我们做了一个实验：让 Kimi K2.7 Code 和 Claude Fable 5 各生成 12 个落地页进行对比。总体来看，Kimi K2.7 Code 的成本比 Fable 5 低了约 94%（便宜 16 倍），尤其是在我们通过设计 MCP 为 Kimi 提供了合适的上下文后，输出质量也基本持平。
我们已将实验结果发布在 OVSC 网站上，包括 Claude Opus 4.8、Claude Fable 5 和 Kimi K2.7 Code 生成的所有版本。平均而言，Kimi 比 Fable 便宜约 16 倍，比 Opus 便宜约 8 倍。
来自 https://ovsc.vercel.app/ 的截图
OVSC 网站让你可以浏览所有落地页，以及总成本、Token 消耗和生成时间的详细数据。
要理解我们如何运行这个实验，我们先从建立基准开始，看看仅凭提示词模型能产出什么结果。
提示词
我们先用了一小组涵盖不同类别的落地页提示词，包括 B2B SaaS、屋顶酒吧，以及一个用于 SQL 查询的开发者工具。以下是其中一些提示词示例：
- 为一个能把 SQL 查询转化为图表的开发者工具构建一个落地页。
- 为一个屋顶地下酒吧构建一个落地页——装饰艺术风格，金色叶片与翡翠色，1920 年代的魅力。
- 为一个 B2B SaaS 初创公司构建一个落地页——一个团队项目管理和协作工具（任务、时间线、团队工作流、集成）。
我们将相同的提示词同时给了 Kimi K2.7 Code 和 Claude Fable 5。
以下是这两个模型在接到 “为一个能把 SQL 查询转化为图表的开发者工具构建一个落地页” 要求后生成的页面。
遗憾的是，这两个模型制作的落地页都明显带有 AI 生成的痕迹。
设计灵感 MCP 服务器
我们设置了一个自定义 MCP 服务器，提供精心设计的落地页截图、单个 UI 元素以及其他视觉参考。由于 Kimi K2.7 Code 是多模态模型，我们可以直接将那些图片连同文本一起放入提示词中。
这显著改变了结果。Kimi 不再仅仅依靠简短提示词来生成布局，而是能够从具体示例中学习，捕捉视觉语言，并将这些模式应用到新的页面上。实际效果是，结果页面具有更强的层次感、更好的排版和更有意境的构图。
以下是屋顶地下酒吧落地页的前后对比：
有了设计灵感后，Kimi 生成的页面加载更快，避免了破损图片占位符，并使用了可读性更强的排版。
在设计质量提升之后，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在于成本。例如，这个 B2B SaaS 落地页使用 Kimi 只花了 4 美分。同样的提示词使用 Claude Fable 则需要 1.09 美元，贵了将近 27 倍。
平均而言，我们使用 Kimi K2.7 Code 生成的落地页比使用 Claude Fable 5 这样的专有模型便宜大约 16 倍。
使用生成式编码 Agent，你很少会只生成一个落地页版本。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，你会在那些有潜力的版本上迭代，通过反复的实验和调整进行编辑和优化。由于这种反复的来回修改，即使是像 SaaS 落地页这样简单的东西，价格差异也会很快累积起来。
如果你用 Kimi K2.7 Code 生成 100 个页面，与使用像 Claude Fable 5 这样的专有模型相比，可以节省大约 94 美元。
低成本是明显的优势，但我们还需要一种方法来比较结果的质量。
比较结果
生成落地页后，我们想要一种系统化的方法来比较 Kimi 和 Fable。我们不仅仅关注代码本身，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、响应式设计和技术实现。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，给出 0 到 100 的最终分数。
以下是每个落地页的得分：
Claude Fable 在两个示例中的得分都更高，但差距很小。Kimi 在设计、结构和整体页面质量上仍然具有竞争力，同时运行成本却低得多。对于这类工作流程，我们认为这种权衡是合理的。
Claude Fable 在两个示例中的得分都更高，但差距很小。Kimi 在设计、结构和整体页面质量上仍然具有竞争力，同时运行成本却低得多。对于这类工作流程，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落地页，但我们的实验表明，仅靠提示词只是成功的一部分。没有更好的上下文，Kimi 和 Claude Fable 都倾向于产出精致但千篇一律的结果。
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。一旦它能够参考截图和设计素材，生成的页面就变得可读性更强、结构性更好、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，并能够低成本地进行迭代，你就能取得令人惊讶的成果。
你可以在 together.ai 上试用像 Kimi K2.7 Code 这样的开源模型。
