用同一个设计提示词，在FlappyBench上跑了三个模型，结果挺有意思的。 F…

用同一个设计提示词，在FlappyBench上跑了三个模型，结果挺有意思的。 FlappyBench是个专门测试AI编程能力的基准，让模型写一个Flappy Bird游戏。看起来简单，但对模型的代码生成能力要求很高。 先说结论：Qwen3.8 Omni Flash拿了9分，花了0.013美元，游戏运行流畅。DeepSeek V4.1 Flash也是9分，但只花了0.0089美元，一次成型，成本最低。Gemini 3.8 Flash只拿了5分，花了0.205美元，跑了4-5次还是硬编码的游戏逻辑，成本是前两个的23倍。 我昨天自己也试了一下，用Qwen3.8写了一个贪吃蛇游戏，确实很流畅。代码生成速度很快，生成的代码质量也不错，基本不需要手动修改。DeepSeek V4.1的表现也很好，生成的代码结构清晰，注释完整。 具体来说，Qwen3.8的优势在于响应速度快，生成的代码可读性高。DeepSeek V4.1的优势在于成本低，一次成型的概率高。Gemini 3.8 Flash的表现确实不太理想，不仅成本高，而且需要多次迭代才能达到可用状态。 这个评测结果说明了一个趋势：国产大模型在编程能力上已经追上了国际一线水平，甚至在某些方面还有优势。特别是DeepSeek V4.1，以极低的成本达到了和Qwen3.8相当的效果，这对于预算有限的开发者来说是个好消息。 不过要注意的是，FlappyBench只是众多评测基准中的一个，不能完全代表模型的综合能力。不同的任务场景可能需要不同的模型，选择合适的模型比追求最高分更重要。