Kimi K3 称霸 WebDev 全球第一，Dsv4正式版灰度测试（海外评论）

一、7 月 16 日，Kimi K3 以 Elo 1679 分登顶 Arena.ai WebDev 人类偏好评测榜，成为该榜首个夺魁的开源权重模型。当前结果基于 1,757 票，置信区间 ±17，官方标注为"preliminary"，随投票持续累积，排名仍有小幅调整空间

二、得分分布上，K3（1679）领先 Claude Fable 5（1631）48 分，高于 GPT-5.6 Sol（1618）61 分，两项差值均超出置信区间。接着通用智能体测试（最高档位）电子表格处理、职场任务、自动化操作、视觉问答等多项基准测试，横向对比

三、代际跃升方面，K2.6 同榜 Elo 仅为 1515 分、排名第 18，K3 单代提升 164 分、晋升 17 位。但需指出：K3 全程采用 max reasoning 配置，Terminal-Bench 2.1 等独立基准目前仍将 Fable 5 与 GPT-5.6 Sol 排于 K3 之前，WebDev（前端网页开发）之外的能力还是有差距

Elo 分：对战积分制，赢加分输扣分，数值越高实力越强，类似段位排名。
max reasoning 配置：模型的"满血深度思考模式"，比日常默认档性能更强，但普通用户实际体验会低于这个成绩。
Terminal-Bench 2.1：独立第三方评测集，自动化脚本客观打分，与 Arena.ai 人类投票逻辑不同，结论可能相反。
harness（测评脚手架）：运行模型时包裹在外的工具框架。K3 用 KimiCode、Claude 用 Claude Code，相当于同一道题不同环境作答，分数不完全等价。

四、DeepSeek V4 正式版于 7 月中旬上线，B 站早期测评在 11 款模型横评中称代码生成质量"非常惊艳"。预览版第三方数据显示，V4-Pro 在 Vals Vibe Code Benchmark 中夺得开源权重首位，较 V3.2 跃升约 10 倍；但 Arena.ai 代码竞技场综合仍列第 14 位，与闭源旗舰仍有差距。正式版同步引入峰谷分时定价（高峰期翻倍），可信爆料指出昇腾 950 超节点量产后有望进一步降价