Kimi K3 稱霸 WebDev 全球第一，Dsv4正式版灰度測試（海外評論）

一、7 月 16 日，Kimi K3 以 Elo 1679 分登頂 Arena.ai WebDev 人類偏好評測榜，成爲該榜首個奪魁的開源權重模型。當前結果基於 1,757 票，置信區間 ±17，官方標註爲"preliminary"，隨投票持續累積，排名仍有小幅調整空間

二、得分分佈上，K3（1679）領先 Claude Fable 5（1631）48 分，高於 GPT-5.6 Sol（1618）61 分，兩項差值均超出置信區間。接着通用智能體測試（最高檔位）電子表格處理、職場任務、自動化操作、視覺問答等多項基準測試，橫向對比

三、代際躍升方面，K2.6 同榜 Elo 僅爲 1515 分、排名第 18，K3 單代提升 164 分、晉升 17 位。但需指出：K3 全程採用 max reasoning 配置，Terminal-Bench 2.1 等獨立基準目前仍將 Fable 5 與 GPT-5.6 Sol 排於 K3 之前，WebDev（前端網頁開發）之外的能力還是有差距

Elo 分：對戰積分制，贏加分輸扣分，數值越高實力越強，類似段位排名。
max reasoning 配置：模型的"滿血深度思考模式"，比日常默認檔性能更強，但普通用戶實際體驗會低於這個成績。
Terminal-Bench 2.1：獨立第三方評測集，自動化腳本客觀打分，與 Arena.ai 人類投票邏輯不同，結論可能相反。
harness（測評腳手架）：運行模型時包裹在外的工具框架。K3 用 KimiCode、Claude 用 Claude Code，相當於同一道題不同環境作答，分數不完全等價。

四、DeepSeek V4 正式版於 7 月中旬上線，B 站早期測評在 11 款模型橫評中稱代碼生成質量"非常驚豔"。預覽版第三方數據顯示，V4-Pro 在 Vals Vibe Code Benchmark 中奪得開源權重首位，較 V3.2 躍升約 10 倍；但 Arena.ai 代碼競技場綜合仍列第 14 位，與閉源旗艦仍有差距。正式版同步引入峯谷分時定價（高峯期翻倍），可信爆料指出昇騰 950 超節點量產後有望進一步降價