导语
在「coding」场景下，本文整理 kimi-k3、gpt-5-6-sol、claude-fable-5、deepseek-v4-pro、glm-5-2 的选型参考。本场参考分领先的是 kimi-k3（9.5 分），其次为 gpt-5-6-sol（8.9 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：前端 LCP 优化：可执行清单谁更全？
- 对照任务：给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式。
- 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（9.5 分）
亮点
- 综合得分 9.5，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
教学版：先 3 句讲清思想，再给伪代码要点，最后复杂度与常见坑。 主题「前端 LCP 优化」；约束来自：给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式。 坑例至少 2 个（空输入、并发、过期缓存等按题选）。生产环境请用成熟库时会明确写出，避免重复造轮。
gpt-5-6-sol（8.9 分）
亮点
- 综合得分 8.9，本场第 2
- 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
评审视角： 正确性：是否满足「给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式…」 安全：注入/越权/密钥 可测：如何单测或手测 回滚：出问题如何关功能。 结论先写能否合并，再写必改项——围绕「前端 LCP 优化」。
claude-fable-5（8.7 分）
亮点
- 综合得分 8.7，本场第 3
- 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
工程答法（前端 LCP 优化）： 目标：给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式。 步骤：1) 澄清输入输出与失败模式 2) 给出最小实现/伪代码要点 3) 列边界用例 4) 注明复杂度或运维代价。 反例：只贴长代码不解释取舍。选题14优先可读与可测。
deepseek-v4-pro（8.6 分）
亮点
- 综合得分 8.6，本场第 4
- 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
接口/清单风格：
- Given：给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式…
- When：按「前端 LCP 优化」落地
- Then：有测试或检查项可回归 补充：错误码/超时/幂等（若适用）各写一句；密钥不进仓库。
glm-5-2（8.4 分）
亮点
- 综合得分 8.4，本场第 5
- 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
最小补丁思路：先定位风险点，再给 5～15 行级改动说明（非完整可运行大文件）。 题干：给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式。 我会标「必须改 / 建议改 / 可延后」三级，避免过度设计。与「前端 LCP 优化」无关的重构一律不塞进本答。
横向对比
| 模型 | 评分 | 一句话标签 |
|---|---|---|
| kimi-k3 | 9.5 | 本场领先 |
| gpt-5-6-sol | 8.9 | 可作备选 |
| claude-fable-5 | 8.7 | 可作备选 |
| deepseek-v4-pro | 8.6 | 可作备选 |
| glm-5-2 | 8.4 | 可作备选 |
怎么选
- 优先选 kimi-k3：本场综合分最高，适合把「给出改善 LCP 的 8 条工程手段，按「改动成本/收益」排序并注明度量方式。」这类任务作为主方案。
- 备选 gpt-5-6-sol：与第一名分差 0.6，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「前端 LCP 优化：可执行清单谁更全？」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。