更新说明（2026-07-30）：本次更新使用统一的九类任务重新测试六款广受关注的主流 AI 助手，并重做评分、速度观察、适用场景与最终结论。
测试范围：本文测的是聊天产品的网页版，六款统一用免费账号访问，所以结论覆盖的是「打开产品直接用」这一层，不是付费档位、也不是 API 或底层模型跑分。想看模型层的推理、长上下文与成本对比，见面向工程师的 LLM 模型选型横评；只关心国内产品的读者可看国内 AI 工具横评。
结论先说：同一套 9 类任务跑完后，内容质量分依次是 Kimi 93、ChatGPT 82、Claude 75、Gemini 73、DeepSeek 69、GLM-5.2 69。但这不等于“Kimi 无条件第一”：它多道题等待 1–3 分钟，联网题经历长时间搜索，页面还在高峰期自动降级到 K2.6 快速。ChatGPT 不是最高分，却是本轮质量、速度和稳定性最均衡的通用选择。
六款产品各有明确短板。Gemini 的图表、代码和多轮改写不错，PDF 却漏掉关键限定，免费额度用尽后还自动回落到 Flash-Lite；Claude 表达和调试稳定，但两次没有守住字数；DeepSeek 的并发代码满分，图表题却虚构 Team C；GLM-5.2 的文本与代码几乎全对，上传 PDF 后却回答了完全无关的项目。Kimi 最终答案质量最高，但不能把“答得对”与“高峰期能按时交付”混为一谈。
这不是底层模型排行榜。它回答的是一个更实际的问题：普通用户打开这些聊天产品后，面对写作、文件、图表、联网和代码任务，哪一个更可靠？
30 秒选型：先按任务选，不要只看总分
| 你的主要需求 | 优先考虑 | 本轮需要注意 |
|---|---|---|
| 默认日常使用，速度与稳定性优先 | ChatGPT | 联网研究仍要逐条核对来源 |
| 最终答案质量优先，可以等待 | Kimi | 多题等待 1–3 分钟，高峰时会降级 |
| 快速文本、抽取与独立代码生成 | DeepSeek | 图表和限定来源的联网题风险较高 |
| 图表、代码与严格多轮改写 | Gemini | 免费额度用尽后可能回落到轻量模型 |
| 表达、解释与 React 调试 | Claude | 容易超过指定字数 |
| 纯文本与代码，且愿意核验文件上下文 | GLM-5.2（Z.ai） | 本轮 PDF 串档、Agent 高峰失败 |
如果正在两款之间犹豫，可继续看站内的 ChatGPT vs Claude、ChatGPT vs Gemini、Claude vs Gemini 和 DeepSeek vs Kimi 一对一对比。
测试环境准备
六款产品统一使用同一台 MacBook、macOS 26.5.1、Chrome 150 和同一个洛杉矶网络出口访问，均为免费账号。每题使用新会话，只有多轮修改题回到写作题的原会话。
| 产品 | 本次实际界面状态 | 联网题 | 其他题 |
|---|---|---|---|
| ChatGPT | Free；界面未披露底层模型 | 手动开启网页搜索 | 关闭搜索，按默认模式 |
| Claude | Free；界面显示 Sonnet 5 Medium | 开启 Web search | 关闭 Web search；Memory 暂停 |
| DeepSeek | 网页免费版；快速模式，未披露底层模型 | 开启智能搜索 | 关闭智能搜索与深度思考 |
| Gemini | 无 AI 付费计划；01–03 复测时仅 3.5 Flash-Lite 可用；04–09 开始时为 3.1 Pro | 使用产品内联网能力 | 3.1 Pro 与 3.6 Flash 达到免费上限后自动回落到 Flash-Lite |
| Z.ai | 已登录网页；常规题显示 GLM-5.2、深度思考“最高” | GLM-5.2 Agent 高峰失败；改用 GLM-5-Turbo 后工具调用超时 | Chat 模式完成其余八题 |
| Kimi | 已登录网页；高峰时自动切到 K2.6 快速 | 常规联网模式最终完成；深度研究曾排队失败 | 快速模式完成其余八题 |
这里特意记录“产品界面显示什么”，而没有擅自把 ChatGPT、Claude、DeepSeek 的产品名等同于某个 API 模型。聊天产品可能动态路由模型，也可能随账号、地区、容量和发布时间变化。官方页面也明确提示免费额度和模型可用性会调整：ChatGPT 套餐说明、Claude Pro 地区价格说明、Gemini Apps 限额说明。
评分方法：能力分与速度分开
总分 100，九类任务权重如下：中文写作 12、JSON 抽取 10、约束规划 10、联网研究 14、TypeScript 代码 16、React Debug 14、PDF 阅读 12、图表理解 7、多轮修改 5。
数字、JSON、约束与图表按答案键核验；代码检查并发上限、错误传播、取消、竞态和 HTTP 错误；写作与研究题检查事实边界、结构和来源纪律。速度、订阅价格、额度与地区可用性单独展示，不折算成能力分。
为便于第三方复核，我们已将九道完整提示词、两份测试附件、固定题答案键、归档版评分细则、逐题得分、54 个“产品 × Case”证据状态和脱敏截图公开在 GitHub 复核资料包。资料包同时明确记录限制：目前没有保存六款产品 54 次回答的完整可复制原文，评分细则也是测试后整理而非预注册。因此，公开材料提高了可追溯性，但不能把这次实测描述成完全可复现的实验。
| Case | 权重 | ChatGPT | Claude | DeepSeek | Gemini | GLM-5.2 | Kimi |
|---|---|---|---|---|---|---|---|
| 01 中文写作 | 12 | 8 | 8 | 7 | 8 | 12 | 12 |
| 02 JSON 抽取 | 10 | 10 | 10 | 10 | 10 | 10 | 10 |
| 03 约束规划 | 10 | 10 | 9 | 9 | 4 | 10 | 10 |
| 04 联网研究 | 14 | 4 | 2 | 1 | 4 | 0 | 7 |
| 05 TypeScript 代码 | 16 | 13 | 12 | 16 | 16 | 16 | 16 |
| 06 React Debug | 14 | 14 | 14 | 9 | 12 | 14 | 14 |
| 07 PDF 阅读 | 12 | 12 | 10 | 12 | 7 | 0 | 12 |
| 08 图表理解 | 7 | 7 | 7 | 2 | 7 | 4 | 7 |
| 09 多轮修改 | 5 | 4 | 3 | 3 | 5 | 3 | 5 |
| 总分 | 100 | 82 | 75 | 69 | 73 | 69 | 93 |
分数不是“智商值”，也不包含速度和高峰可用性。例如 Kimi 的答案分最高，却是本轮等待最久的产品之一；DeepSeek 在代码生成题满分，却因联网和图表两道高风险任务失分；GLM-5.2 与 DeepSeek 同为 69 分，失分原因却完全不同。
写作、JSON 抽取与约束规划：基础题差距不大
中文写作
六款产品都理解了“不要只看排行榜”的核心事实，也没有使用禁词或编造价格。真正拉开差距的是严格格式：
- ChatGPT 的有效回答出现了 4 个小标题，而题目要求正好 3 个，总长度也未落入 320–380 个汉字。
- Claude 的原始回答结构清楚、类比自然，但长度不足；为恢复隐私窗口中无法保留的上下文，后续多轮题重新跑了一组连续会话，重跑首轮又超出字数。
- DeepSeek 的内容最丰富，但明显超长，而且实际用了 4 个小标题。
- Gemini 有 3 个小标题，但篇幅不足。
- GLM-5.2 与 Kimi 都满足字数、标题、三个小标题、类比和两条建议；Kimi 虽然拿到满分，但完成前进行了数分钟的反复改写。
这道题给出的第一条选型提醒是：“写得好”与“按要求交付”不是一回事。用于 CMS、广告位或固定字数摘要时，后者往往更重要。
JSON 抽取
六款产品全部输出合法 JSON，日期、布尔值、预算拆分、负责人和 null 截止日期均正确，没有夹带解释文字。这是本轮最没有争议的一题。
约束规划
ChatGPT、Claude、DeepSeek、GLM-5.2 与 Kimi 都给出了可执行日程；ChatGPT、GLM-5.2 与 Kimi 得到满分。Claude 重复了一次开场句；DeepSeek 自行给会议加了名称和日期。Gemini Flash-Lite 则出现实质性错误：表格把必须连续的 A、B 拆开，给 A 重复安排时长，还在验证段提出另一套修正时间却没有更新表格，因此只有 4/10。
图 1：Gemini 在验证段发现 B 不应跨午休，却没有修正前面的表格；A、C 和空闲时间也出现前后不一致。
联网研究：六款 AI 都没有完全通过
联网题要求只使用 OpenAI、Google、Anthropic、DeepSeek 官方域名，并为每一行提供直接支持结论的来源。这是本轮最难的一题，也是最能暴露“看起来像研究”与“真正可核验”差别的一题。
图 2：ChatGPT 能给 OpenAI 行提供直接链接，但其余公司缺少逐行官方引用，部分信息也已落后于测试日期。
- ChatGPT：4/14。 OpenAI 行给出了可点击官方链接，但 Google、Anthropic、DeepSeek 行没有满足“每行至少一个官方来源”，而且把旧型号当成截至测试日的最新型号。
- Claude：2/14。 表面上给了大量链接，但 Google 行直接采用了非官方媒体，且出现无法由所列官方页面支持的产品名称与事件。
- DeepSeek：1/14。 搜索了 15 个页面，但来源包含 Yahoo、AI Wiki、云服务商博客、聚合站等，直接违反“只用官方域名”；回答还把预测和非官方消息写进了结论。
- Gemini：4/14。 每行都给了官方链接，但核心型号明显落后于测试日期，仍把 GPT-4o、Gemini 1.5 Pro、Claude 3.5 Sonnet 和 DeepSeek-V3/R1 当成最新结果。
- GLM-5.2：0/14。 Agent 两次因高峰负载无法启动；切到界面推荐的 GLM-5-Turbo 后，代理生成了与任务无关的代码，
web_search工具在 30 秒后超时，最终没有交付表格。 - Kimi：7/14。 常规联网模式最终生成了四行表格，也限定在官方域名，但耗时约 3 分钟；多处 URL 只是文本而非可点击引用，Anthropic 的团队页不能直接支撑模型和价格结论，部分价格还用了“约”或 “from”，所以只拿到一半分数。
图 3：Kimi 是六款中联网题完成度最高的，但来源与具体结论仍不能逐项闭环。
所以，联网回答里最重要的不是引用图标数量，而是逐条检查：来源是不是允许的域名、链接是否真的支持这句话、发布日期是否是事件发生日、产品名与底层模型名是否混淆。
代码能力：写 TypeScript 和改 React 各有胜负
TypeScript 题要求实现带并发上限的 mapLimit。DeepSeek、Gemini、GLM-5.2 与 Kimi 的实现都保持结果顺序、同步校验 limit，首次失败后停止启动新任务，并正确处理已启动 Promise 的拒绝，因此均拿到 16/16。
ChatGPT 与 Claude 的实现主体正确，但都倾向于等已经运行的任务结束后再拒绝外层 Promise，没有严格做到“第一个错误一经观察即拒绝”；Claude 的状态计数写法还更绕，因此分别得到 13/16 和 12/16。
React Hook 调试题则反过来：
- ChatGPT、Claude、GLM-5.2 与 Kimi 都正确加入
[query]依赖、空字符串短路、encodeURIComponent、AbortController、response.ok检查，并阻止旧请求覆盖新结果，均为 14/14。 - Gemini 覆盖了依赖、编码、取消、非 2xx 与
AbortError，但只依赖AbortController，没有额外的旧请求结果忽略标记；在响应与清理竞态下仍有小风险，得到 12/14。 - DeepSeek 在新请求开始时会取消旧请求，但当新
query变为空字符串时先返回，旧控制器没有被及时取消；旧请求仍可能回写状态，因此为 9/14。
如果主要用途是一次性生成独立算法，DeepSeek、Gemini、GLM-5.2 与 Kimi 这轮都很强；如果是修改已有 React 状态逻辑，ChatGPT、Claude、GLM-5.2 与 Kimi 更完整。
PDF 阅读：Kimi、ChatGPT 与 DeepSeek 完整通过，GLM 串档
PDF 题使用一份 8 页的虚构项目报告，要求逐题标页码，并跨页核对指标、成本、口径变更、P0 事故与停止扩量条件。ChatGPT、DeepSeek 与 Kimi 准确找到了：
- 6 月 Web 自动解决率 74.2%、引用覆盖率 95.0%（第 3 页）；
- 最大一次性成本为“模型推理与压测”18.6 万元，占 39.1%（第 4 页）；
- 事故根因是缓存键遗漏
tenant_id，可能影响 43 条回答，暂停 2 小时 15 分（第 6 页）； - 21.12 万元毛节省减去 8.32 万元运营成本，得到每月 12.8 万元净节省；该数字未计一次性投入及摊销。
图 4：ChatGPT 正确给出数字、计算过程和 PDF 页码。
ChatGPT、DeepSeek 与 Kimi 完整满足题目；Claude 的事实和页码正确，但最后要求 120–160 个汉字的总结明显超长，因此扣 2 分。
Gemini 能找出 74.2%、95.0%、18.6 万、39.1% 和 12.8 万元等数字，却把成本项名称写成“文档中未找到”，把 2 小时 15 分缩成“15”，也没说明净节省未包含一次性投入及摊销，因此只有 7/12。GLM-5.2 更严重：上传框显示了正确文件名，回答却变成完全无关的“Safe Train 6724”项目，记 0/12。
图 5：Gemini 能读到多数数字，但缺少成本名称、事故单位和排除项，不能当作完整的项目结论。
图表理解：DeepSeek 出现本轮最严重幻觉
图表包含 Team A、Team B 的 1–6 月完成率，并明确标出 4 月起切换到 evaluation set v2。正确答案包括：3 月 A=71%、B=67%；6 月 A=82%、B=79%；方法变化前最大环比为 A 在 1→2 月提升 6 个百分点；6 月 A 比 B 高 3 个百分点，相对提升约 3.8%。
ChatGPT、Claude、Gemini 与 Kimi 全部识别正确，也能把“图中直接可见事实”和“计算或推断”分开。
图 6：Gemini 正确读出四个关键值、最大单月提升和 3.8% 相对提升，并识别评估集切换。
图 7：DeepSeek 正确抄录了题目点名的四个数值，却声称图中存在 Team C，并漏掉清晰可见的 v2 方法变更标记。
DeepSeek 不仅说“图中未标明方法变化”，还凭空列出 Team C 的六个月数据。这类错误比普通计算失误更危险：答案很完整、语气很确定，但依据并不存在。处理财务图、实验图或运营看板时，应该把“是否出现图中没有的系列、标签或注释”列为人工复核项。
图 8：Claude 正确识别 4 月评测集变化，并解释为什么 3→4 月不可直接比较。
GLM-5.2 正确读出 6 月 A=82%、B=79%，也算对 3 个百分点和约 3.8%，但把 3 月数据误读为 A=68%、B=63%，又把累计提升当成单月环比，只得 4/7。Kimi 七个检查点全部通过。
多轮修改：只有 Kimi 与 Gemini 完整通过
第二轮把读者从普通用户改成企业 AI 采购负责人，要求删除生活化类比、保留三个小标题、加入测试公平性或版本变化提示，并把总长度压到 180–220 个汉字。
六款都保留了原素材事实，删除了类比，没有添加具体排名、价格或市场份额，也加入了版本风险提示。但按“标题、小标题与正文整体计数”：
- ChatGPT 为约 244 字，最接近上限；
- Claude 约 301 字；
- DeepSeek 约 308 字。
- Gemini 为 199 字，Kimi 为 211 字，均保留三个小标题并完整通过。
- GLM-5.2 的内容和风险提示正确，但三个小标题结构不够明确，得到 3/5。
因此只有 Gemini 与 Kimi 完整通过。多轮会话能记住主题，不代表能自动消解新旧约束；对字数、字段、模板这类硬限制，最好在输出后增加程序校验。
Kimi、GLM-5.2 与 Agent 模式：能力和可用性一起看
对 Kimi 与 GLM-5.2 的评测采用相同题目和评分口径，同时检查两个层面：常规聊天能力是否可靠，以及产品宣传的 Agent／深度研究在免费账号、高峰时段能否真正启动。
GLM-5.2：文本与代码很强，文件题出现不可接受的串档
Z.ai 的常规 Chat 模式在写作、JSON、排程、TypeScript 和 React Debug 五题全部拿到满分。写作题符合 320–380 字、三个小标题、类比和两条建议；JSON 与规划没有事实或约束错误；两道代码题也正确处理了并发、拒绝、取消、竞态和非 2xx 状态。多轮题保留了事实、读者变化和版本风险提示，但没有明确保留三个小标题，得到 3/5。
真正的问题出在文件理解。上传测试 PDF 后，界面正确显示文件名 case07_northstar_report.pdf，但 GLM-5.2 随后输出了一个完全无关的“Safe Train 6724：三只羊”项目完成报告，包含 82 篇知识库文档、四个角色等 PDF 中不存在的信息。这不是页码或数字抄错，而是整份上下文串到无关内容，因此 PDF 题为 0/12。
图 9：上传文件名正确，但回答内容与测试 PDF 完全无关；这类串档错误不应通过“部分正确”弱化。
图表题表现好一些：GLM-5.2 正确读出 6 月 A=82%、B=79%，也算对 3 个百分点和约 3.8% 的相对提升，并识别了 4 月切换 evaluation set v2。但它把清晰标注的 3 月数据误读为 A=68%、B=63%，还把“1 月到 3 月累计提升”当成“最大单月环比”，所以只得 4/7。
图 10：GLM-5.2 算对了 6 月差值和相对提升，却把 3 月的 A=71%、B=67% 读成 A=68%、B=63%。
Kimi：内容质量第一，交付速度却是最大短板
Kimi 九题全部完成，写作、JSON、规划、两道代码、PDF、图表和多轮修改都拿到满分。它不仅能从 PDF 跨页找齐数字、页码和成本排除项，图表题也完整区分了可见事实与计算结论。唯一明显失分是联网研究：最终表格结构完整，但引用并非都可点击，部分来源不能直接支持同一行的模型、日期与价格。
问题在等待体验。写作题经过超过 3 分钟的反复计算才交付最终成稿；TypeScript、React、PDF、图表和多轮改写也多次等待约 1–3 分钟。页面还明确提示“高峰时段算力不足，已切换至 K2.6 快速”。所以 93/100 代表答案质量最高，不代表它是最适合有截止时间任务的产品。
图 11：Kimi 已形成可用草稿后仍继续计算字数和替换术语，最终答案正确，但等待成本很高。
Agent 模式：功能入口很多，不等于当下可执行
两家都把 Agent 做成独立产品入口。Z.ai 的 Agent 模式提供聊天应用、全栈开发、智能写作、数据洞察，并可连接飞书或微信；Kimi 则提供集群、深度研究、文档、网站、表格、Kimi Work、Kimi Code 与 Kimi Claw。
实际用同一份官方来源研究题启动时，Z.ai Agent 返回“当前模型使用人数较多”，要求稍后再试或切到 GLM-5-Turbo；切换后，代理的 web_search 工具仍然超时。Kimi 深度研究曾提示聊天人数过多，会员可进入优先队列；改用常规联网聊天后才完成表格。因此 Agent 入口本身不单独加分，联网题只按实际交付结果评分。
图 12：Z.ai Agent 提示“当前模型使用人数较多”，研究任务两次没有启动。
图 13：Kimi 深度研究提示聊天人数过多，会员可进入优先队列；免费账号只能退回常规联网聊天。
图 14：切到 GLM-5-Turbo 后，代理的 `web_search` 工具在 30 秒后超时，最终没有交付表格。
Agent 测试给出的结论很直接：Agent 的价值不只看能调用多少工具，还要看任务能否启动、排队是否可接受、上传文件是否真的进入正确上下文，以及失败时是否能明确恢复。免费版高峰时，Kimi 需要退回常规聊天，GLM 则没有完成研究。
速度观察：同设备下的近似耗时
前四题由用户手动计时，后续桌面题由浏览器操作记录近似完成时间。网络波动、平台排队、上传和页面渲染都会影响结果，所以这里只比较体验量级，不给六款产品硬排精确速度名次。
| 产品 | 本轮可比较的计时记录 | 额外观察 |
|---|---|---|
| ChatGPT | 写作 8 秒；JSON 3 秒；规划 14 秒；联网约 14 秒 | 整轮没有出现分钟级等待 |
| Claude | 写作 35 秒；JSON 7 秒；规划 18 秒；联网未可靠计时 | 前三道纯文本题中整体慢于 ChatGPT 与 DeepSeek |
| DeepSeek | 写作 6 秒；JSON 2 秒；规划 5 秒；联网 10 秒 | 前三道纯文本题最快 |
| Gemini | 写作约 15 秒；JSON 约 12 秒；规划约 15 秒；联网未可靠计时 | 后续桌面题多为 30–60 秒，PDF 约 80 秒 |
| GLM-5.2 | 多数纯文本题约十几到二十多秒；联网没有有效交付 | Agent 高峰无法启动，改用 GLM-5-Turbo 后工具仍超时 |
| Kimi | JSON 约 30 秒；规划约 1 分钟；联网约 3 分钟；写作超过 3 分钟 | 代码、PDF、图表和多轮修改也多次等待约 1–3 分钟 |
DeepSeek 在短文本任务上最快，ChatGPT 的速度与稳定性最均衡，Kimi 则以明显更长的等待换来最高答案分。Gemini 完成多轮题后从 Pro 自动回落到 Flash-Lite，也说明免费额度本身就是体验变量。对于 Agent，最重要的速度指标不只是“生成用了几秒”，还包括任务能否开始并最终交付。
六款 AI 分别适合谁
优先选 ChatGPT 的情况
你经常需要在同一个产品里处理文件、图表、代码调试和多轮修改，希望少踩明显错误。它在本轮综合最稳，但联网研究仍需人工核对来源，免费版还会受容量与功能限制。想先看它和另外两家的逐项差异，可以看 ChatGPT vs Claude 与 ChatGPT vs Gemini，产品档位与访问方式见 ChatGPT 工具页。
优先选 Claude 的情况
你重视中文表达、解释清晰度和 React/TypeScript 代码阅读。Claude 的 PDF 与图表事实准确，缺点是容易写得超过指定长度；需要固定版式时，最好加字数和结构检查。延伸阅读：Claude 工具页、Claude vs Gemini。
优先选 DeepSeek 的情况
你主要做中文问答、结构化抽取、排程和独立代码生成，而且看重响应速度。遇到图表、外部事实或必须限定来源的任务，不应单独依赖这次测试中的快速模式结果。延伸阅读：DeepSeek 工具页、DeepSeek vs Kimi、DeepSeek vs 通义千问。
优先选 Gemini 的情况
你需要图表理解、代码生成和严格的多轮改写，也能接受免费额度触发后模型自动回落。它的 73 分主要被 Flash-Lite 的规划错误和 PDF 题拉低；上传长文档后要逐项核对名称、单位、条件和排除项，复杂排程也应检查表格与验证段是否一致。延伸阅读：Gemini 工具页、Claude vs Gemini。
优先选 Kimi 的情况
你更看重最终答案质量，任务没有很紧的截止时间，并愿意等待较长思考。Kimi 本轮以 93 分最高，PDF、图表、代码和多轮修改都很完整；但高峰自动降级、深度研究排队和分钟级等待，意味着它不适合作为唯一的即时交付工具。延伸阅读：Kimi 工具页、DeepSeek vs Kimi、Kimi vs 豆包。
优先选 GLM-5.2 的情况
你主要做纯文本、结构化抽取和代码题。GLM-5.2 所在的 Z.ai 产品页显示了它在网页聊天、Agent、文件和代码场景中的定位；本轮文本与代码几乎没有失手，但 PDF 串档意味着上传文件后应先确认内容是否读对，Agent 高峰期也可能无法完成任务。
怎么自己复测：五个步骤和三个常见坑
如果你要照着做，建议遵循这五步：
- 先固定账号档位、设备、网络出口、模型选项、思考模式和搜索开关。
- 每题开新会话；多轮题除外，必须回到指定原会话。
- 上传文件后确认文件名和上传完成状态，再开始计时。
- 原样保存回答，不要在评分前替模型修正格式或事实。
- 把价格、额度、速度和能力分拆开；API 与聊天网页也分开评价。
本文公开了测试环境、九题权重、逐题得分、关键答案点和 14 张失败或通过截图；GitHub 资料包进一步提供完整提示词、附件、答案键、评分细则、机器可读分数、18 张现存证据图和缺口清单。截图用于证明本文实际观察到的产品状态，但不是六家全部对话的完整归档；因此分数应理解为 2026 年 7 月 30 日、指定免费账号与界面状态下的一次可解释实测，而不是可以外推到所有账号、地区和后续版本的永久排名。复测时应优先复用相同约束与答案键，不要只复用题目主题。
最常见的坑有三个：把产品名当成底层模型名；看到很多引用就默认研究可靠；用不同设备、网络与思考模式的耗时硬排速度。本文保留这些限制，是为了让结论可复核，而不是制造一个看似精确的“全能冠军”。
最终结论：2026 年该选哪个 AI
这次六款产品的统一能力排名是：Kimi 93、ChatGPT 82、Claude 75、Gemini 73、DeepSeek 69、GLM-5.2 69。Kimi 赢在答案完整度，ChatGPT 赢在综合均衡，Claude 适合表达和调试，Gemini 的图表、代码与多轮能力突出但免费回落后的规划稳定性不足，DeepSeek 适合速度与独立代码，GLM-5.2 适合文本和代码但必须警惕文件串档。
这组结果会受到网络出口与波动、账号权限、产品分配的底层模型、模型版本、使用额度和高峰负载等因素影响。同一问题在不同地区、时间、账号或模型路由下可能得到不同结果。因此，本文排名只代表 2026 年 7 月 30 日当前测试环境下的一次对比，适合作为选型和复测参考，不应理解为长期有效或适用于所有用户的固定结论。
如果只能给普通用户一个默认建议，我仍会选 ChatGPT：它不是能力分冠军，却在本轮没有出现 GLM 的文件串档、DeepSeek 的图表幻觉，也没有 Kimi 那样频繁的分钟级等待。若任务允许等待，并且会人工核对联网来源，Kimi 的最终答案质量更高。真正稳妥的做法不是押注一个冠军，而是让主力工具负责高频任务，再用第二款产品复核联网、文件和图表中的高风险结论。
常见问题（FAQ）
Q：2026 年 AI 哪个最好用？
按本轮 9 类任务的能力总分，Kimi 93 分最高，其后是 ChatGPT 82、Claude 75、Gemini 73、DeepSeek 69、GLM-5.2 69。但「分数最高」和「最好用」不是一回事：Kimi 多道题等待 1–3 分钟，高峰时还会自动降级到 K2.6 快速。如果你要的是一个默认打开就用的产品，ChatGPT 在本轮质量、速度和稳定性上最均衡，也没有出现文件串档或图表幻觉这类高风险错误。
Q：为什么只测网页版，不测 API？
因为这篇回答的是「普通用户打开聊天产品网页版后哪个更可靠」，而不是「哪个底层模型更强」。聊天产品会动态路由模型，还会随账号、地区、容量和发布时间变化——本轮 Gemini 就在免费额度用尽后自动回落到 Flash-Lite，Kimi 在高峰时切到了 K2.6 快速。这些都是网页版真实体验的一部分，却不会出现在 API 评测里。因此文中只记录「产品界面显示什么」，不把产品名等同于某个 API 模型，API 与聊天网页也分开评价。
Q：Kimi 分数最高，为什么最后推荐 ChatGPT？
因为能力分不包含速度和高峰可用性。Kimi 的 93 分代表最终答案质量最高，但它写作题反复改写超过 3 分钟，TypeScript、React、PDF、图表和多轮改写也多次等待 1–3 分钟，深度研究还曾排队失败。ChatGPT 的 82 分虽然更低，却在本轮没有出现 GLM 的 PDF 串档、DeepSeek 的图表幻觉，也没有分钟级等待。任务有截止时间就选 ChatGPT，允许等待且会人工核对来源就选 Kimi。
Q：处理 PDF 和图表，哪一款最可靠？
PDF 题（12 分）满分的是 ChatGPT、DeepSeek 和 Kimi，三者都跨页找齐了数字、页码和「未计一次性投入」这类排除项；Claude 事实正确但总结超长得 10 分，Gemini 漏掉成本名称和事故单位得 7 分，GLM-5.2 因为回答了完全无关的项目记 0 分。图表题（7 分）满分的是 ChatGPT、Claude、Gemini 和 Kimi；DeepSeek 凭空虚构了图中不存在的 Team C，只得 2 分。综合两项，Kimi 和 ChatGPT 最稳。