导语
在「coding」场景下，本文整理 kimi-k3、claude-fable-5、gpt-5-6-sol、glm-5-2、deepseek-v4-pro 的选型参考。本场参考分领先的是 kimi-k3（9.6 分），其次为 claude-fable-5（9.1 分）。下文为资料向对比与选型建议，非厂商 API 实测横评；正文纯文字，不含配图。
说明
- 场景：
coding - 标题：Kimi K3 vs GPT-5.6：Python 快速排序实现对比
- 对照任务：用Python写一个快速排序算法，包含详细注释、边界条件与单元测试示例
- 方法：同题对照 + 0–10 参考分排序；详见下文「评分说明」。
评分说明
本场分数是同题相对排序用的参考分（0–10），用来缩小候选，不是厂商官方分，也不是实验室基准。
本文评什么
- 同一对照任务下，各模型输出是否完整、是否跟住指令、是否便于落地
- 名次反映的是本场整理中的相对先后，便于快速扫读
本文不评什么
- 不承诺真实多厂商 API 并发实测（延迟/吞吐/单价以官方与你的试跑为准）
- 不做不可复现的「绝对能力」断言，也不把参考分当作采购验收指标
阅读时可对照的维度（点评视角，非加权公式）
- 完整度：有没有把任务答全
- 指令跟随：格式、篇幅、角色约束有没有守住
- 可执行性：能不能直接拿去用或稍改即用
- 风险说明：有没有把局限、不确定项说清楚
怎么用：先看名次缩小范围，再结合价格、延迟、上下文、合规与你自己的 3–5 次同题试跑做最终选择。
分模型点评
kimi-k3（9.6 分）
亮点
- 综合得分 9.6，本场第 1
- 节选可见：中文顺，长文与场景举例多
- 对本题约束（格式/场景/可执行性）跟得较紧
不足 / 注意
- 单次整理存在主观与波动，不宜外推到所有任务
- 需结合价格、延迟、上下文长度等产品因素
输出节选
先讲思想再贴代码：分治→汇合。代码后加「如何改成随机 pivot 防退化」短注。
claude-fable-5（9.1 分）
亮点
- 综合得分 9.1，本场第 2
- 节选可见：结构紧、推理完整
不足 / 注意
- 单次整理存在主观与波动，不宜外推到所有任务
- 需结合价格、延迟、上下文长度等产品因素
输出节选
def quicksort(a): if len(a)<=1: return a p=a[len(a)//2] return quicksort([x for x in a if x<p])+[x for x in a if x==p]+quicksort([x for x in a if x>p])边界：空/全相等；测试：assert quicksort([3,1,2])==[1,2,3]
gpt-5-6-sol（9.0 分）
亮点
- 综合得分 9.0，本场第 3
- 节选可见：工程向，步骤可执行
不足 / 注意
- 单次整理存在主观与波动，不宜外推到所有任务
- 需结合价格、延迟、上下文长度等产品因素
输出节选
给出可读版 + 原地版两份，并警告列表推导版额外内存。单元测试用随机数组对照官方 sorted。
glm-5-2（8.8 分）
亮点
- 综合得分 8.8，本场第 4
- 节选可见：中文落地清单感强
- 能回答主干，但细节完整度或风格贴合度弱于前列
不足 / 注意
- 单次整理存在主观与波动，不宜外推到所有任务
- 需结合价格、延迟、上下文长度等产品因素
- 节选显示信息密度或指令跟随略逊，适合当备选而非默认
输出节选
实现要点：选 pivot 策略、递归出口、稳定性并不保证。附 pytest 参数化用例。若生产请用 Timsort（sorted）。
deepseek-v4-pro（8.5 分）
亮点
- 综合得分 8.5，本场第 5
- 节选可见：技术细节密，偏工程口吻
- 能回答主干，但细节完整度或风格贴合度弱于前列
不足 / 注意
- 单次整理存在主观与波动，不宜外推到所有任务
- 需结合价格、延迟、上下文长度等产品因素
- 节选显示信息密度或指令跟随略逊，适合当备选而非默认
输出节选
我倾向 Lomuto 划分写清楚原地版，并注明最坏 O(n²)、平均 O(n log n)。单测覆盖已排序、逆序、重复键。教学代码重可读不重微优化。
横向对比
| 模型 | 评分 | 一句话标签 |
|---|---|---|
| kimi-k3 | 9.6 | 本场领先 |
| claude-fable-5 | 9.1 | 实力接近 |
| gpt-5-6-sol | 9.0 | 可作备选 |
| glm-5-2 | 8.8 | 可作备选 |
| deepseek-v4-pro | 8.5 | 可作备选 |
怎么选
- 优先选 kimi-k3：本场综合分最高，适合把「用Python写一个快速排序算法，包含详细注释、边界条件与单元测试示例」这类任务作为主方案。
- 备选 claude-fable-5：与第一名分差 0.5，可按价格或生态偏好切换。
- 落地建议：先用同一 Prompt 小流量试跑 3–5 次，看稳定性再定默认模型。
局限说明
- 本文为选型参考资料，分数为相对排序，不等于官方榜单或实验室基准。
- 多模态/生图等能力若未接入对应 API，正文只做文字资料对比，不提供实拍样张。
- 模型版本与供应商计费会变化，选型请以最新官方说明为准。
结论
本场「Kimi K3 vs GPT-5.6：Python 快速排序实现对比」推荐 kimi-k3 作为首选；若成本或生态有硬约束，再在表格前列模型中做二次筛选。