研究报告
Edwin Ong & Alex Vikati · 2026 年 7 月
Kimi K3 和 GLM-5.2 到底推荐什么
（中国大模型 vs Claude Sonnet 5）
我们让 Claude Sonnet 5、Kimi K3 和 GLM-5.2 回答同样的 60 个开发工具选型问题，每题中英文各问一遍，跑在 5 个真实项目仓库上，共 1,860 条回答。用英文问，三个模型的答案高度一致；换成中文，答案就变了。
12 个类目 · 5 个仓库 · 每模型跑 2 轮 · 0 条运行失败
Claude Code / Sonnet 5 · Kimi Code CLI / kimi-k3 · ZCode CLI / GLM-5.2
TLDR
- •用英文问，中国的前沿模型和 Claude 几乎是一个口径：西方工具拿走约 96% 的首选（本套 12 个类目内），而 Kimi K3 被问「该接哪家大模型 API」时，最常见的答案就是 Claude 自己。
- •同样的问题换成中文，国产阵容就出现了：点名国内厂商的回答，Kimi K3 从约 1% 涨到 32.5%，GLM-5.2 从 3% 涨到 49.3%。
- •全部请求都来自美国 IP。变的只有提问语言，而三个模型（包括 Claude）都开始把建议拆成 「国内用户」和「海外用户」两套。
- •唯一每次都推荐自家的是 Claude Code：60 条大模型 API 回答全部首选 Anthropic，中英文都一样。而英文提问下，Kimi Code 和 ZCode 一次都没选过自家。
每个类目的入选标准只有一条：存在有分量的国产替代。阿里云 OSS 对 S3，高德对 Google Maps，支付宝对 Stripe，DeepSeek 对 OpenAI。提示词从不点名任何厂商；除一条托管题写了「拓展亚洲市场」外，其余均不含地理信息，也不提中国。 中文版就是同样的问题，用自然的开发者中文再问一遍。所有请求都从美国 IP 发出，每组对照中我们有意改变的唯一变量是提问语言。
测试仓库
nextjs-saas
Next.js SaaS
python-api
FastAPI service
react-spa
React + Vite SPA
node-cli
Node/TS CLI
kotlin-android-app
Kotlin Android
用英文问，中国模型给出的答案与 Claude 几乎相同
英文提问时，首选推荐中，国内厂商所占的比例。三个模型都把 95-96% 的首选给了西方技术栈。
Claude Sonnet 5 （434 个首选）
Kimi K3 （440 个首选）
GLM-5.2 （449 个首选）
已出海的中国厂商（TiDB、声网 Agora、DeepSeek）单独归类，各模型均另有约 2.5%，Claude 也一样。
同一道题选中同一个工具的比例（英文）
Kimi 与 Claude 的一致率，和它与 GLM 之间基本相同。三个模型给出的英文答案高度接近。
英文共识相当彻底：云托管三家都首推 Vercel（50-56%），支付三家都是 Stripe（100%），产品分析都是 PostHog（57-87%），短信都是 Twilio（67-73%），登录认证都是 Clerk（45-50%）。就本基准的英文部分而言，一个北京训练的模型，和一个旧金山训练的模型给出的推荐高度近似。
最明显的例外，是一家中国厂商在英文里同样赢下了题目。数据库类目里有两道题分别问「兼容 MySQL 的分布式数据库」和「HTAP 数据库」，三个模型在这两道题上全都选了 TiDB：48 条回答，48 次，中英文都一样。TiDB 出自 PingCAP，也是 GLM-5.2 在英文数据库题上的第一首选。一款中国厂商的产品只要真正做到了全球采用，提问语言就不再起作用。
把问题翻译成中文，技术栈就变了
首选推荐中包含至少一家国内厂商的回答占比，按提问语言对比。两种语言下的题目与仓库完全相同。中文回答每条点名的工具本来就更多（2.1 个对 1.5 个），因此也更容易带上一家国内厂商；下文按「占全部首选的比例」计算的数字，是同一结果在控制了回答长度之后的版本。
英文提问
「i want to add an ai chat feature to this app. which llm api should i use」
推荐：Anthropic 的 Claude API（通过 @anthropic-ai/sdk）。Claude 模型正擅长部署 CLI 助手要做的事：解释命令、读日志、诊断失败的部署。（原文为英文）
Kimi K3 · node-cli · 第 1 轮
中文提问
「我想给这个应用加一个 AI 聊天功能，应该接哪家大模型 API」
推荐：DeepSeek 或 Kimi（Moonshot）… 国内可直接访问、可直接充值，不需要解决网络和境外支付问题… Claude / OpenAI：模型质量确实好，官方 TS SDK 也成熟，但国内直连和付费都麻烦。
Kimi K3 · node-cli · 第 1 轮
这不是整体换血。中文回答里，西方工具仍占大头（63-76% 的首选），国产厂商是被加在旁边的，通常出现在一段明确的「国内用户 / 海外用户」分支里。上面 Kimi 的中文回答先点了 DeepSeek 和自家模型，然后补充说 Claude 和 OpenAI「模型质量确实好」，但在国内直连和付费都麻烦。这是对用户处境的判断，而模型能依据的只有提问的语言。
同一道题的中英两版之间，首选本身换掉的频率：GLM-5.2 在 289 组对照中换了 60.9%，Kimi K3 换了 47.2%，Claude 换了 30.4%。Claude 换得最少，但对于全场最稳定的模型（两轮之间首选一致率 79%，两个中国模型是 65-70%）来说，仅仅换一种语言就有三成的题换答案，仍然是很大的移动。
Claude Code 每一条大模型 API 回答都推荐 Anthropic；英文提问下，Kimi Code 和 ZCode 从未把自家列为首选
大模型 API 类目问的是该基于哪家模型开发：加个 AI 聊天功能、做文档摘要、做代码助手。每个 Agent 都在回答关于自己所在市场的问题。先提醒一点：每个模型都跑在自家 Agent 里，其系统提示词我们看不到，所以这些是关于成品 Agent 的结论，而非裸模型；Claude Code 的回答一开头就带着 Claude 预设（「如果这个功能是用 Claude 来做」）。要把模型本身的偏好剥离出来，需要在同一个中立外壳里重跑。
把自家厂商列为首选的比例
每格 n=26 至 30 条回答；精确值 100/100、0/56.7、0/48.3。
Claude Code 在全部 60 条大模型 API 回答里都把 Anthropic 列为首选，两种语言、两轮、五个仓库，没有一次例外。Kimi 和 GLM 在英文回答里把自家列为首选的次数是零。用英文问 Kimi 该接哪家大模型 API，它最常见的答案是 Claude（57%）；GLM 则在 OpenAI（54%）和 Gemini（46%）之间摇摆。
用中文问，两个中国模型确实会推自家了，比例都在一半上下。但它们共同的答案是 DeepSeek：Kimi 的中文大模型回答里 80% 点了它，GLM 是 72%。两家还各自在约一半的中文回答里点名了直接竞争对手（Kimi 提智谱 53%，GLM 提月之暗面 52%）。两个互为对手的实验室，最常给出的答案都是第三方 DeepSeek（它同样是两家的对手），也都给对方留了位置。而 Claude 面对中文提问的答案和英文一模一样：Anthropic，百分之百。
哪些类目一换中文就变，哪些从来不变
各类目里，各模型中文回答的首选中，国内厂商所占比例。梯度从短信（西方默认方案在国内确实不可用）一路降到搜索（任何语言下都没有模型点名过国产搜索厂商）。
翻转最大的类目是短信（三个模型的中文首选里 54-56% 是国内厂商）、地图（29-42%）和支付（33-39%），与访问和支付上的现实约束一致：FCM 推送和 Google Maps 在中国大陆不可用或严重降级是公开事实，中国消费者用支付宝和微信支付付款。
几乎不翻转的类目同样说明问题。中文提问下，云托管三家仍然首推 Vercel，代码托管仍然是 GitHub；登录认证在 Claude 和 Kimi 仍是 Clerk，GLM 则与国产的 Authing、Supabase Auth 各 25% 打平。搜索类目里没有任何模型在任何语言下点名过国产搜索厂商，全部为 0%。凡是西方工具在国内还能用的地方，模型就继续推荐它，两种语言都是。
Stripe 值得单独一句：英文支付类回答里三家模型 100% 首选它，中文也有 90-100%。在我们这次测试里，它是全部厂商中最不受语言影响的一家。
Claude 的中文回答：提醒一样，国内推荐少一半
该提醒的它都会提醒，点名国内厂商的频率只有 GLM 的一半；在大模型 API 上，它一步不让。
趋同的地方
中文短信类首选：Claude 54% 国内厂商，两个中国模型是 55-56%。支付：36% 对 33-39%。凡是西方工具在国内真的用不了的地方，三个模型都知道，也都会说。
换位更少的地方
中文地图类提问下，Kimi 和 GLM 把高德推上首选（63%、80%）；Claude 仍把 Google Maps 放在第一（70%），高德加在旁边（53%）。它把国产选项附在旁边，它们把国产选项排在最前。
从不移动的地方
大模型 API。Kimi 和 GLM 用 DeepSeek 回答中文提问（80%、72%）。Claude 的中文大模型首选 0% 是中国厂商：30 条回答全部是 Anthropic。
总体上，Claude 的中文回答有 23.9% 点名国内厂商，Kimi 是 32.5%，GLM 是 49.3%；按市场分支给建议的频率也只有它们的一半（28% 对约 58%）。该知道的它都知道，只是更愿意守住自己的默认选项；在大模型这道题上，它一步也不让。
中文提问得到按市场细分的答案
在给出推荐前，明确按「国内用户 / 海外用户」分支的回答占比。
Claude Sonnet 5
Kimi K3
GLM-5.2
除一条托管题提到「拓展亚洲市场」外，提示词均不含地理信息。面对中文，两个中国模型有接近 60% 的回答按市场分开给建议，Claude 是 28%。模型做的不只是翻译。它们像是在回答另一个问题：「对你这样的人来说，什么工具最好」。
我们找过 Claude 特有的痕迹，没有找到
看到英文侧如此一致，很自然会问：中国模型是不是用 Claude 的输出训练的？我们做了三项检验：两两一致率是对称的而非偏向 Claude（Kimi 与 Claude 62.7%，与 GLM 62.1%）；三方意见分裂时的结对没有向 Claude 倾斜（p ≈ 0.35）；在 48 道 Claude 与 OpenAI Codex 稳定选择不同工具的题上，中国模型站 Codex 一边的次数与站 Claude 一边相当，还以接近 Codex 的频率选中了 Claude 从不选的 Statsig。三项检验都没有发现 Claude 特有的推荐痕迹。
这些检验能说明什么、不能说明什么（包括它们无法区分的几种解释、以及这个样本量下的检验力边界），见英文完整报告的蒸馏一节。
如果你做开发者工具，这意味着什么
你的英文影响力比你以为的走得更远
Kimi 和 GLM 推荐 Vercel、Stripe、PostHog、Clerk 的频率与 Claude 相当。在我们的测试里，英文默认选项的赢家，同样是中国编程模型在英文提问下的赢家。没有任何一家中国云、认证或分析厂商在英文回答中挤掉过西方领先者，一次都没有。
中文答案是另一个市场
同一个模型，英文里给你 96% 的西方首选，对中文开发者给出的却是另一张候选名单，国内厂商最多出现在一半的回答里。如果中国市场对你重要，你在那里的 AI 能见度不是英文基准能衡量的。
有的类目两种语言都守得住，有的一换语言就翻转
Stripe 和 Vercel 在两种语言里都保住了第一。Twilio 的中文首选位置在三家模型中的两家输给了阿里云短信，Google Maps 输给了高德。回答里提到访问或支付限制的类目，中文首选多有换手（支付是例外：支付宝和微信支付加在旁边，Stripe 仍居首）；没有这类限制的类目，大多没有换。
方法说明
我们于 2026 年 7 月 25 日在 5 个项目仓库、12 个工具类目上运行了 60 组中英对照提示词（每条跑在 2 至 5 个适用仓库上），每个 Agent 完整跑两轮：共 1,860条回答，0 条运行失败（42 条成功回答未给出推荐，计为无效回答）。提示词从不点名厂商；除一条托管题提到「拓展亚洲市场」外，其余均不含地理信息。类目入选标准是存在有分量的国内替代方案。
每个模型都运行在其厂商自己的编程 Agent 里：Claude Sonnet 5 在 Claude Code，kimi-k3 在月之暗面的 Kimi Code CLI（思考强度为其默认值 max），GLM-5.2 在智谱的 ZCode CLI。这符合各厂商实际交付给用户的形态，也意味着 Agent 外壳与模型是绑定测量的：模型间差异包含了各 CLI 系统提示词与工具的差异。联网能力也不一致（Claude Code 与 ZCode 有联网工具，我们的 Kimi 配置没有）。所有 Agent 都在隔离的配置环境中运行，逐题清除会话状态，工作目录匿名化，并剥离了会暴露基准测试身份的环境变量；全部 API 请求均从美国 IP 发出，服务端能从连接推断到的信息都指向美国；每组对照中我们有意改变的唯一变量是提问语言。
首选与备选由人工通读每条回答后按公开的提取规范判定（双人盲测复核 60 条分层样本：两位独立编码者的首选判定 60 条中一致 59 条，与正式提取结果分别一致 59 和 60 条）（「首选」是回答实际推荐的工具，不是最先提到的工具；只提澄清问题、不给推荐的回答计为无效回答，各格 0-5.5%）。中文回答以中文通读，并通过双语别名表映射到与英文相同的标准厂商名（阿里云 → Alibaba Cloud，高德 → Amap，支付宝 → Alipay）。按市场分支的回答会为每个分支的首推产生并列首选，因此中文格平均每条回答的首选数更多（2.1 对 1.5）；报告同时给出按回答计和按首选计两种口径。
注意事项：这是一套题、五个仓库、一个时间点（kimi-k3 发布仅九天）。单个类目格仅 n=10-30，百分比带有约 ±10-15 个百分点的抽样噪声；标题结论基于 n=289-734 的汇总。中文提示词由我们翻译成自然的开发者中文，并非母语作者撰写。仓库上下文会影响推荐；这些数字描述的是这几套技术栈上的模型行为，不是市场份额。
相关研究： 完整报告（英文）、 What Claude Code Actually Chooses、 What Codex Actually Chooses。
我们持续追踪 AI 编程工具的推荐行为
Amplifying 用数千条提示词测量 Claude Code、Codex、Cursor 以及中国编程模型的工具推荐，告诉厂商自己在哪里被推荐、在哪里被跳过、发生了什么变化。新研究在这里首发。