两天前2026 年 4 月 20 日月之暗面发布了 Kimi K2.6采用 Modified MIT 许可证完整开源。十三天前Z.ai前智谱 AI以 MIT 许可证发布了 GLM-5.1——一个在 100,000 个华为昇腾 910B 芯片上训练的 754B 参数模型零 NVIDIA GPU。两者在同一个两周窗口内都声称占据了 SWE-Bench Pro 的第一名。这种基准测试大战的时机通常是一个叙事陷阱。两个实验室选择完全相同的测试工具挤出 0.2 分的优势媒体就称其为胜利。但读者需要一个不同的问题答案当你把相同的工单粘贴到两个 API 中时哪一个能关闭它哪一个成本更低哪一个会出错我将每个任务运行三次——每个模型 45 次运行总共 90 次——使用相同的脚手架、相同的工具预算和相同的系统提示。我支付了 $47 的 API 费用。以下是基准测试表格没有告诉你的。1、剥去营销的两个模型让我们从规格开始因为架构选择直接塑造了这些模型在负载下的行为方式。Kimi K2.6月之暗面2026 年 4 月 20 日1T 总参数每 token 激活 32B* 384 个专家每 token 路由 8 个 1 个共享61 个 transformer 层1 个稠密7168 维隐藏状态上的多头潜在注意力SwiGLU 激活函数使用 MuonClip 优化器训练256K 上下文窗口Modified MIT 许可证Moonshot API$0.60 输入 / $2.50 输出每百万 token缓存命中$0.16OpenRouter$0.80 输入 / $3.50 输出每百万可通过ollama pull kimi-k2.6:cloud、HuggingFacemoonshotai/Kimi-K2.6和 unsloth GGUF 量化UD-Q4_K_XL 起始 543GB获取Agent 集群300 个子 Agent4,000 次协调工具调用最长 12 小时自主运行GLM-5.1Z.ai2026 年 4 月 7 日754B 总参数每 token 激活 40B* 256 个专家每 token 路由 top-8 1 个共享78 个 transformer 层前 3 个稠密MLA DeepSeek 稀疏注意力* 6144 隐藏维度通过多 token 预测MTP头进行推测解码203K 上下文最大输出 65,535 tokenMIT 许可证Z.ai 直连 API$1.40 输入 / $4.40 输出每百万 token缓存命中$0.26OpenRouter$0.95 输入 / $3.15 输出每百万在约 100,000 个华为昇腾 910B 芯片上使用 MindSpore 框架训练声称支持 8 小时自主计划-执行-测试-修复-优化循环注意参数计算。K2.6 在纸面上是更大的模型1T vs 754B 总参数但每 token 激活的参数更少32B vs 40B。在实践中这意味着 K2.6 每 token 的服务成本比 GLM-5.1 更低这与我们在定价中看到的相符Moonshot 在官方端点上的输入和输出每百万 token 大致便宜 43%。2、没有人在争论的 0.2 分基准在 SWE-Bench Pro 上——两个实验室在公告中都指向的头条基准测试——截至 2026 年 4 月 22 日以下是完整的排行榜顶部ModelSWE-Bench ProSourceKimi K2.658.6%Moonshot self-report, April 20GLM-5.158.4%Z.ai self-report, April 7GPT-5.4 (xhigh)57.7%OpenAIGemini 3.1 Pro (high-thinking)54.2%DeepMindClaude Opus 4.6 (max effort)53.4%AnthropicKimi K2.550.7%Moonspot previous gen两个开源模型都是中国的都是 MIT 系列许可证都在顶部 0.2 分之内。其中的插曲是其他所有人——GPT、Claude、Gemini——在这个特定基准上都远远落后。这是一个真实的故事。但 0.2 分在这个规模上是噪声你可以通过运行同一模型两次来翻转它。真正重要的是排行榜其他地方发生了什么。3、排行榜其他地方的表现以下是来自 Artificial Analysis、BenchLM 和各个基准页面的综合数据与两个实验室自己的发布数据交叉参考BenchmarkKimi K2.6GLM-5.1WinnerSWE-Bench Pro58.6%58.4%K2.6 (0.2)SWE-Bench Multilingual76.7%n/aK2.6Terminal-Bench 2.066.754.9 (composite)K2.6 (11.8)HLE-Full with tools54.0%n/aK2.6NL2Repon/a42.7%GLM-5.1BrowseComp83.2%n/aK2.6Toolathlon50.0%n/aK2.6BenchLM coding avg72.060.9K2.6 (11.1)BenchLM agentic avg73.165.3K2.6 (7.8)BenchLM knowledge avg53.852.3K2.6 (1.5)BenchLM overall (5-cat)8384GLM-5.1 (1)AA Intelligence Index5451K2.6 (3)在我能找到的每个公共跨模型排行榜上GLM-5.1 只赢了两项BenchLM 多类别整体平均上一分的优势由多模态和推理类别推动以及 NL2Repo——一个 Z.ai 专门优化的自然语言到代码仓库基准。在实际需要的地方——编程、Agent 循环、工具使用、长期执行——K2.6 赢了而且不是 0.2 分的差距。BenchLM 编程 11.1 分的差距才是应该上头条的数字。但它没有因为实验室不会为他们输掉的基准写新闻稿。4、15 个任务的方法论我想要一个两个实验室都无法直接训练过的测试。我拉取了 2026 年 4 月 14-21 日之间关闭的 15 个 GitHub issue因此都在两个训练截止日期之后每个都有一个 50 到 400 行 diff 的合并 PR。组合5 个后端 Python bugFastAPI、SQLAlchemy 2.x、pydantic v23 个 TypeScript/React 前端回归2 个 Rust 生命周期/借用检查器编译错误2 个 Go 并发 bug一个数据竞争一个通道死锁2 个 SQL 优化器问题模式变更后 Postgres EXPLAIN 漂移1 个 Terraform 漂移检测问题每个任务包括仓库 URL、失败的测试和 issue 描述。没有合并的 PR 正文没有维护者提示。每个模型在相同的 Agent 脚手架OpenHands 0.2125 步预算相同的系统提示默认温度内通过官方 API 运行。我对每个模型的每个任务运行三次并取中位数分数。评分编译通过1 通过仓库现有测试套件1 在我编写的隐藏测试上匹配合并 PR 行为0-3。每任务最高 5 分总计 75 分。4.1 结果Model Total Compile Tests Behavior Cost/run p50 latency --------- ------ -------- ------ --------- --------- ----------- K2.6 61/75 15/15 13/15 33/45 $0.41 22s GLM-5.1 52/75 15/15 11/15 26/45 $0.72 31sK2.6 直接赢了 9 个任务GLM-5.1 赢了 3 个3 个平局两个解决方案都通过了都匹配了 PR 行为。GLM-5.1 赢的任务都是多文件任务其 78 层架构和 DeepSeek 稀疏注意力似乎真正帮助了跨文件推理——其中两个是 SQL 优化器任务一个是 Terraform 漂移问题。对于那些特定类型的长链、结构化工件工作负载GLM-5.1 有真正的优势。但在任何类似单仓库代码-编写-调试循环的任务上——最常见的开发者任务——K2.6 的胜利比基准差距所暗示的要大。在两个 Go 并发 bug 上K2.6 在所有六次运行中第一次就找到了竞争条件。GLM-5.1 在 6 次运行中有 4 次提出了看起来合理但错误的修复通常是在错误的地方添加了互斥锁。4.2 真实提示并排对比以下是任务 3——一个来自开源日志库的真实 FastAPI 问题。失败的测试和 issue为简洁而改写POST /logs在请求体包含字符串格式的timestamp字段时返回 500。预期解析 ISO-8601 或 epoch 浮点数。实际pydantic ValidationError。修复应接受两种格式。Kimi K2.6 输出从成功运行中提取为简洁而编辑from datetime import datetime from pydantic import BaseModel, field_validator class LogEntry(BaseModel): timestamp: datetime level: str message: str field_validator(timestamp, modebefore) classmethod def parse_ts(cls, v): if isinstance(v, (int, float)): return datetime.fromtimestamp(float(v)) if isinstance(v, str): try: return datetime.fromisoformat(v.replace(Z, 00:00)) except ValueError: return datetime.fromtimestamp(float(v)) return vK2.6 还添加了一个单元测试明确指出了 Z 后缀边缘情况并解释了modebefore的选择pre-v2 pydantic 使用不同的预验证器。GLM-5.1 输出第一次运行得分 3/5 因为遗漏了 Z 后缀情况from datetime import datetime from pydantic import BaseModel, validator class LogEntry(BaseModel): timestamp: datetime level: str message: str validator(timestamp, preTrue) def parse_ts(cls, v): if isinstance(v, str): try: return datetime.fromisoformat(v) except ValueError: pass try: return datetime.fromtimestamp(float(v)) except Exception: return v两件事需要注意。首先GLM-5.1 使用了 pydantic v1 的validator装饰器这在 pydantic v2 中已被弃用。代码可以运行——v2 仍然支持 v1 shim——但会抛出弃用警告而仓库的 CI 已配置为硬性失败。其次它没有处理 Python 的fromisoformat在 3.11 之前会出错的Z后缀。在仓库的 Python 3.10 CI 上这个修复悄悄地破坏了一个使用2026-04-18T10:15:00Z的现有测试。这种模式——K2.6 倾向于使用当代惯用法GLM-5.1 倾向于使用已弃用但仍可用的惯用法——在 15 个任务中的 6 个里都出现了。5、为什么价格差距比基准差距更重要以 $0.60/M 输入和 $2.50/M 输出计算K2.6 的 Moonshot API 在输入上比 Z.ai 直连 GLM-5.1 端点$1.40 / $4.40便宜 57%在输出上便宜 43%。对于在真实代码库上运行编程 Agent 的开发者来说这不是一个舍入误差。以下是一周中等 Agent 流量在两个模型上的样子。假设每天 40 个编程任务每个任务 50K 输入 token仓库上下文 系统提示每个任务 15K 输出 token代码 推理Weekly volume: 14M input tokens, 4.2M output tokens K2.6 weekly cost: $8.40 $10.50 $18.90 GLM-5.1 weekly cost: $19.60 $18.48 $38.08 Delta: $19.18 (101%) Annualized: K2.6: $983 GLM-5.1: $1,981 Delta: $998/year per engineer对于一个平均使用两者的 10 人工程师团队这大约是 ~$10K/年的差异而 K2.6 恰好是在基准测试中得分更高的模型。在一个 50 人的工程组织中你面临的是 $50K/年的预算差异而且还是那个恰好赢了更多测试的模型。6、上下文、延迟和 GLM-5.1 真正领先的一个领域K2.6 有 256K 上下文窗口。GLM-5.1 有 203K。纸面上这对 K2.6 是 26% 的优势如果你把一个大型 monorepo 塞进单个提示中这就很重要。在我的任务中我从未触及任何一个限制——我组装的最大仓库上下文约为 ~110K token——但对于迭代获取文件的 Agent 工作负载256K 给了 K2.6 真正的余量。在延迟方面K2.6 在我的运行中也领先22 秒的中位解决时间对比 GLM-5.1 的 31 秒从第一个工具调用到最后一个补丁。部分原因是 GLM-5.1 始终开启的计划-执行-测试循环增加了思考开销。GLM-5.1 击败 K2.6 的一个真正类别NL2Repo衡量从自然语言规范生成整个代码仓库。GLM-5.1 在这个基准上得分 42.7%从 GLM-5 的 35.9% 提升击败了 Claude Opus 4.6 的 33.4% 和 GPT-5.4 的 41.3%。K2.6 尚未发布此处的数据。如果你的工作负载是从零开始为我搭建一个新仓库GLM-5.1 今天确实是更好的工具。另一个微妙的优势GLM-5.1 的 MIT 许可证零限制。K2.6 的 Modified MIT 增加了一条条款要求在月活超过 1 亿的产品上注明出处。对于超大规模企业的部署该条款可能很重要。对其他人来说则不然。7、你实际应该使用哪个使用 Kimi K2.6 如果你——在做单仓库代码-编写-调试循环最常见的开发者任务——在乎成本——$20/周 vs $38/周增长很快——想要 256K 上下文一次性粘贴大型仓库——有大量工具调用的 Agent 工作负载——K2.6 的 300 Agent 集群是当前长期执行的 SOTA——多语言项目同一仓库中有 Rust、Go、Python——K2.6 在 SWE-Bench Multilingual 上获胜76.7%使用 GLM-5.1 如果你——需要从规范生成整个代码仓库——NL2Repo 是 GLM 的明显优势——你有企业部署在超大规模 MAU 方面遇到 K2.6 许可条款的问题——想要零归属要求的纯 MIT 许可证——正在做跨文件 SQL 或基础设施即代码任务——GLM-5.1 的 DeepSeek 稀疏注意力在我的测试中在这里有帮助——特别在意模型是在非 NVIDIA 硬件上训练的监管、供应链或意识形态原因改用 Claude Opus 4.6 或 GPT-5.4 如果你——需要绝对最高的编程上限并且能承受 $34/M 输出 token——需要在整个模型中真正可靠的图像输入K2.6 和 GLM-5.1 都主要是文本优先的——需要供应商 SLA 和企业支持Moonshot 和 Z.ai 的 API 事故频率都高于 Anthropic对于 80% 的读者诚实的答案是通过 OpenRouter 或 Moonshot API 开始使用 Kimi K2.6。如果你遇到它处理不好的任务——特别是全仓库脚手架或跨文件 SQL 工作——回退到 GLM-5.1。两者都不需要你支付 Claude 或 GPT 的价格除非你特别需要只有那些模型才有的能力。8、5 分钟快速开始# Option A: Run both via Ollama (cloud, no local GPU required) ollama pull kimi-k2.6:cloud ollama pull glm-5.1:cloud # Option B: Use OpenRouter (single API key, both models) pip install openai --break-system-packages # Test K2.6 via OpenRouter export OPENROUTER_KEYsk-or-... python3 - EOF from openai import OpenAI client OpenAI( base_urlhttps://openrouter.ai/api/v1, api_key__import__(os).environ[OPENROUTER_KEY], ) for model in [moonshotai/kimi-k2.6, z-ai/glm-5.1]: r client.chat.completions.create( modelmodel, messages[{role:user,content: Write a Python function that takes a list of dicts and merges them, preferring values from later dicts. Include type hints and a docstring.}], ) print(f\n {model} \n{r.choices[0].message.content}) EOF # Option C: Direct Moonshot API (K2.6 only, OpenAI-compatible) # Endpoint: https://api.moonshot.ai/v1 # Model: kimi-k2.6 # Option D: Direct Z.ai API (GLM-5.1 only, OpenAI-compatible) # Endpoint: https://api.z.ai/api/paas/v4 # Model: glm-5.1对于使用完整权重的本地推理unsloth 发布了两者的 GGUF 量化。K2.6 UD-Q4_K_XL 为 543GBGLM-5.1 Q4_K_M 约为 410GB。两者都可以在双 RTX-5090 配置上使用 llama.cpp 和 SSD 卸载运行但推理速度明显慢于云 API。9、结束语Kimi K2.6 和 GLM-5.1 之间 0.2 分的 SWE-Bench Pro 差距不是你应该关注的。这是统计平局——如果你翻转随机种子就会消失的那种差距。真正的差距是 BenchLM 编程综合评分的 11.1 分。Agent 工作负载的 7.8 分。输出 token 价格低 43%。上下文窗口大 26%。22 秒对 31 秒的中位延迟。15 个生产工单中 9 胜 3 负。如果你要在 2026 年 4 月选择一个开源编程模型作为标准选择 Kimi K2.6。如果你的工作负载特别是全仓库脚手架保留 GLM-5.1 作为专业备份。如果你仍在没有能力需求原因的情况下支付 Claude Opus 4.6 或 GPT-5.4 的价格你是在用自己的预算资助闭源实验室税。最好的部分两个模型都是 MIT 系列开源权重。你可以下载它们、微调它们、部署它们并在商业产品中交付它们。排行榜顶部的任何闭源模型都不是这种情况——这正是使这个 2026 年 4 月快照成为自原始 Llama 泄露以来开源编程 AI 最有趣时刻的原因。原文链接15个实测Kimi K2.6 vs. GLM-5.1 - 汇智网