在 DeepSWE 基準測試中，我們對比了 Kimi K3 和 GPT-5.6 Sol。該測試評估模型的軟件工程能力，涵蓋多種任務類型和編程語言。GPT-5.6 Sol 在單次嘗試中表現最佳，pass@1 達到 72.7%，創下 DeepSWE 最高記錄。而開源模型 Kimi K3 則在多次嘗試中展現優勢：pass@2 為 82.0%（Sol 81.0%），pass@4 為 89.4%（Sol 85.8%）。
成本方面，Kimi K3 每次運行僅需 4.65 美元，Sol 需 8.37 美元。每 100 美元，Kimi K3 可完成 14.7 個任務，Sol 為 5.3 個，前者效率是後者的 2.8 倍。但 Sol 運行更快（中位數 17 分鐘 vs Kimi 66 分鐘），且步驟更少。
在編程語言上，兩者在 Go 上持平（79% 通過率）。Sol 在 Python（74% vs 68%）、TypeScript（66% vs 60%）和 JavaScript（75% vs 65%）上領先；Kimi K3 則在 Rust（65% vs 60%）上勝出。
通過分析覆蓋率（至少一次通過）和可靠性（全部四次通過），Sol 可靠性更高（84.5%），61 個任務全部通過；Kimi K3 覆蓋率更廣（89.4%），但可靠性較低（76.6%），45 個任務全部通過。兩者在任務上的相關性僅為 0.46，表明它們成功和失敗的模式不同。
利用這種差異，路由策略可顯著提升性能。先運行 Kimi K3，若測試套件拒絕結果則升級到 Sol，該級聯策略準確率達 85.6%，超越任一單獨模型，甚至優於完美單次路由器的 83.4%。成本約為每任務 7.30 美元，低於單獨使用 Sol 的 8.37 美元。若兩者均失敗，仍有 5 個任務無法解決，需引入第三模型。
Kimi K3 為開源模型，可通過 Together AI 等平台部署，實現低成本、高覆蓋的編碼方案。總之，Kimi K3 在成本和多次嘗試上佔優，Sol 在單次質量和可靠性上領先，結合路由可最大化收益。