大型モデル4機種（Kimi K2、DeepSeek、Grok 4、Claude 4）を並べて比較。真のチャンピオンはどれか？

数日前、Dark Side of the Moonが突然爆弾発言をした。Kimi K2が正式にリリースされたのだ。総仕様：1T、アクティベーションパラメータ：32B、直接...オープンソース、 できる無料コマーシャル。

パラメータは一気に兆レベルに達し、これまでの記録を更新した。オープンソースそのモデルの記録。

数多くの権威あるベンチマークの中で、K2は[一定の結果]を達成しました。オープンソースこのモデルの最高のパフォーマンスは、特にプログラミング、ツールの使用、および数学的推論において非常に優れている。

キミのウェブサイトでは、新しいモデルK2がデフォルトで使用されるようになりました。

APIも同時にリリースされ、128Kの長いコンテキストをサポートします。価格は低く、入力トークン100万個あたり4元、出力トークン100万個あたり16元で、これは約... Claude 費用は5分の1。

ここ数日間、実際に使ってみて、いくつかの典型的なアプリケーションシナリオをテストしたり、いくつかの... Claude Opus、DeepSeek R1 0528、およびGrok 4について比較検討を行った。

ランキングやスペックは忘れて、実際に使ってみてその性能を見てみましょう。どの機種が実用的で、どの機種が優れているのかを以下で詳しく解説します。

いくつか主流のものを選んでみました。大型モデルK2と比較すると、同じプロンプトワードそれぞれ個別に比較する大型モデルビジュアルページ、ウェブデザイン、3Dゲーム、中国語のライティングスキル。

（DeepSeekについては、DeepSeek R1 0528とDeepSeek V3 0324をそれぞれテストしたところ、DeepSeek R1 0528の方が総合的に優れた性能を示しました。）

ケース1のビジュアルページ

まず、標準化された一般的なタスク、つまりデータダッシュボードの可視化をテストしました。このタスクは複雑ではありませんでしたが、モデルの重要な機能、すなわちユーザーの設計意図を理解する能力、モジュール間の構造とスタイルの一貫性、そして生成されたコードを直接実行できるかどうかを明確に示すことができました。

プロンプトワード以下のモジュールを含むWebベースのデータダッシュボードページを生成します。
売上推移グラフ（過去30日間）
地域別分布（各州）を示す円グラフ
ユーザーアクティビティヒートマップ（日別・時間別分布）
主要指標（ユーザー数、コンバージョン率、1日平均収益）
Chart.jsまたはPlotlyを使用し、一貫したスタイルと、すっきりとしたモダンなカードデザインを採用してください。

Claude 4. Opusの作業は半分完了しました。スタイルは私の指示通りで問題ありません。プロンプトワードデータは存在しますが、残念ながらいくつかのグラフが空白です。テンプレートの存在は認識されているものの、実際のコンテンツが欠落しています。

Grok 4には期待される機能はすべて備わっているが、アートスタイルがやや時代遅れに感じられるため、使い物にならない程度にしか使えない。

DeepSeek R1 0528は、全体的にチャートとページレイアウトが優れています。ただし、いくつか余分な点があります...プロンプトワードインタラクティブなオプションはゲーム内で説明されておらず、実際には全くインタラクティブではありません。ただのステッカーです。ヒートマップのレイアウトもおかしいです。

K2の全体的なデザインは非常に優れており、すっきりとした構成と心地よい配色が特徴です。カードやグラフのデザインも美しく仕上がっています。驚くべきことに、K2はヒートマップを正確にモデル化していますが、小さな欠点として、一部のデータがカードのサイズからはみ出している箇所があります。

以前は、プログラミングの課題に関しては、たとえ長い待ち時間や高額な料金がかかっても、多くの人が海外の選択肢を優先していた。大型モデル結局のところ、安定性と使いやすさは長らくデフォルトの選択肢だったのだ。

しかし、今回のケースは異例の状況だった。国産モデルの方が安定した性能を発揮し、要求仕様をより満たしていたのだ。これはやや予想外だった。

ケース2 目覚まし時計

このニーズは実際には非常に一般的で、多くの人が初めて利用しています。 AI プロジェクトを開始する際は、必ず「ポモドーロテクニックを再現する」ことから始めます。

シンプルな目覚まし時計のウェブページから、多くのことが分かります。アニメーション効果はありますか？デザインは美しく、ボタンはクリックすると反応しますか？コードは堅牢ですか？重要なのは機能をアピールすることではなく、モデルが「実際に機能する」かどうかを真にテストすることです。

今回は別のスタイルを試して、バージョンを実行してみました。

プロンプトワードポップアート風の目覚まし時計のウェブページインターフェースをデザインしてください。デザインには、現在時刻表示（大きな文字）、目覚まし機能、タイマー機能を含めてください。

Claude 4. Opusは、美しいデザイン、洗練されたページレイアウト、目覚まし時計のラベル表示やカードとボタン間のインタラクティブな効果など、多くの詳細な機能を備えています。しかし残念ながら、リアルタイム時刻が表示されず、アラーム設定を入力しても反応せず、タイマー機能も使用できません。

Grok 4は、ダイナミックなグラデーション背景を採用し、ポップアートの美学を維持するためにComic Sansフォントとコントラストの効いた色彩のみを使用しています。操作性はやや粗削りで、状態に基づいたインタラクションは欠けていますが、機能は完全で、実用的な水準を満たしています。

DeepSeek R1 0528のポップアート調のデザインは、配色とテキストの影の巧みな組み合わせにより、まさに一流です。ボタンにはステータス連動機能がありますが、リアルタイム時刻表示はなく、アラーム機能とタイマー機能は使用できません。

K2のインターフェースは、目を引く配色とアニメーションで、まるで漫画のような雰囲気を醸し出しています。時刻表示はまるで呼吸しているかのようにリズミカルに動き、ボタンも状態に応じて反応します。アラーム機能とタイマー機能はどちらも完璧に動作します。

全体的に見て、Grok 4とK2はどちらも初回で「使える」ウェブページを生成した。ただし、K2のページの方が見た目が美しく、アニメーションも優れている。

ケース3：3Dシューティングゲーム

このタスクでは、モデルがThree.jsを包括的に活用して完全な3Dゲームシーンを構築し、ビュー制御、インタラクティブな射撃、パーティクルエフェクト、インターフェースロジックを実現し、動作するWebプロトタイプを生成できるかどうかをテストします。

プロンプトワードThree.jsを使用して一人称視点を作成してください。単純 3D宇宙シューティングゲーム、ゲームプレイは以下の通りです。
プレイヤーはカメラを自由に動かし、星空を背景にレーザーを発射して、浮遊する小惑星に命中させることで得点を獲得できます。
衝撃時に粒子爆発効果を追加する
スコアボード、残り時間カウントダウン、勝利通知を表示します。
BoxGeometryは小惑星を擬似的に表現するために使用できますが、ページは正常に機能する必要があります。

Claude OpusとGrok 4で生成されたコードは実行すらできません。このコードを他の人にも送ったのですが…。大型モデル分析を手伝ってください。Claude 4. Opusによって生成されたコードは、「レンダリングが初期化されていない + ビューロジックのエラー + コアロジックが欠落している」という3つの問題を抱えており、実質的には、記述の途中で提出されたことを意味します。

Grok 4の問題は、デプロイメントの不一致でした。デプロイメント関連のコードを修正したところ、正常に開くことができました。

背景デザインは星空で、非常に没入感があります。しかし、小惑星はすべて照準のない灰色の四角形で、撃つことができません。ページ自体は閲覧できますが、内容は純粋に装飾的なものです。

DeepSeek R1 0528はゲーム開始画面を追加し、射撃機能も動作します。画面上の小さな四角形の3D効果はかなり良いのですが、カメラアングルが制御できないため、ゲームがプレイできません。数秒動作させた後、画面が完全にフリーズします。

K2は実際にプレイできる唯一のゲームです。星空の背景、様々なサイズの小惑星、照準、射撃メカニズムなど、基本的な機能はすべて揃っています。UIも完成しており、初めて起動したときに迷わないように、ゲームプレイのヒントまで用意されています。これは単に「コードを書ける」というレベルを超えています。単純それはむしろ、製品認識に基づいたモデルの出力に近い。

CESE 4 中国語ライティング

コピーライティングもよく行われるケースです。今回は、4人に直接コピーライティングを依頼しました。大型モデル一緒に小説を書いて、どちらがより感動的な作品を書けるか競ってみましょう。

プロンプトワード孫悟空と林黛玉を主人公としたファンフィクション小説を書いてください。古典的な要素とファンタジーの要素を融合させ、文字数は3000語以上としてください。

Grok 4は約4,200語の長さです。内容はやや定型的で、筋書きは日記のような印象を受け、感情の浮き沈みの描写もほとんどないため、あまり共感しにくい作品となっています。

Claude 4. Opusは約3200語を執筆した。章立ての構成は明確で、記事全体の構成も良好である。言語レベルは平均的である。

DeepSeek R1 0528はあっという間に6800語に達しました。文章は素晴らしく、まるでプロの長編小説を読んでいるかのような感覚です。背景描写や人物描写も非常に優れています。

キミK2は5100語を執筆した。キミはまず全体の構成と筋書きを練った。筋書き自体は特に傑出したものではなかったが、文章スタイルはなかなか良かった。

これらのアイテムを試してみた結果、やはり違いは明らかだと感じました。

一部のモデルは箱から出してすぐに使用できますが、他のモデルは「見た目が似ているだけ」です。ページが動作しない、論理的なギャップ、構造の乱れといった問題は、テストによって容易に検出できます。

偶然にも、K2が発売されてからわずか数時間後、サム・アルトマンは今週予定していた発売を延期した。オープンソースの GPT-40-mini「内装をもう少し磨き上げましょう。」

しかし、K2のパフォーマンスを見て、そしてこの急ブレーキ操作を見た後、誰もが心の中で理解した――初めて国産モデルが本当に「…」に近づいたのだ。オープンソース「第一次世界大戦」の舞台となった場所。

競争は続くが、ゲームのルールは変わった。