大家好,我是 Ai 测评的老章

DeepSeek 说:DSH与自家模型是绝配

实不相瞒,我一直想拥抱DSH,但还是没能习惯它

周末闲着没事,找了一道题目,让几个 Harness 和大模型同台竞技,看看他们表现如何,也确认一下哪些任务可以给哪些模型

我都想每周组织一场这个擂台了,大家有题目可以提哈,我抽空来测

本期出场选手包括:

1、DSH 标准模式 + DeepSeek V4.1 Flash

2、Kimi Code + Kimi K3.1 Pro

3、Codex + GPT-6 Astra 极高

4、Claude Code + Opus 5.5 Medium

5、Gemini + Gemini 3.8 Flash

题目很简单,纯代码生成视频,提示词:

/treardown 做一个抓娃娃机为何总是抓不到东西的拆解视频,录制一段20秒视频

提示词中的 treardown 是一个 Skills ,可以把任何机器变成一个可以拆解的 3D 模拟器,感兴趣的兄弟可以试试

npx skills add elvarofficial/teardown

所有选手都只有一次机会

最终他们都完成了任务,视频效果比较主观

但是它们实际耗时和Token消耗却是板上钉钉的数字:

选手

耗时

token 总处理量(缓存占比)

输出 token

Codex

8 分钟

350 万(97%)

2.8 万

Claude Code

17 分钟

1215 万(96%)

13.0 万

Gemini

21 分钟

1394 万(96%)

8.1 万

Kimi Code

36 分钟

950 万(98%)

5.9 万

DSH

46 分钟

4644 万(99%)

28.1 万

图片会更明显一些,最高效的是 Codex,最墨迹的是 DSH

打开网易新闻 查看精彩图片

还是看下具体效果吧

1、DSH + DeepSeek V4.1 Flash

我选择 DSH 标准模式,整整 46 分钟才完成

符合我的刻板印象,之前测试过多次,同样题目,它总是“想太多”,它还有极简模式,我印象中也是“特能想”

结果如下,暇疵不少,唯一一个中文提问,最终给了英文视频的

2、Kimi Code + Kimi K3.1 Pro

Kimi K3.1 Pro 我前几天测试过,除了价格和速度,很难吐槽了

它的总耗时倒数第二,任务完成的还不错

我感觉可以排在 Opus 5.5 后面了

3、Codex + GPT-6 Astra

这是极速完成任务型选手,8分钟速通,感觉它太不擅长思考了,很喜欢无脑遵守我的指令,甚至舍弃了Skills中的框架

4、Claude Code + Opus 5.5

不可否分的冠军,输出的视频质量极佳,完美解释了我的问题

5、Gemini + Gemini 3.8 Flash

这是本次的搞笑担当,负责活跃氛围,瑕疵太多了

以上,大家感觉这个任务,谁完成的最好?