Netlify与OpenRouter合作，通过AI Gateway支持用户项目使用多种AI模型，并扩展了Agent Runners的模型选择，新增Kimi K3、GLM 5.2等前沿开源模型，提供更强大的编码代理功能。

好的，这是根据您的要求，对原文进行的中文重述：

标题：更多模型，更多选择：对比11种不同AI模型

Netlify与OpenRouter合作，为用户提供了两项新功能：一是用户项目可通过AI网关调用OpenRouter上的任意模型，从而拥有更广泛的模型选择以适应不同任务和预算；二是扩展了Agent Runners中可用的前沿编码模型，新增了Kimi K3、GLM 5.2和DeepSeek V4等热门开源模型。

Agent Runners是Netlify内的聊天提示框，用于从零开始构建或迭代项目。它内部运行的是完整的编码代理，而非简化版。此前，Netlify支持Claude Agent、OpenAI Codex和Gemini CLI等针对特定提供商优化的模型。现在，为了有效驱动更多新模型，Netlify加入了流行的开源代理OpenCode。

面对更多选择，用户自然会困惑：哪个模型最适合我？是否会错过更好或更具成本效益的选择？为了提供参考，Netlify在一系列模型上运行了相同的提示，并分享了测试结果。

测试方法

Netlify内部使用其开源的AXIS工具进行模型自动评估。AXIS会提供多种测试用例（如构建新网站并迭代），并指示代理和模型执行，然后根据生成网站的功能正确性（而非设计）进行评分。例如，检查网站是否在需要时使用了数据库，是否正确使用了Netlify Database，或者在没有必要的情况下是否避免了过度设计。如果某个模型测试分数落后，就不会在Agent Runners中提供。

本次测试旨在展示使用不同模型构建项目时，在视觉效果和成本上的差异。测试了三个相对简单的用例：

1. 本地咖啡店网站：初始提示简单，只需静态网站。后续提示要求添加简单的座位预订功能。
2. 简单的待办事项列表Web应用：允许多用户查看和添加任务，从一开始就需要共享数据库。后续要求支持为每个项目上传照片。
3. “我能做什么菜”Web应用：用户输入家中食材，应用通过AI推荐食谱。重点检查网站是否正确使用了AI网关。

对于每个用例，文章展示了生成网站的外观，评论了显著问题，并比较了每个模型生成所消耗的积分。所有模型均在Netlify上使用默认设置运行。

场景一：本地咖啡店

第一个提示是：“为一家社区咖啡店构建一个单页网站：包含营业时间、地址、简短菜单和一张照片。除非我自己编辑，否则内容不会改变。”

文章首先展示了一个积分消耗对比表，列出了11个模型三次运行的平均积分消耗，范围从Claude Opus 5的519积分到DeepSeek V4 Flash的2.4积分不等。文章指出，Claude Opus的一次运行消耗了高达1055积分，而免费计划只有300积分。

随后，文章逐一分析了各模型生成的结果：

• Claude Opus 5：设计精美，细节丰富，但积分消耗高且不稳定。
• Claude Sonnet 5：细节和内容较少，矢量图形更简单。
• GPT 5.6 Sol (低努力模式)：在基本设计直觉上优于Claude Sonnet，内容更丰富。
• GPT 5.6 Terra：视觉语言不同，内容更简单，但并非更差，存在一些视觉小问题。
• Gemini 3.1 Pro：结果非常简陋，仅完成了提示要求。
• Gemini 3.6 Flash：内容更丰富，但存在重复问题。
• Kimi K3：在设计任务中表现不突出，更适合复杂的代理任务。
• Kimi K2.7 Code：设计和内容都非常简单。
• GLM 5.2：三次运行结果差异很大，积分成本低，值得多次尝试。
• DeepSeek V4 Pro：结果不理想，存在图片缺失问题。
• DeepSeek V4 Flash 0731：积分消耗极低，结果参差不齐，其中一次运行效果接近中端闭源模型。

初步结论与展望

文章指出，对于更复杂的项目，评估重点应从设计转向模型是否知道如何使用平台功能、是否严格验证自身工作等。此外，用户需要权衡是选择能自主规划一切的“交钥匙”方案（如Opus），还是选择更简单的模型并通过迭代提示来引导。文章鼓励用户测试不同方法，并预告后续将分享更复杂Web应用用例的测试结果。

根据评论内容，总结如下：

主要观点与论据：

1. 对模型输出相似性的批评（评分：无，作者：isqueiros）：评论指出，在简单提示下，不同模型生成的咖啡店页面设计高度雷同，缺乏独特性。关键引用："it's quite depressing how much alike these all look" 和 "I can't help but strongly feel the AI vibes emanating from that design"。

2. 对基准测试有效性的质疑（评分：无，作者：plumbsamji、jwr、sceptic123）：多位评论者认为，仅凭少量运行（如3次）的测试结果不足以作为模型比较的可靠依据。关键引用："With only three runs per model, the results are highly sensitive to randomness"（plumbsamji）；"any sort of evaluation of benchmark with a sample size of 1 is essentially worthless"（jwr）。

3. 对简单提示测试实用性的怀疑（评分：无，作者：Systemerror7A69、s4i）：评论认为，这种“一次提示”的测试无法反映真实开发场景，因为实际应用中用户会提供更详细、具体的指令。关键引用："this 'oneshot from a simple prompt' eval is fairly meaningless when it comes to model evaluation itself"（Systemerror7A69）；"how often would anyone prompt with very brief instructions"（s4i）。

4. 对低成本/旧模型输出的偏好（评分：无，作者：horsawlarway、feor）：部分评论者更喜欢低成本或旧模型的输出，认为其更简洁、易读，且更少“AI感”。关键引用："Kimi, GLM, and Deepseek all absolutely run away with the 'Can I quickly read the menu and find the address' challenge"（horsawlarway）；"I like the output of the cheaper/older models better... they look less AI-generated"（feor）。

5. 对基准测试方法的建议（评分：无，作者：arjie、jannishan）：评论建议采用更专业的评估方法，如使用LLM作为裁判、建立专业评估机构，或关注任务特定性能。关键引用："deploy the highest end model you have as a judge for others"（arjie）；"we should establish a professional evaluation organization for models"（jannishan）。

平衡性总结： - 支持方：部分评论者认为这种比较有趣且有用（如作者kifler、Schlagbohrer），能直观展示模型差异。 - 反对方：多数评论者质疑其科学性和实用性，认为样本量小、提示简单、缺乏真实场景代表性。 - 中立观点：作者Damjanski简单评价“this is fun!”，作者throwa356262讽刺这是“最容易上HN首页的方法”。