# GLM-5.3 三模型横评 - DeepSeek Harness 统一评测

> 用 DeepSeek Harness 统一工具链环境，让 GLM-5.3、DeepSeek V4 Pro、Kimi K3 公平比拼编程能力

大家好，我是程序员鱼皮。

最近 AI 圈儿真是过年了，前脚 DeepSeek V4 Pro 正式版和 DeepSeek Harness 同时发布，后脚智谱就放出了全新的 GLM-5.3 模型。

![](https://pic.yupi.icu/1/image-20260817145539750.png)

听说 GLM-5.3 模型的基座跟 GLM-5.2 完全一样，还是 743B 参数，单纯通过后训练把性能提升了 50%。

**测不完，根本测不完……**

既然现在 GLM、DeepSeek、Kimi 几家国产模型打得这么凶，那干脆在同一个擂台上打一场呗？

我相信你们肯定也想看对吧~

![](https://pic.yupi.icu/1/Gemini_Generated_Image_t1h6xtt1h6xtt1h6.jpg)

刚好最近大火的 DeepSeek Harness（DSH）支持接入第三方模型，于是我决定把 DSH 当做一个统一的评测工具，把这三家的最新模型放在完全一致的工具链环境下测试，只有模型本身不同，尽量做到公平对比。

![DeepSeek Harness 工具](https://pic.yupi.icu/1/image-20260814133452050.png)



## 模型接入 DeepSeek Harness

首先要把 GLM-5.3 和 Kimi K3 模型接入 DeepSeek Harness，这里我就以 GLM-5.3 为例。

如果你还没有安装和使用过 DeepSeek Harness，可以阅读本教程编程工具板块「DeepSeek Harness」目录中的《DeepSeek Harness 保姆级入门教程》，从安装到上手只要几分钟。

> 视频教程：https://www.bilibili.com/video/BV1VkgK6NEZS

这里我只讲怎么在已有的 DeepSeek Harness 里接入第三方模型。

1）打开 DSH 的 Web 界面，点击左下角的「设置」按钮。

![](https://pic.yupi.icu/1/1786932507970-41599bc0-493b-43be-b23a-06167310714e.png)

2）进入「模型」标签页，点击「添加提供方」。

![](https://pic.yupi.icu/1/1786932573401-dc4b2cba-6e89-490e-986e-45b62c49258a.png)

3）选择模型提供方为 `zai-coding-cn`，然后到 [智谱开放平台](https://bigmodel.cn/coding-plan/personal/overview) 获取你的 API Key 填进去就行。

![](https://pic.yupi.icu/1/1786932690701-74c2d894-8922-40f3-ac8d-43b0cb3d3b07.png)

4）展开自定义设置，点击「获取可用模型」。不过因为 GLM-5.3 太新了，默认不会被自动拉取到。

所以需要手动点击「添加模型」，填入 `glm-5.3`，然后保存。

![](https://pic.yupi.icu/1/1786933645912-f2d165ea-cef1-41d1-b34f-9e244e85c6cb.png)

搞定！现在就可以在对话框中选择并使用 GLM-5.3 模型了~

![](https://pic.yupi.icu/1/1786933520324-c3de8492-bfb7-4b9e-bd5a-47af4ac36add.png)

用同样的方法把 Kimi K3 也添加进来。DeepSeek V4 Pro 是 DSH 安装成功后默认接入的，不需要额外配置。

三个模型都就位了，下面开始正式比拼。



## 测试说明

为了公平对比，三个模型全部在 DeepSeek Harness 的标准模式下运行，统一使用各模型的默认推理档位，工具链完全一致，提示词完全相同。而且全程不做人工干预，给完提示词就让 AI 自己跑到底。

DSH 会自动扫描我本地安装的技能目录，比如我这里装了 Firecrawl 联网搜索技能、Context7 文档查询技能等，三个模型跑任务时都可以使用这些技能来搜索资料。

![](https://pic.yupi.icu/1/image-20260817151814146.png)



## 实战 1、致敬《牛来》的 3D 跑酷游戏

最近有一部国产动画电影叫《牛来》，因为建模极度粗糙、剧情抽象离谱，在社交媒体上反向爆火了。

上映第一天票房才 3420 元，结果因为猎奇打卡，短短十几天就冲到了 900 多万。

用半佛老师的话来说：

- 如果你花一个多小时去了解这个电影，你就浪费了人生的一个小时。
- 但如果你花了 30 块去看了《牛来》，那说明你真的有 30 块钱。

![](https://pic.yupi.icu/1/%25E7%2589%259B%25E6%259D%25A5%25E5%259B%25BE%25E7%2589%2587.jpg)

我决定让 3 个模型致敬这部电影，做一个《3D 网页跑酷游戏》。

提示词里我故意不做太多功能约束和技术限制，就是想看看模型自己能发挥到什么程度，能不能把电影里的元素还原出来。值得一提的是，我让 AI 用 Loop Engineering 的方式推进，做完一步就自己验证一步，出了问题自己修复。

![](https://pic.yupi.icu/1/1786934842850-22be3935-b9b6-43ad-8a7f-16c163795b57-20260817183037814.png)

OK，开跑！



### GLM-5.3 成品效果

先来看 GLM-5.3 的效果。

进入主界面，可以看到一段故事描述。

有看过《牛来》的朋友吗？这个描述跟电影剧情还挺贴的，草原上的小牛犊牛来，跟随云雀坠入一场大梦，穿过迷雾、狼群与轰鸣的伐木场，唯有向前奔跑才能学会勇敢…… 还挺励志。

![](https://pic.yupi.icu/1/1786941444587-f86f52c2-2cbc-48c7-a543-2dfefb190781.png)

进入第一关「晨曦草原」，你别说，这个牛的建模真的挺抽象的，尤其是牛脸竟然还直勾勾地对着你……

旁边还有个云雀好友陪着牛牛向前奔跑，有点还原电影那个味儿了。

![](https://pic.yupi.icu/1/1786941685678-78fab2ee-5643-4d9d-aa62-19bbde4742d4.png)

游戏操作支持左右移动、跳跃和滑铲，手感还挺流畅的，可玩性不错。

![](https://pic.yupi.icu/1/1786941720452-1e3d231b-975d-4682-b613-32d40bdd4531.png)

吃到一定数量的幸运草之后，可以释放大招，进入「豹拉疾冲」状态，全屏加速 + 无敌。

解释一下，豹拉是电影里牛来的好朋友，这个大招名字起得挺有意思的。

![](https://pic.yupi.icu/1/1786941781966-0fbbe03c-8818-4c9e-afbf-7e0b64374624.png)

游戏有好几个关卡，而且每一关的主题和机制都不一样。比如「狼群夜袭」这关，你身后真的有狼在追你，还有一个贴合剧情的技能叫「妈妈的守护」，我直接一个泪目。

![](https://pic.yupi.icu/1/1786942149069-541e5b46-b1e2-4f9e-99af-a8f765149284.png)

可惜，最终牛牛我倒在了第四关。

看看这个死亡结算画面，我真的没绷住，怎么还喷出一团血花了呢？

![](https://pic.yupi.icu/1/1786942206513-b212f83e-7e25-4c03-b008-b527f827d264.png)

细节，真的细节……



### DeepSeek V4 Pro 成品效果

再来看看 DeepSeek V4 Pro 的版本。

主界面还挺像那么回事，也还原了云雀和牛来的故事背景。

![](https://pic.yupi.icu/1/1786942470229-08dcb397-2b7f-458b-9f9c-2f32e476ec99.png)

进入游戏。

额…… 怎么硕呢？

界面真的是干净得一鲏啊！

不过还原了云雀和好友豹拉，它们会陪着牛牛一起奔跑。

![](https://pic.yupi.icu/1/1786942537635-7e98120c-5761-42cf-be5e-a7ea370fa4e4.png)

移动、跳跃和滑铲功能都是正常的，不过看到这个滑铲效果我真没绷住…… 好家伙，眼珠子都给我铲出来了？

![](https://pic.yupi.icu/1/1786942708594-261a7ca0-de4c-4cfe-9fa6-77a1b3b1b8bb.png)

仔细看的话，道路两侧的图标明显飘在了草坪上面。还有就是游戏节奏太慢了，刚开局跑了好久第一个障碍物才出现，也没什么技能和特殊的关卡机制，可玩性较差。

![](https://pic.yupi.icu/1/1786942635722-bb121640-3419-4c5d-b542-3262a5059232.png)

牛牛只有一条命，撞到石头之后直接进入死亡结算画面：

![](https://pic.yupi.icu/1/1786942990402-af6dc75b-652b-497c-b474-a2eff1526e3c.png)

整体来看，中规中矩吧。



### Kimi K3 成品效果

最后看看 Kimi K3 的版本。

主界面的配色平平无奇，跟其他模型一样，也把电影剧情概括了一下。

![](https://pic.yupi.icu/1/1786943144669-112d3b61-a136-46aa-813b-d1b58050254c.png)

进入游戏，界面风格还可以，远处的大山绘制得不错。但是主角牛牛就平平无奇了，不够抽象，看起来就是一组普通的方块。

![](https://pic.yupi.icu/1/1786943246265-ed550bfe-c9b2-4298-9a29-24daf04894fa.png)

虽然牛牛有 3 条命，也可以吃金币，但是没有什么技能和特殊机制，整个游戏就是单纯跑跑跑。

我的豹子朋友呢？云雀呢？

还有这个下雨效果，直接来一个全屏网格？这就有点敷衍了吧……

![](https://pic.yupi.icu/1/1786943334061-a01c90c7-5038-4c26-b4e8-60036ebadf20.png)

而且最致命的问题是，整个游戏时不时会出现明显的卡顿，帧率不够稳定。

![](https://pic.yupi.icu/1/1786943521676-4e775bcf-850c-4d1d-88f9-aa3ba08cbff8.png)

最后是平平无奇的结算画面，一般。

![](https://pic.yupi.icu/1/1786943584423-9095cd16-3916-445b-b6d7-ee30bb4c1f6d.png)



### 实战 1 对比

三个版本都跑完了，胜负应该已经很明显了。

GLM-5.3 的版本完成度最高，多关卡、多技能、剧情还原度强，可玩性远超其他两个。

DeepSeek V4 Pro 实现了基本玩法，但是节奏偏慢、细节粗糙。

Kimi K3 虽然场景画面还行，但游戏机制太单一，还有卡顿问题。

综合来看：

- 前端效果 GLM ≈ Kimi > DeepSeek
- 可玩性是 GLM > DeepSeek > Kimi
- 画面抽象程度是 GLM > DeepSeek > Kimi

整体游戏完成度上，GLM 5.3 遥遥领先。



## 实战 2、AI 绘图工具

上一个任务是前端游戏，第二个任务当然要换个方向，测试模型的全栈工程能力。

我让 3 个模型开发一个《AI 绘图工具》，用户输入自然语言描述需求，后端调用大模型生成 draw.io 格式的图表，前端嵌入 draw.io 开源编辑器，用户可以直接在线编辑和修改生成的图表。

这个任务同时考验对 draw.io 开源代码的理解、后端 AI 调用链路的设计、前端复杂组件的集成、以及整体产品设计的合理性。

为了方便测试，我直接在提示词里把 API Key 提供给了 AI，省去手动配置环境变量的步骤。

![](https://pic.yupi.icu/1/1786935817947-28512ebd-63a7-45bf-9282-89bb4807bfbf.png)



### GLM-5.3 成品效果

先看看 GLM-5.3 的效果。

整个页面很有科技感，左侧是 AI 对话框，右侧是画布编辑器。

产品引导做得也很到位，告诉你可以用一句话画出专业图表，还给了几个示例类型。

![](https://pic.yupi.icu/1/1786947000691-52c43b54-e03d-41bc-a419-2f9e0b150548.png)

我让 AI 帮我画出 DeepSeek Harness 的架构图。可以实时看到 AI 深度思考和生成 XML 代码的过程，右侧显示了一个炫酷的 Loading 动画。

![](https://pic.yupi.icu/1/1786946651555-aa4f9a37-59c0-4f66-b691-dfae0ba85280.png)

生成完成后，右侧立刻渲染出了完整的架构图，分层很清晰，而且保留了 draw.io 原本的元素编辑能力，可以直接拖拽和修改。

![](https://pic.yupi.icu/1/1786946757859-0ff24615-3e22-4fe9-8ebb-0d3a35f74d72.png)

更强的是，它支持连续对话修改。比如我说「帮我把 DeepSeek Harness Core 这里变成红色」，AI 就能精准定位到对应的元素并修改样式，右侧画布实时更新。

![](https://pic.yupi.icu/1/1786946921119-ae9fcde6-f3bb-4da2-8244-70652b4a71c7.png)

整体效果非常不错，图片导出功能也能正常使用。

而且你会发现 GLM-5.3 把 draw.io 的编辑能力深度融合进了自己设计的界面中，看起来就像一个完整的产品，而不是生硬地嵌入了一个第三方组件。



### DeepSeek V4 Pro 成品效果

再来看看 DeepSeek V4 Pro 的表现。

打开界面，右侧画布竟然是一坨空白加一个大大的 Loading 图标？

而且左下角的提示文字还出现了溢出，这把 DeepSeek V4 Pro 的前端确实拉了。

![](https://pic.yupi.icu/1/1786947686035-f5dce2a4-5bc2-49b5-a4aa-ac592a06a214.png)

AI 生成图表的功能是可以正常使用的，但是没有实时展示 AI 思考过程的能力，你只能等它全部生成完了，才能看到结果。

![](https://pic.yupi.icu/1/1786947674690-a291172a-4f39-4db1-8e0f-4d6f867da64e.png)

最关键的是，DeepSeek V4 Pro 很明显是直接把 draw.io 整个嵌入到了前端页面中，没有做任何深度集成。给人一种很生硬的感觉，跟 GLM 那种把 draw.io 能力自然融合到自己界面中的做法差距明显。



### Kimi K3 成品效果

最后看 Kimi K3。

Kimi K3 这次生成的界面布局跟 GLM 类似，也把 draw.io 自然融合到了项目中，整体界面风格非常 nice。

不过 draw.io 的图标和菜单栏还是原封不动地保留了下来，融合度比 GLM 略逊一筹。

![](https://pic.yupi.icu/1/1786947935320-b6974f42-7680-490d-9c86-c938007a0c42.png)

AI 生成图表的功能正常，同样支持连续对话修改。

![](https://pic.yupi.icu/1/1786948128170-e63bfe84-3e37-48be-ad72-2c16099debce.png)

但是，后端逻辑明显没做好提示词约束和工具校验，有时候 AI 生成的内容会翻车，直接把 XML 源码糊在界面上而不是渲染成图形。

![](https://pic.yupi.icu/1/1786948418039-419ad351-70b1-4e5a-9e14-0378b904a7b9.png)

整体来看，Kimi K3 的前端设计能力跟 GLM-5.3 相当，但后端稳定性差了一截。



### 实战 2 对比

这个任务 GLM-5.3 的综合表现最好，界面设计、AI 深度思考实时展示、连续对话修改、draw.io 深度融合，每一环都做到位了。

Kimi K3 的前端设计能力很强，但是后端偶尔会翻车。

DeepSeek V4 Pro 虽然也正常实现了核心功能，但是界面粗糙，集成方式生硬，表现最差。



## 我的感受

两个项目全部跑完了，聊聊我的真实感受。

显然，即使是在 DeepSeek Harness 这个 DeepSeek 的「角色专武」环境下，GLM-5.3 的表现依然很出色。

我选的这两个任务覆盖了纯前端 3D 游戏和全栈 AI 应用两个完全不同的方向，可以看出 GLM-5.3 在任务理解、代码生成质量、产品设计意识这几个维度上都明显领先。

然后聊聊大家非常关心的成本问题，猜猜我花了多少 money 呢？

由于 GLM-5.3 我使用的是编码套餐，不太好直接统计实际消耗金额，我只能拿积分来算了。

两个项目累计消耗了 1151 积分，由于我订的是 Pro 套餐（538 元/月），每周额度是 6 万积分，算下来这次的消耗只占了周额度不到 2%，折算成钱连 3 块都不到。

![](https://pic.yupi.icu/1/image-20260817154109537.png)

由于我的 Kimi K3 套餐过期了，新的抢不到，所以是直接用 API Key 接入的，总共消耗了 31.07 元；涨价之后的 DeepSeek V4 Pro 消耗了 13.99 元。

单从我的实际花销来看，GLM-5.3 按照套餐来算，性价比是最高的。一周 6 万积分随便你跑，根据我这次测试的这种任务来看，做几十个小项目不成问题。

而且 GLM-5.3 会在发布两周后开源权重。

**在开源世界里，GLM-5.3 目前可以说是编程能力的天花板。**

![](https://pic.yupi.icu/1/%25E6%25BB%2591%25E5%258A%25A8%25E5%258F%2598%25E5%2594%2590%25E5%2599%25A8%25E4%25B8%25AD.jpeg)

而且智谱在发布文章中提到，Hugging Face 之前遭遇安全攻击的时候，Anthropic 的 Mythos 模型只面向约 150 家大型机构提供服务，更多的中小企业和开源项目在最需要帮助的时候，反而用不上最强的防御工具。

当攻击能力在扩散，防御能力就不能只掌握在少数人手中。GLM-5.3 的开源给所有人提供了一把防御的盾牌，这件事本身的意义可能比跑分更重要。



## 写在最后

这次横评让我对国产模型的编程能力更有信心了。GLM-5.3、Kimi K3、DeepSeek V4 Pro 这几家打得不可开交，对我们用户来说是好事儿，起码有了更多的选择。

不过模型发展太快了，今天还是第一名，下周可能就被新模型超越。与其纠结该选哪个模型，不如多动手实际测试，找到最适合自己场景的那个。

如果你想了解更多 AI 编程模型的实测对比，可以阅读本教程模型动态板块中的其他文章，或者阅读编程工具板块中的《AI 模型选择指南》。