Day 04 · LLM API 横评：GLM / DeepSeek / Qwen / OpenAI

梅雅达编程笔记

163人浏览 · 2026-07-27 20:04:53

梅雅达编程笔记 · 2026-07-27 20:04:53 发布

「AI Python 系列」第 01 栏 · AI 时代的 Python 办公自动化

全栏 20 篇 · 零成本跟完 🍃

品牌：梅雅达编程笔记

摘要： 同一个任务跑四家大模型API，速度、质量、免费额度全面对比。GLM-4.7-Flash永久免费，DeepSeek V4-Flash便宜量大，Qwen试用额度90天，GPT-4o-mini需付费翻墙。附横评脚本一键测出你家该用谁。

开篇 · 四家模型，到底选哪个？

Day 02 搭环境的时候说了：我们的 llm_client.py 支持四家模型一键切换。但很多读者问：

“GLM 免费是真好用，但万一不够呢？”
“DeepSeek 最近很火，跟 GLM 差多少？”
“公司要求用 Qwen，能无缝切过去吗？”
“GPT-4o-mini 到底比国产强多少？”

今天不吹不黑，用同一套任务跑四家模型，速度、质量、成本，一个一个给你摆出来。

前提说明： 本篇代码只需要你有 GLM 的 Key（Day 02 已配好）就能跑。其他三家有 Key 就测，没 Key 自动跳过，不影响你看到对比方法。

一、2026 年 7 月：四家模型最新现状

以下数据截至 2026 年 7 月 19 日，各平台可能调整策略，以官方页面为准。

价格与免费额度对比

维度	GLM-4.7-Flash	DeepSeek V4-Flash	Qwen-Plus	GPT-4o-mini
价格策略	永久免费	试用后付费	试用后付费	付费
免费额度	永久免费 + 新用户送2000万Token	新用户送100万Token（一次性）	新用户约100万Token（90天有效）	无免费额度
输入价格	¥0	¥0.02/百万(缓存命中) · ¥1/百万(未命中)	¥0.75/百万	$0.15/百万(约¥1.08)
输出价格	¥0	¥2/百万	¥3/百万	$0.60/百万(约¥4.32)
国内访问	✅ 直连	✅ 直连	✅ 直连	❌ 需翻墙
注册门槛	手机号	手机号	阿里云账号	海外信用卡

能力参数对比

维度	GLM-4.7-Flash	DeepSeek V4-Flash	Qwen-Plus	GPT-4o-mini
上下文窗口	200K	1M	256K	128K
最大输出	128K	384K	8K	16K
JSON 输出	✅	✅	✅	✅
Function Calling	✅	✅	✅	✅
并发限制	30	2500	按量	按量
架构	MoE 30B/3B激活	MoE	—	—

几个关键发现：

GLM-4.7-Flash 是唯一永久免费的——其他三家要么试用期过后收费，要么一开始就收费
DeepSeek 上下文最长（1M），但免费额度只有 100 万 Token，跑完就没了
Qwen 免费层已于 2026 年 4 月结束，现在只有 90 天试用额度
GPT-4o-mini 对国内用户门槛最高——需要海外信用卡 + 翻墙

⚠️ 重要更新： DeepSeek 的旧模型名 deepseek-chat 将于 2026 年 7 月 24 日弃用，新名称为 deepseek-v4-flash。我们的 llm_client.py 已更新为新名称。（来源：DeepSeek 官方文档）

二、传统做法 vs AI 时代做法

传统做法：手动一家家试

想对比四家模型，传统方式是：

打开四个浏览器标签页
把同一个问题复制粘贴四遍
手动记录响应时间和输出内容
人眼对比质量

痛点： 慢、容易漏、不可复现、没法批量测。

AI 时代做法：一段代码跑四家

用我们的 llm_client.py，切换供应商只需要改一个参数：

# 同一个任务，跑四家
for provider in ["glm", "deepseek", "qwen", "openai"]:
    client = LLMClient(provider=provider)
    result = client.chat("帮我写个周报")
    print(f"{provider}: {result}")

优雅在哪：

一键切换，代码不变
自动计时
批量任务可复现
没 Key 的自动跳过，不报错

三、三大测试任务设计

为了公平对比，我们设计三个典型办公场景任务：

任务 1：周报生成（测试生成能力）

输入： 一段工作要点
考察： 内容质量、格式稳定性、字数控制

任务 2：邮件分类（测试理解能力）

输入： 3 封待分类邮件 + 3 个示例（Few-shot）
考察： 分类准确率、一致性

任务 3：JSON 信息提取（测试结构化输出）

输入： 一段非结构化文字
考察： JSON 格式是否正确、字段是否完整

四、完整代码：四家模型横评脚本

完整代码已放到 model_compare.py 文件中，需要的可以找我要。以下是主要代码逻辑：

`model_compare.py`（主要代码）

"""四家 LLM API 横评脚本"""
from llm_client import LLMClient

# 四家供应商
PROVIDERS = ["glm", "deepseek", "qwen", "openai"]

def init_clients():
    """初始化所有已配置 Key 的客户端，跳过未配置的"""
    clients = {}
    for provider in PROVIDERS:
        try:
            clients[provider] = LLMClient(provider=provider)
        except ValueError:
            pass  # 未配置 Key 自动跳过
    return clients

# 三大测试任务
def task1_summary(client, provider_name):
    """任务1：周报生成（测试生成能力）"""
    result = client.chat("工作要点...", system_prompt="写简洁周报...", temperature=0.3)
    return {"task": "周报生成", "provider": provider_name, "content": result}

def task2_classify(client, provider_name):
    """任务2：邮件分类（测试理解能力，Few-shot）"""
    # 3个分类示例 + 3封测试邮件，调用 client.chat() 进行分类
    result = client.chat("分类示例 + 测试邮件...", temperature=0)
    return {"task": "邮件分类", "provider": provider_name, "content": result}

def task3_json(client, provider_name):
    """任务3：JSON提取（测试结构化输出）"""
    result = client.chat_json("张三，手机号13800138000...", temperature=0.1)
    return {"task": "JSON提取", "provider": provider_name, "content": result}

def main():
    """主流程：遍历四家模型，依次执行三个任务，汇总结果"""
    clients = init_clients()
    tasks = [task1_summary, task2_classify, task3_json]
    
    for task_func in tasks:
        for provider, client in clients.items():
            result = task_func(client, provider)
            # 输出耗时、长度、内容...
    
    # 打印横评汇总表...

if __name__ == "__main__":
    main()

运行方式

# 确保已配置 .env（至少有 GLM_API_KEY）
python model_compare.py

预期输出（仅 GLM 时的效果）

============================================================
四家 LLM API 横评
============================================================

初始化客户端：
  ✅ GLM-4.7-Flash 就绪
  ⏭️ DeepSeek V4-Flash 跳过（未配置 Key）
  ⏭️ Qwen-Plus 跳过（未配置 Key）
  ⏭️ GPT-4o-mini 跳过（未配置 Key）

共 1 家模型就绪，开始测试

============================================================
  任务1：周报生成
============================================================

--- GLM-4.7-Flash ---
  ⏱️ 耗时：1.23s
  📏 长度：287字
  📝 内容：
     ## 本周完成
     - 订单模块重构：优化接口逻辑，响应速度提升约40%
     - 修复12个bug（严重级3个，一般级9个）
     - 数据库查询优化，慢查询减少60%
     ...

============================================================
  任务2：邮件分类
============================================================

--- GLM-4.7-Flash ---
  ⏱️ 耗时：2.15s
  📏 长度：3封
  📝 内容：
     [售前咨询] 你们的价格能优惠吗
     [售后咨询] 发票怎么开
     [技术投诉] 系统又崩了

============================================================
  任务3：JSON提取
============================================================

--- GLM-4.7-Flash ---
  ⏱️ 耗时：0.87s
  📏 长度：89字
  📝 内容：
     ✅ 合法JSON
     {"name": "张三", "phone": "13800138000", "email": "zhangsan@meiyada.com", "company": "梅雅达公司"}

============================================================
  📊 横评汇总
============================================================

任务           模型                 耗时       长度
-------------------------------------------------------
周报生成       GLM-4.7-Flash        1.23s      287字
邮件分类       GLM-4.7-Flash        2.15s      3封
JSON提取       GLM-4.7-Flash        0.87s      89字

注意： 实际耗时和输出内容每次可能略有不同。如果你配置了多家的 Key，会看到四家并排对比的效果。

如果想测其他家？

在 .env 文件中添加对应的 Key 即可：

# 已有
GLM_API_KEY=你的智谱Key

# 可选：添加其他家
DEEPSEEK_API_KEY=你的DeepSeekKey
DASHSCOPE_API_KEY=你的通义千问Key
OPENAI_API_KEY=你的OpenAIKey

添加后重新运行 model_compare.py，脚本会自动检测并测试所有已配置的模型。

五、选型建议：你的场景该用谁？

场景一：跟这个专栏学习

推荐：GLM-4.7-Flash

理由很简单——永久免费。200K 上下文够用，128K 输出空间充足，中文能力优秀。整个专栏 18 篇跑下来一分钱不花。

💡 外部背书： 2026 世界人工智能大会上，巴西科学院院士博姆接受央视采访时专门点赞中国开源大模型，透露自己正在测试智谱 GLM。连算力受限国家的科学家都开始关注，说明国产开源模型确实站住了。

场景二：公司有阿里云生态

推荐：Qwen-Plus

如果你的公司已经用了阿里云，通义千问跟阿里云的 OSS、RDS、函数计算等整合更好。但注意免费额度只有 90 天。

场景三：需要处理超长文档

推荐：DeepSeek V4-Flash

1M 上下文是四家里最长的。一本书扔进去都行。价格也便宜——缓存命中时百万 Token 只要 0.02 元。但免费额度只有 100 万 Token，跑几次长文本就用完了。

场景四：英文为主的工作场景

推荐：GPT-4o-mini

英文理解能力略强于国产模型。但需要翻墙 + 海外信用卡，门槛最高。如果不是必须用 OpenAI，GLM-4.7-Flash 的英文能力也够日常用。

最终建议

你的情况	推荐	理由
零成本学习	`GLM-4.7-Flash`	永久免费，质量够用
商用低成本	`GLM-4.7-Flash` + `DeepSeek` 备用	GLM 免费，`DeepSeek` 兜底
企业级	`Qwen-Plus` / `DeepSeek V4-Pro`	生态整合 + SLA 保障
海外业务	`GPT-4o-mini`	英文场景 + 国际兼容性

一句话总结： 对 95% 的个人开发者和中小团队来说，GLM-4.7-Flash 免费且够用。只有当你确实遇到了 GLM 处理不了的复杂场景，才需要考虑付费替代方案——而且那时候你已经知道该花多少钱了。

📊 本篇成本透明栏

项目	数值
API 调用次数	约 7 次（仅 GLM：3任务×约2次）
消耗 Token	约 8,000 tokens
成本	¥0（GLM-4.7-Flash 永久免费）
免费额度是否够	✅ 够用
商用估算	¥0（GLM）/ 约¥0.02（DeepSeek）/ 约¥0.03（Qwen）