同一道题5个AI编程工具同台实测:Codex 8分钟交卷,DSH磨了46分钟,token账单差了13倍

一道题：让AI做一个「抓娃娃机为什么总抓不到东西」的拆解视频，只录20秒。

有人把这道题同时丢给了五个「AI编程工具+模型」的组合，每家只给一次机会。结果最快的一家8分钟交卷，最慢的一家硬是磨了46分钟。而真正吓人的不是时间——它们烧掉的token，差了整整13倍。

这不是什么闭门跑分，是社区里有人真枪实弹拿同一个任务干了一轮。我把它扒出来，顺便把账给你们算明白。选AI编程工具，你要是只看跑分表格，基本等于在菜市场看谁家招牌写得大。

一、先上硬数据：同一道题，五张脸

题目用的是一套叫 treardown 的 skills，能把任意机器变成可拆解的3D模拟器，然后录制20秒拆解视频。五个选手分别是：

时间上，最快的Codex比最慢的DSH快了5.8倍。token上，DSH烧了4644万，是Codex的13倍还多，连Kimi的4.9倍都够不着边。六个字：越磨越烧钱。

二、逐个拆人设，别急着选冠军

这轮最反常识的不是数字，是数字背后每个人的人设——跟海报完全两码事。

Codex：快手，但有点莽。8分钟速通，全场最快。可代价是它「太不擅长思考」，特别爱无脑照做指令，甚至把人家给的 treardown skills框架直接给丢了。你要的是它一步一步想明白，它给你的是「不问三七二十一先干完」。快是真快，但你得在旁边盯着，不然它自作主张帮你把流程删了。

Claude Code：墨迹届的质量担当。17分钟不算快，但这轮妥妥的冠军——输出视频质量全场最佳，完美解释了「抓不到」的问题。它的输出token（13万）也印证了这点，人家是真的在老老实实多干活，不是空转。

Kimi Code：闷声干活的性价比苗子。36分钟，950万token，比DSH省了快5倍。测试者原话：完成得不错，能排在opus 5.5后面。这笔账划不划算，得看你在乎的是时间还是钱包。

Gemini：这轮的搞笑担当。21分钟不算慢，但输出瑕疵多到负责活跃气氛。便宜有便宜的道理，别指望它当顶梁柱。

DSH：把「想太多」写进DNA。46分钟，4644万token，独一份把中文题做成了英文视频。它不是不能干，是每次动手前都要把天聊明白了再说，结果活没多干，token烧成了别人的13倍。

三、三个反常识判断，你多半没数

第一，最快的不等于最好的，最贵的也可能只是乱烧。Codex最快但丢框架，DSH最烧钱完成度也没赢，Claude Code才是质量冠军。选工具的第一课是看清你要的是「快」还是「对」。

第二，token差13倍，买的全是「反复推翻重来」。注意那列缓存占比——五家全都96%到99%。这说明什么，每个动作它们都在把同一个上下文重念一遍。DSH那4644万里，绝大部分是自己在跟自己反复确认、反复推倒重来。你多烧的不是「更聪明」，是「选择困难」。

第三，跑分再高，也顶不住一次无脑执行。Codex在跑分表上能打，但真上了复杂度高的原创任务，它连现成框架都敢丢。跑分测的是「它会不会」，实战测的是「它听不听话、想不想清楚」。这俩是两回事。

四、还有一份独立横评当旁证

别以为这一轮是孤例。同一时间，另一家编辑把三套任务喂给四款工具，也得出差不多的结论：Codex CLI三题全对、合计1分42秒、只在要往外跑的时候问1次；而Claude Code默认模式下，动手前要确认11次；Cursor也能全对，但一周的免费额度一趟烧掉23%；Gemini CLI甚至对个人账户已经用不了了。

你品一下，两个完全独立的测试，说的却是同一件事——Codex是「快但莽」那一派，Claude Code是「稳但爱反复确认」那一派。这不是哪个工具对上我胃口的偶然，而是它们各自的底层习惯就长那样。

五、帮你算这笔账

假设你就想花最少的钱，把这20秒视频的任务干完：选Codex是350万token起步，选DSH要4644万，差价13倍。放到真实高频场景里，你每天跑十个这样的任务，拿DSH一天烧的，够Codex烧十三天。再往深一点算，DSH那4644万里有99%都在吃缓存，也就是说它每走一步都得把整本菜单重念一遍，念了半天，产出的成品还没多到哪去。

但你也不能无脑选最便宜的。便宜的那家质量翻车，你返工重做一次，账单直接回去。AI工具的真实成本向来是「单价×次数×返工率」，不是一行API报价。这一轮DSH烧得多但好歹把活干完了，要是哪天真遇上它边磨边答非所问，那200个token只是开了个头。

六、那到底该选谁（我的立场）

• 赶时间、任务不太复杂、预算敏感
  可以上Codex，但记得盯紧点，它可能自作主张。
• 要交付高质量成品（视频、文档、复杂代码）
  优先Claude Code，质量和产出对得起它的「稳」。
• 预算敏感又想要点质量
  Kimi Code可以试试，属于闷声性价比。
• 别一上来就让DSH干一句话的长视频任务
  ，它会在脑内剧场里把你的token烧光。

一句话总结：跑分是广告，同题实测才是体检。别再盯着「谁分高」，先想清楚你要的是快、是对、还是省。这一轮告诉我们，选AI编程工具和相亲一样——第一印象再光鲜，也得让它先干个活儿再下结论。