摘要
我们使用 Kimi K2.7 Code 和 Claude Fable 5 生成了 12 个落地页。Kimi 的成本降低了 94%，并且在几乎每个页面上得分都相差无几。开源模型不仅更便宜，而且在质量上确实具有竞争力。差距缩小的速度比人们意识到的要快。
我们进行了一项实验，让 Kimi K2.7 Code 和 Claude Fable 5 各自生成 12 个落地页进行并排比较。总体而言，Kimi K2.7 Code 的成本比 Fable 5 低约 94%，并且输出质量相似，尤其是在我们通过设计 MCP 为 Kimi 提供正确上下文之后。
我们在 OVSC 网站 上发布了我们的发现，以及 Claude Opus 4.8、Claude Fable 5 和 Kimi K2.7 Code 生成的所有变体。平均而言，Kimi 比 Fable 便宜约 16 倍，比 Opus 便宜约 8 倍。
OVSC 网站允许您浏览所有落地页以及总成本、Token 使用量和生成时间的明细。
为了理解我们如何运行这个实验，我们首先建立了一个基线，看看模型仅凭提示能产生什么。
提示
我们从几个不同类别的一组小型落地页提示开始，包括 B2B SaaS、屋顶酒吧和用于 SQL 查询的开发者工具。以下是我们使用的提示示例：
- 为将 SQL 查询转换为图表的开发者工具构建一个落地页。
- 为屋顶酒吧构建一个落地页——装饰艺术风格、金箔和祖母绿、1920 年代的魅力。
- 为 B2B SaaS 初创公司构建一个落地页——团队项目管理和协作工具（任务、时间线、团队工作流、集成）。
我们将相同的提示同时提供给 Kimi K2.7 Code 和 Claude Fable 5。
以下是这些模型在要求“为将 SQL 查询转换为图表的开发者工具构建一个落地页”时创建的页面。
不幸的是，两个模型制作的落地页都明显带有 AI 生成的感觉。
即便如此，这为我们提供了每个模型仅凭简单提示能产生什么的有用基线。为了进一步推动设计，我们需要给模型更强的创意方向，而我们发现最有效的方法是使用自定义 MCP 服务器。
设计灵感 MCP 服务器
我们设置了一个自定义 MCP 服务器，提供设计良好的落地页截图，以及单独的 UI 元素和其他视觉参考。由于 Kimi K2.7 Code 是多模态的，我们可以将这些图像直接包含在提示中，与文本一起。
这显著改变了结果。Kimi 不再仅凭简短提示生成布局，而是可以从具体示例中学习，捕捉视觉语言，并将这些模式应用到新页面上。实际上，结果具有更强的层次结构、更好的排版和更有意图的构图。
以下是屋顶酒吧落地页的前后对比：
有了设计灵感，Kimi 生成的页面加载更快，避免了损坏的图像占位符，并使用了更易读的排版。
一旦设计得到改进，我们接下来想探索的是成本。
每个落地页的成本
使用像 Kimi K2.7 Code 这样的开源模型的一个优势是成本。例如，这个 B2B SaaS 着陆页使用 Kimi 仅花费 4 美分。同样的提示词使用 Claude Fable 则花费 1.09 美元，贵了近 27 倍。
平均而言，我们使用 Kimi K2.7 Code 生成的着陆页成本大约是使用 Claude Fable 5 等专有模型生成成本的 1/16。
使用生成式编码代理，你很少只生成一个版本的着陆页。更多时候，你会生成多个变体，以便探索不同的设计方向、文案和页面元素。然后，你迭代那些有潜力的版本，通过反复的实验和调整进行编辑和改进。经过多次反复，即使对于像 SaaS 着陆页这样简单的内容，价格差异也会迅速累积。
如果你使用 Kimi K2.7 Code 生成 100 个页面，与使用 Claude Fable 5 等专有模型相比，你将节省约 94 美元。
低成本是一个明显的优势，但我们也希望有一种方法来比较结果的质量。
比较结果
生成着陆页后，我们希望有一种系统的方法来比较 Kimi 和 Fable。我们不仅关注代码本身，还关注每个页面的整体质量，包括定位、视觉方向、内容结构、工艺、响应性和技术执行。为此，我们给 GPT-5.5 一个评分标准，让它审查并评分每个页面的截图和源代码，并给出 0 到 100 的最终分数。
以下是每个着陆页的分数：
Claude Fable 在两个示例中得分更高，但差距相对较小。Kimi 在设计、结构和整体页面质量上保持竞争力，同时运行成本低得多。对于这种工作流程，我们认为这种权衡是合理的。
最终想法
像 Kimi K2.7 Code 这样的开源模型已经能够生成有用的着陆页，但我们的实验表明，仅靠提示词只是其中的一部分。如果没有更好的上下文，Kimi 和 Claude Fable 都倾向于生成精致但通用的结果。
最大的改进来自于通过自定义 MCP 服务器为 Kimi 提供视觉灵感。一旦它能够从截图和设计参考中工作，页面就变得更具可读性、结构更清晰、视觉上更有意图。
结合较低的成本，这使得开源模型成为此类工作流程的实用选择。如果你能为模型提供更强的输入并以低成本进行迭代，你会取得惊人的进展。
你可以在 Together AI Playground 中尝试像 Kimi K2.7 Code 这样的开源模型。