luna 各做了一次
不跑 benchmark，不问算法题。同一份需求、同一个空目录、同样的工具权限、全程无人干预—— 三个模型各自交出一个能用的网页。题目、成品、源码、验收脚本、原始用量数据，全部公开。
01三份成品，自己点开看
下面三个页面功能完全一样，都是"输入你的 Token 用量，算出 DeepSeek 调价前后的月成本"。 风格差异全部来自模型自己的选择——题目里一个字都没规定长什么样。
02三个数字，先看结论
能不能做对？三家都能
13 / 1313 项机器验收——计算结果核验、手机端无横向滚动、零外部依赖、非法输入不冒 NaN…… 三家全部满分。差别不在能不能做对。
Flash 的输出是 MiMo 的 11 倍
96,649 vs 8,350输出 Token 是最贵的一档（调价后 ¥9/百万）。同样做完一道题， 写得多不等于写得好——三家产物都通过了同一套验收。
套餐这边，几乎没感觉
1 %MiMo 做完整道题，只吃掉 opencode go 5 小时套餐的 1%，月额度纹丝不动。 按这个强度，套餐一天能扛几十上百次这样的任务。
03完整数据
每一行都可复核：DeepSeek 侧走独立评测 API key（后台可按 key 查）、MiMo 侧走网关逐请求日志、 Luna 侧走 codex 会话记录。三边计费方式不同，成本分开列，不硬凑成一个数字。
| 指标 | DeepSeek V4 Flash | MiMo V2.5 | GPT-5.6 Luna |
|---|---|---|---|
| 计费方式 | API 按 Token 真实付费 | opencode go 套餐（按请求） | ChatGPT Plus 套餐 |
| 完成耗时 | 7 分 17 秒 | 4 分 12 秒 | 3 分 45 秒 |
| 总 Token | 3,592,952 | 2,223,940 | 497,766 |
| 其中 · 输出 | 96,649 | 8,350 | 9,798 |
| 其中 · 命中缓存 | 3,388,288 | 520,000 | 432,384 |
| 真实花费 | ¥1.53 | 套餐内 · 5h 额度 1% | 套餐内 |
| 若都按调价后价折算 | ¥1.53 | ≈ ¥5.20 | ≈ ¥0.30 |
| 产物 | 3 文件 / 979 行 | 1 文件 / 731 行 | 5 文件（含 2 个自测脚本） |
| 是否自验 | — | 自己截图核对 | 自己写测试脚本跑 |
| 机器验收 | 13 / 13 | 13 / 13 | 13 / 13 |
| UI 视觉 | 不由我评分 —— 交给你投票，见文末 | ||
🔴 一条反直觉的发现：MiMo 便宜，不是因为模型便宜
- Flash 的输入有 97% 命中缓存（¥0.10/百万），所以它 359 万 Token 只花了 ¥1.53。
- MiMo 经网关几乎不命中缓存，同样的量若按 Token 计费要 ≈¥5.20——比 Flash 更贵。
- 它之所以省钱，靠的是 opencode go 按「请求数」计费这个计费模式， 把"每轮重发一遍上下文"那部分成本直接归零，与模型本身便不便宜无关。
04怎么保证公平
- 题目开考前冻结：TASK.md 连同标准答案一起写死，SHA256
753f04c2…， 全程不因为某个模型犯了什么错而事后追加验收项。 - 输入完全等价：三边都只拿到同一份 TASK.md，都从空目录开始， 都只发同一句「读 ../TASK.md，在当前目录完成它。」——不写任何额外提示文件。
- 零人工干预：三边统一自动批准权限。第一轮 MiMo 因为要人工点确认， 等待时间混进了耗时，那组数据已作废并重跑，原始记录保留。
- 13 项验收全部机器判定：用 Playwright 真开浏览器测计算结果、测 375px 横向滚动、 测非法输入。不是 AI 打分，脚本公开可复现。
- 连尺子本身也验了：验收脚本第一版三家全卡在同一项，排查发现是脚本自己的 bug （前一项测试改了输入框，污染了后一项）。修好后三家才都是 13/13。这个过程也记录在案。
- 🔴 一个对我们不利、但必须说的差异：Claude Code 不认识
mimo-v2.5这个模型名， 默认按 200K 上下文处理，所以 MiMo 跑到 19.8 万 Token 时触发了一次上下文压缩； 而deepseek-v4-flash[1m]的后缀被识别为 1M，Flash 全程没压缩。 这是工具配置差异，不是模型能力差异（MiMo 实测能吃 72 万）。 三家最终都是 13/13，压缩没有影响结果，但这个不对等如实披露。 现已通过CLAUDE_CODE_MAX_CONTEXT_TOKENS修正，下一轮不会再有。 - 口径不混淆：DeepSeek 按 Token 真实付费能算出人民币；opencode go 和 ChatGPT Plus 是套餐， 只能算"吃掉套餐的百分之几"。表里分开列，另给一列"若都按 Token 计费"的折算值供横向比较。
05轮到你了
机器能判的 13 项，三家都满分。唯一分不出高下的是 UI——而这一项我故意不打分， 因为"评测者偏爱某个模型"是这类横评最容易被质疑的地方。三个成品都在上面，你自己点开看， 然后去评论区投一票：哪个页面你更愿意用？
下一期预告
- 同一张真实生产工单丢给它们做（不是从零写页面，是在一个 5000+ 行的现有代码库里改东西）—— 那才是真正拉开差距的地方。
- 我们自己怎么把一单的 Token 从 2197 万压下来的：一次整读大文件是乘法不是加法， 优化前后的真实数据对比。