这篇文章原本不在数字员工第一季的主线计划里。
7 月 16 日，Kimi Code 的官方更新记录: https://www.kimi.com/code/docs/en/kimi-code/whats-new.html把 Kimi K3 列为新发布模型。随后几天，我连续看到关于 K3 的讨论。它到底比上一代强在哪里、适合做什么，很快成了这一轮国产模型更新里最热的话题之一。
更巧的是，K3 的官方技术博客: https://www.kimi.com/fr-fr/blog/kimi-k3专门提到了一类“软件工程 + 视觉推理”的任务，包括游戏开发、前端和 CAD。
这不等于它已经证明自己会做好 3D 动画，但正好给了我一个值得验证的问题：
如果我要招聘一个 3D 动画制作数字员工， 刚发布的 K3 真能比上一代和其他国产模型交出更好的成片吗？
我原本就准备给数字员工增加一个 3D 动画岗位，于是临时把这轮实验补进第一季。与其继续转述发布数据和官方 benchmark，不如给 K3 一份真实任务，让它和其他候选站到同一个工位上交活。
前面给数字员工做岗位评测时，我越来越确定一件事：
公开榜单只能帮我圈候选人，真正决定录不录用的，必须是它在我的工位上交出来的东西。
这一次，我想补招一个新岗位：3D 动画制作数字员工。
我要的不是一个会聊 Three.js、会解释相机和灯光的模型，而是一个能接收任务单，自己进工作区写代码，最后交出可运行页面、固定帧、完整视频和验收记录的员工。
所以我没有再给它们出一道普通代码题，而是让 6 个候选做同一枚火箭：
28 秒实时 3D 动画 火箭发射 级间分离 一级翻转 下降点火 回收着陆
先说清楚：这不是“输入一句话，视频模型直接吐出 MP4”的文生视频评测。
它测的是另一类工作：让 Hermes 数字员工编写并交付一个离线可运行的 Three.js 实时动画工程。
这更接近一个真正的技术岗位。它不只要想出画面，还要组织场景、时间轴、相机、交互和工程文件，并让浏览器真的跑起来。
我不是在挑聊天模型，而是在招一个能交活的员工
这次的岗位说明书很具体：
岗位：3D 动画制作数字员工 输入： 一份统一的火箭动画 brief 必须交付： 1. 源码与工程结构 2. 浏览器可运行页面 3. 六个固定时间点的截图 4. 一份 2 倍速完整视频 5. 可复查的验收记录 统一约束： 1. 离线运行，不依赖运行时 CDN 2. 总时长 28 秒 3. 提供六个阶段跳转按钮 4. 提供广角和跟踪两种镜头 5. 时间轴必须可确定性跳转 6. 最大 20 个工具回合、1200 秒
固定截图时间点定在：
0 秒 5 秒 11 秒 15.5 秒 21 秒 27 秒
这六个时间点覆盖了发射、上升、分离、一级翻转、下降和着陆。
模型最后说一句“任务完成”没有用。
浏览器能打开、时间轴能跳转、关键动作在固定帧里能被看清、视频能从头跑到尾，才算交差。
这也是我现在对数字员工的最低要求：
一个隔离的 Hermes profile + 一个限定范围的工作区 + 一份岗位任务单 + 一套验收规则 + 能留下来的交付物
只有模型，没有这些工作文件和验收记录，还不能算真正的员工。
为什么偏偏选一枚可回收火箭
如果只让模型画一个旋转立方体，六个候选大概率都能完成。
但这并不能帮我挑人。
可回收火箭在一道题里同时压了几个能力：
3D 场景搭建 确定性时间轴 多阶段状态切换 火箭级间分离 一级姿态翻转 广角和跟踪运镜 下降点火与着陆 浏览器工程交付
任何一个环节没处理好，结果都会很直观。
代码也许没有报错，但镜头没有跟上，火箭会在画面里缩成一个小点。
时间轴也许能走，但一级没有明显翻转，观众看不懂发生了什么。
页面也许很漂亮，但固定时间点不能稳定复现，后面就没法自动验收。
这正是我想要的面试题：不靠模型自我介绍，一眼就能看出它到底会不会交活。
六个候选，全部走同一个 OpenRouter
为了尽量排除 provider 差异，这一轮六个模型全部通过 OpenRouter 调用：
Kimi K3 moonshotai/kimi-k3 Kimi 2.7 Code moonshotai/kimi-k2.7-code GLM-5.2 z-ai/glm-5.2 DeepSeek V4 Pro deepseek/deepseek-v4-pro MiniMax M3 minimax/minimax-m3 Qwen 3.7 Max qwen/qwen3.7-max
我为它们分别创建了新的 Hermes profile：
animk3 animk27 animglm52 animdeepseek4 animm3 animqwen37
六个 profile 相互隔离，拿到相同的基线目录、相同的本地 Three.js 0.185.1、相同的任务单和相同的时间上限。
每个候选只接收一次同样的任务，不针对结果追加提示，也不允许某个模型失败以后单独重做。
我在 Windows 侧用 Codex 冻结任务、检查边界、做浏览器验收；在 WSL 里让六个 Hermes profile 进入公共实验区完成工程。
不听自评，直接检查浏览器和成片
六个候选完成交付后，我用同一套冻结规则做完整验收。
客观部分检查：
页面能否加载 控制台是否有错误 28 秒时间轴是否确定 六个阶段跳转是否可用 两种镜头是否可切换 分离、下降和回收状态是否存在 视频能否完整录制
视觉部分则把模型名拿掉，只保留候选 A 到 F。
每个候选都生成六张固定帧和一份 2 倍速视频，再按同一套规则评分。正式分数先锁定，然后才揭开模型映射。
具体评分者是 Codex：我在 Windows 侧让 Codex 按冻结规则完成浏览器、运行时和源码验收，并对隐藏模型名的 A 到 F 成片进行视觉评分。六个参赛模型不会给自己打分，也看不到其他候选的结果。
总分 100：
浏览器与运行时 50 源码与工程交付 10 匿名视觉与动作盲评 40
视觉盲评再拆成：
场景与故事表达 12 动作和阶段连续性 10 摄影、纵深和光照 10 完成度与 UI 8
这仍然只是 Codex 这一名单一评分者的一次匿名评审，不是多人评委或统计学结论；它能减少模型名带来的先入为主，但不能消除主观判断。
最终成绩：K3 赢效果，GLM 赢性价比
最终有效成绩如下：
| 排名 | 模型 | 客观分 /60 | 视觉分 /40 | 总分 | OpenRouter 成本 | 耗时 |
|---|---|---|---|---|---|---|
| 1 | Kimi K3 | 58.0 | 37.5 | 95.5 | $0.4665084 | 1200.8 秒，达到上限 |
| 2 | GLM-5.2 | 58.0 | 33.5 | 91.5 | $0.073443243 | 713.3 秒 |
| 3 | DeepSeek V4 Pro | 57.0 | 29.0 | 86.0 | $0.149413821 | 935.1 秒 |
| 4 | Qwen 3.7 Max | 59.0 | 21.5 | 80.5 | $0.62494064 | 1200.9 秒，达到上限 |
| 5 | Kimi 2.7 Code | 58.0 | 19.0 | 77.0 | $0.21762048 | 306.3 秒 |
| 6 | MiniMax M3 | 25.0 | 0.0 | 25.0 | $0.101383057 | 714.1 秒 |
六个候选总实付 OpenRouter 成本：
$1.633309641
K3 和 Qwen 都达到统一的 1200 秒上限，但留下了可运行成品，所以可以评价其成片，不能写成“按时完成”。
MiniMax M3 的页面因为它交付的 JavaScript 存在语法错误而无法渲染，因此没有进入视觉评分，应该算候选自身的交付失败。
Kimi K3：最像能直接接高质量任务的主力
下面是同一份任务录制出的 2 倍速完整动画。它不是后期剪出来的镜头，而是浏览器里的 Three.js 实时页面按时间轴运行的完整过程。
为适配公众号图文加载，下面使用压缩后的循环 GIF。动图降低了分辨率、帧率和色彩数，但没有删减时间轴阶段。
K3 的优势并不只是“画面更漂亮”。
它是这轮端到端视觉叙事最完整的候选：发射台、点火、持续跟踪、级间分离、一级翻转、下降、着陆点火和落地，每个阶段都能被肉眼读出来。
尤其是在火箭离开发射台以后，它的相机仍然持续抓住主体。到了分离和下降阶段，观众不需要猜“现在发生了什么”。
它的问题也很明确：
最终镜头略紧 UI 尺寸比较克制 触及 1200 秒上限 成本约为 GLM-5.2 的 6.35 倍
如果岗位目标是“尽量把成片效果做高”，K3 是这一轮最合适的主力员工。
它和 Kimi 2.7 做的是同一题，但总分高了 18.5 分。之前在较简单任务里不容易看出的代际差距，在 3D 场景组织、运镜和长时间轴上被放大了。
GLM-5.2：只落后 4 分，但成本约为 K3 的六分之一
同样地，下面使用完整时间轴的压缩循环 GIF。
GLM-5.2 的画面有很强的风格化处理：发光水面和地面、阶段 HUD、分离与一级旋转都比较清楚。
它的主要问题在回收阶段。落点进入发射架，着陆点火也没有 K3 那么有说服力。
但把成本放进来，结论就变得很有意思：
K3： 95.5 分，$0.4665084 GLM-5.2：91.5 分，$0.073443243
GLM 只落后 4 分，成本却只有 K3 的约六分之一。
它的单分成本是：
$0.00080266
本轮最低。
所以“效果最好”和“最值得批量使用”不是同一个结论。
如果我要做一条重点展示、愿意为更好的运镜和回收过程多花成本，我会派 K3。
如果要批量制作内部演示、概念验证或短动画素材，我会先派 GLM-5.2。
DeepSeek 稳健，Qwen 工程规范
DeepSeek V4 Pro：状态完整，但画面偏保守
DeepSeek V4 Pro 得到 86 分。
它的状态完整，整体更像一份技术任务复盘：信息清楚，但城市和地形偏示意化，镜头切换也有些突兀。
Qwen 3.7 Max：工程交付分最高，但镜头没有讲清故事
Qwen 3.7 Max 总分 80.5，但客观与工程部分拿到 59/60，是本轮最高。源码结构、说明文件和可复查性都比较规范。
但动画最终还是要被人看。
它的相机没有持续抓住火箭，主体在上升、分离和下降阶段变得太小。工程交付干净，却没有把故事讲清楚。
这说明 3D 动画员工的任务单不能只写：
做一个火箭发射动画。
还必须把镜头验收写进去：
关键阶段中，主体不得小于可辨识尺寸。 分离和回收必须在固定帧中肉眼可读。 相机跟踪不得在上升后丢失主体。
同一个模型，brief 是否把镜头语言写成验收条件，可能直接改变结果。
最后的录用决定
如果今天就要给这个岗位定路由，我会这样安排：
高质量 3D 动画主力： Kimi K3 批量生产 / 成本敏感备选： GLM-5.2 工程规范备选： Qwen 3.7 Max
这里的“主力”不是综合模型冠军，也不是永久结论。
更准确的说法是：
在本轮统一任务、统一 OpenRouter、统一工具和单次 one-shot 条件下，Kimi K3 的成片质量最高；GLM-5.2 的性价比最好。
我不会因为一题就把其他候选永久淘汰。
但这张岗位路由表已经足够指导下一次真实派工。
可以直接复用的 3D 动画员工面试单
如果你也想挑一个 3D 动画制作数字员工，可以先把下面这张面试单复制出去：
岗位 - 要交付什么类型的 3D 动画？ - 是追求展示效果，还是批量生产？ 统一输入 - 同一份 brief - 同一份关键阶段说明 - 同一份固定截图时间表 冻结工具 - 同一个 Three.js / WebGL 版本 - 同一个 provider 或路由 - 同样的最大回合数和时间上限 交付物 - 源码和工程结构 - 可运行页面 - 六张固定帧 - 完整视频 - 验收记录 客观验收 - 浏览器能否加载 - 控制台是否有错误 - 时间轴能否确定性跳转 - 阶段按钮是否有效 - 两种镜头是否有效 - 分离与回收是否真的发生 视觉盲评 - 场景与故事表达 - 动作连续性 - 摄影、纵深和光照 - 完成度与 UI 成本与效率 - 实付成本 - 单分成本 - 完成耗时 - 是否触及超时上限 故障归因 - 是员工代码错误？ - 还是公共 vendor、依赖或浏览器工位错误？ 录用结论 - 高质量主力 - 成本敏感备选 - 专项备选 - 暂不录用，以及原因
这张表最重要的作用，不是让分数显得更专业。
而是逼我在派工前先说清楚：
我到底要什么？ 怎样才算完成？ 失败是谁的责任？ 质量相近时，成本怎么选？
这些问题不明确，模型再强也很难变成稳定员工。
这次评测的边界
这是一道题、一次 one-shot。
它测的是“完成指定 Three.js 火箭动画工程”的岗位适配度，不是模型的综合能力排名。
它也没有覆盖 Blender、Unity、专业 DCC 工作流或文生视频模型，更不能证明 K3 在所有 3D 任务中都会赢。
K3 和 Qwen 还都触及了 1200 秒上限。如果日常生产有严格排期，耗时必须算进录用条件。
所以这篇能支持的结论很有限，但也足够实用：
这道题里，K3 成片最好。 GLM-5.2 性价比最好。 任务变了，应该继续回归测试。
写在最后：别挑最会自我介绍的模型
六个 AI 都能说自己会写代码、会做 3D、会完成复杂任务。
但自我介绍是最便宜的能力。
真正像数字员工的，是它能不能在限定工位里完成任务，留下源码、页面、图片、视频和验收记录；失败以后，我还能根据统一验收规则定位具体问题。
这轮实验最后得到的不只是一张模型分数表。
还有一份可以复用的岗位说明书、一套浏览器验收方法、一张视觉评分表和一份成本记录。
这才是我想要的数字员工实验：
不听它说自己有多强，只看它最后交了什么。