Wir haben Kimi K3, GLM 5.3, Qwen3.8 Max 0902 und DeepSeek V4 Pro 0813 gegeneinander in zwei One-Shot-Coding-Tests, die alle auf EmpirioLabs laufen. Jedes Mal derselbe Prompt, ein Versuch, keine Bearbeitungen oder Wiederholungen, und jedes Ergebnis wird live in einem echten Browser gerendert.
Sieh dir den Vier-Wege-Vergleich an
Specs auf einen Blick
| Kimi K3 | GLM 5.3 | Qwen3.8 Max 0902 | DeepSeek V4 Pro 0813 | |
|---|---|---|---|---|
| Schöpfer | Moonshot KI | Z.ai | Alibaba | DeepSeek |
| Kontextfenster | 1.000.000 Token | 1.000.000 Token | 1.000.000 Token | 1.000.000 Token |
| Eingabe | Text, Bilder und Video | Text | Text, Bilder und Video | Text |
| Begründungsaufwand | Bis zum Maximum | Bis zum Maximum | Bis zum Maximum | Bis zum Maximum |
| Strukturierte Ausgabe | Striktes JSON-Schema | JSON-Modus | Striktes JSON-Schema | Striktes JSON-Schema |
| Eingangspreis | $3.00 pro 1 Million Token | $1.40 pro 1 Million Token | $2.00 pro 1 Million Token | $1.32 pro 1 Million Token |
| Produktionspreis | $15.00 pro 1 Million Token | $4.40 pro 1 Million Token | $6.00 pro 1 Million Token | $3.96 pro 1 Million Token |
Wie wir es geführt haben
Jedes Modell erhielt für zwei Aufgaben denselben Prompt: ein Flappy-Bird-Spiel erstellen, das sich selbst in einer einzigen HTML-Datei abspielt; ein Missile Command-Spiel erstellen, das sich selbst in einer einzigen HTML-Datei abspielt. Jede Aufgabe verlangte eine einzelne, eigenständige HTML-Datei ohne externe Bibliotheken, die sich von selbst animiert. Alle vier Modelle liefen wie reasoning_effort: "max" Mit einem Ausgabebudget von 65.536 Tokens, One-Shot, keine Wiederholungen. Die Zeilenzählungen und tokens-per-second Auslesungen auf jedem Panel werden aus den echten API-Aufrufen gemessen, und jedes Ergebnis ist die Datei, die das Modell zurückgegeben hat, so gerendert.
Worauf man achten sollte
DeepSeek V4 Pro 0813 lieferte seine Dateien am schnellsten, mit etwa 115 Token pro Sekunde. DeepSeek V4 Pro 0813 schrieb die längsten Dateien, durchschnittlich etwa 920 Zeilen, und Kimi K3 die kompakteste, etwa 490. GLM 5.3 verwendete die meisten Ausgabetokens, etwa 59.000 pro Aufgabe einschließlich der Begründung. Beobachten Sie, wie jedes Modell seine Szene zum Leben erweckt: die Bewegung, die Details und wie es von selbst läuft. Wir erklären keinen Gewinner. Spielen Sie den Clip und beurteilen Sie die Ausgaben für Ihren eigenen Anwendungsfall.
Führe denselben Test bei EmpirioLabs
curl https://api.empiriolabs.ai/v1/chat/completions \ -H "Autorisierung: Träger $EMPIRIOLABS_API_KEY" \ -H "Inhaltstyp: application/json" \ -d '{ "model": "kimi-k3", "reasoning_effort": "max", "messages": [{"role": "user", "content": "Builde ein Flappy Bird-Spiel, das sich selbst in einer einzigen HTML-Datei abspielt."}] }'Swap modell zu glm-5-3, qwen3-8-max-0902 oder deepseek-v4-pro-0813 dieselbe Anfrage gegen die anderen auszuführen oder sie interaktiv in der spielplatz.
Häufig gestellte Fragen
Wurden die Ergebnisse bearbeitet oder erneut versucht?
Nein. Jedes Modell bekam pro Aufgabe einen Versuch mit demselben Prompt, und das gerenderte Ergebnis ist genau die Datei, die es zurückgegeben hat.
Warum maximales Schließen?
Ein fairer Kopf-an-Kopf-Vergleich zeigt jedes Modell von seiner besten Seite. Alle vier zeigen eine reasoning_effort Steuerung auf EmpirioLabs, sodass alle vier auf der höchsten Stufe liefen.
Welches Modell sollte ich verwenden?
DeepSeek V4 Pro 0813 hat hier den niedrigsten Ausgangspreis von den vier. Lass deine eigene Arbeitslast gegen jedes Modell laufen, bevor du entscheidest: Die gleiche Anfrage funktioniert für alle vier, nur mit geändertem Modellnamen.
