模型选型

引言 “用开源还是商业模型？“这是每个AI应用开发者在项目初期都会面临的核心决策。2026年，开源模型与商业模型之间的差距已经大幅缩小，但在某些关键维度上仍有显著差异。本文将提供一个系统化的决策框架，帮助你做出明智选择。 当前格局 商业模型第一梯队 GPT-5 (OpenAI) — 综合能力最强 Claude 4 Opus (Anthropic) — 推理和安全最佳 Gemini 2.5 Ultra (Google) — 多模态和长上下文领先 开源模型第一梯队 DeepSeek-V4 (671B MoE) — 综合能力最强的开源模型 GLM-5 (智谱AI) — 中文能力最佳 Llama 4 405B (Meta) — 生态最成熟 Qwen 3 235B (阿里) — 性价比最高 维度一：能力上限 综合智能 商业模型在综合智能上仍有一定优势。在MMLU-Pro上，GPT-5得分91.3%，而最好的开源模型DeepSeek-V4为85.8%，差距约5个百分点。但在具体任务上，这个差距可能更小。 复杂推理 在GPQA Diamond等高难度推理基准上，Claude 4 Opus的78.4%远超开源最佳的68.5%。对于需要深度科学推理的场景，商业模型仍有明显优势。 代码生成 SWE-Bench Verified上，GPT-5的71.2%对比DeepSeek-V4的58.9%，差距约12个百分点。复杂软件工程任务上商业模型领先较多。 多模态 Gemini 2.5 Ultra在多模态理解上遥遥领先，开源模型在这一领域仍有较大差距。 结论：如果你的任务需要顶级能力（复杂推理、高级编程、多模态理解），商业模型仍是首选。 维度二：成本 API调用成本 以处理100万token为例： 模型类型 输入成本 输出成本 GPT-5 $10 $40 Claude 4 Opus $15 $75 Gemini 2.5 Ultra $7 $21 DeepSeek-V4 (API) $0.27 $1.1 GLM-5 (API) $0.5 $2.0 开源模型的API价格通常是商业模型的1/10到1/50。 ...

引言 在大模型参数规模动辄千亿的时代，7B级别的小模型正在证明一个事实：大不是唯一解。2026年，7B级模型的能力已经达到了两年前70B模型的水平，成为边缘部署、本地推理和成本敏感场景的首选。本文将对当前主流的7B级模型进行全面横评。 参评模型 Llama 4 8B (Meta) — 2026年3月 Qwen 3 7B (阿里通义) — 2026年4月 GLM-5 Air 6B (智谱AI) — 2026年6月 Mistral 7B v0.4 (Mistral AI) — 2026年2月 DeepSeek 7B v3 (深度求索) — 2026年5月 Gemma 3 7B (Google) — 2026年3月 Phi-4 7B (微软) — 2026年1月 基础能力对比 MMLU-Pro 模型 得分 优势领域 Qwen 3 7B 72.3% 工程、数学 Llama 4 8B 70.8% 人文、社科 GLM-5 Air 6B 69.5% 中文、法律 Phi-4 7B 68.1% 数学、逻辑 DeepSeek 7B v3 67.7% 代码、推理 Mistral 7B v0.4 65.2% 欧洲语言 Gemma 3 7B 64.8% 通用知识 Qwen 3 7B在小模型中领先，已经达到了2024年Llama 3 70B的水平。 ...

引言 中文大语言模型在2026年迎来了爆发式发展。从智谱的GLM-5到阿里的Qwen 3，从DeepSeek-V4到百度的文心5.0，国产模型在中文理解、文化感知、专业领域知识等方面都取得了长足进步。本文将从多个维度对主流中文LLM进行深度对比。 参评模型 本次对比选取以下以中文能力见长的大语言模型： GLM-5 (智谱AI) — 2026年6月发布 Qwen 3 235B (阿里通义) — 2026年4月发布 DeepSeek-V4 (深度求索) — 2026年5月发布 文心 5.0 (百度) — 2026年3月发布 Spark 5.0 (讯飞星火) — 2026年5月发布 Baichuan 4 (百川智能) — 2026年4月发布 Moonshot v3 (月之暗面) — 2026年6月发布 中文理解能力 C-Eval 2026 C-Eval 2026是清华大学推出的中文综合评估基准，覆盖52个学科： GLM-5: 92.1% — 在法律、医学、中国历史等学科领先 Qwen 3 235B: 90.8% — 工程和技术类学科表现最佳 DeepSeek-V4: 88.3% — 数学和逻辑推理类突出 文心 5.0: 87.6% — 文学和哲学类表现优秀 Moonshot v3: 86.9% — 长文本理解优势明显 Spark 5.0: 84.2% Baichuan 4: 82.5% CMMLU 2026 CMMLU是另一个重要的中文多任务理解基准： ...

引言 2026年过半，大语言模型的竞争格局发生了显著变化。从OpenAI的GPT-5系列到Anthropic的Claude 4，从Google的Gemini 2.5到国产的GLM-5、DeepSeek-V4，各家厂商在推理能力、多模态理解、长上下文处理等方面都取得了突破性进展。本文将基于最新公开的基准测试数据，对当前主流LLM进行全面对比。 测试模型清单 本次对比涵盖以下模型： 模型 厂商 版本 参数规模 GPT-5 OpenAI 2026.06 未公开 Claude 4 Opus Anthropic 2026.05 未公开 Gemini 2.5 Ultra Google 2026.04 未公开 GLM-5 智谱AI 2026.06 未公开 DeepSeek-V4 DeepSeek 2026.05 671B(MoE) Llama 4 405B Meta 2026.03 405B Qwen 3 235B 阿里通义 2026.04 235B 核心基准对比 MMLU-Pro 2026 MMLU-Pro作为升级版多任务理解基准，覆盖57个学科领域，考察模型的深层知识理解能力。 GPT-5: 91.3% — 居首位，在哲学、法学等人文领域优势明显 Claude 4 Opus: 89.7% — 在数学和物理上表现出色 Gemini 2.5 Ultra: 88.9% — 跨学科综合能力均衡 GLM-5: 86.2% — 中文相关学科表现突出 DeepSeek-V4: 85.8% — 推理类题目正确率高 Qwen 3 235B: 84.5% — 工程类学科表现亮眼 Llama 4 405B: 82.1% — 开源模型中最佳 GPQA Diamond GPQA Diamond考察研究生级别的科学推理能力，是衡量模型深度推理的重要指标。 ...

引言 选择大模型API时，除了关注模型能力和价格，API的实际性能表现同样关键。延迟、吞吐量和稳定性直接影响用户体验和系统可靠性。本文通过大规模实测，全面对比2026年主流大模型API的性能表现，为生产级应用提供决策依据。 测试方法论 测试环境 测试地域：中国（上海）、美国（弗吉尼亚）、欧洲（法兰克福） 测试网络：商用宽带（500Mbps） 测试工具：自定义压力测试框架 测试周期：2026年6月1日-6月30日（连续30天） 样本量：每个API 100万+请求 测试维度 维度 指标 说明 延迟 TTFT（Time to First Token） 首token响应时间 TPS（Tokens Per Second） 生成速度 E2E延迟 端到端总延迟 吞吐量 QPS（Queries Per Second） 单连接每秒查询数 并发上限 服务商允许的最大并发 稳定性 可用性（SLA达成率） 99.9% / 99.95% / 99.99% 错误率 4xx/5xx错误占比 超时率 请求超时占比 质量一致性 输出质量波动 同一prompt多次调用的质量方差 延迟测试 TTFT（Time to First Token） 测试配置：输入512 tokens，要求输出200 tokens，单请求。 API 中国(ms) 美国(ms) 欧洲(ms) P50 P95 P99 GPT-5.5 850 420 680 420 1200 2500 Claude Opus 4.1 1100 520 820 520 1500 3200 Gemini 3.5 Pro 920 380 750 380 1100 2800 DeepSeek V4 680 320 580 320 980 2200 Qwen3.5 Max 420 880 920 880 2500 4800 GLM-5-Plus 480 950 980 950 2800 5200 关键发现： ...

引言 2026年，大模型选型已经成为一个复杂的决策问题。市场上有数十个模型，每个模型都有不同的性能、价格、能力和限制。本文提供一套系统化的选型方法论，通过决策树和场景匹配，帮助开发者和企业做出最优选择。 选型方法论 五维度评估框架 维度 权重 说明 任务匹配度 30% 模型能力是否满足任务需求 成本效益 25% 总拥有成本（TCO）是否合理 部署可行性 20% 技术、硬件、合规是否可行 生态成熟度 15% 工具链、社区、支持是否完善 未来适应性 10% 模型迭代和升级路径是否清晰 场景分类 将需求分为6大类： 对话助手：聊天机器人、客服、个人助手 内容生成：写作、翻译、摘要、创作 代码开发：代码生成、调试、重构、文档 数据分析：数据处理、可视化、报告生成 专业领域：法律、医疗、金融、教育 多模态应用：图像理解、视频分析、语音交互 决策树 决策树1：按任务类型 开始选型 ↓ 任务类型？ ├─ 对话助手 → 决策树2（按对话量） ├─ 内容生成 → 决策树3（按内容质量） ├─ 代码开发 → 决策树4（按代码复杂度） ├─ 数据分析 → GPT-5.5 / Claude Opus 4.1 ├─ 专业领域 → 决策树5（按领域） └─ 多模态应用 → 决策树6（按模态组合） 决策树2：对话助手 对话量？ ├─ 高频（>100万次/月）→ DeepSeek V4 / Qwen3.5 Turbo │ （性价比优先） ├─ 中频（10-100万次/月）→ Qwen3.5 Max / GLM-5-Plus │ （平衡质量与成本） └─ 低频（<10万次/月）→ 决策树2.1（按质量需求） ↓ 需要最高质量？ ├─ 是 → Claude Opus 4.1 / GPT-5.5 └─ 否 → Qwen3.5 Max / DeepSeek V4 推荐组合： ...

引言 2026年，小模型迎来了一场静悄悄的革命。随着模型架构优化、训练方法改进和推理技术成熟，3B级模型的能力已经达到了2024年70B模型的水准。用2024年的眼光看，今天的3B模型已经"够用"于大多数日常任务。本文将全面分析3B级小模型的能力边界、实用场景和部署方案，打破"小模型不行"的迷思。 小模型能力进化 2024 vs 2026：3B模型的能力跃迁 基准 2024年Qwen2 3B 2026年Qwen3.5 3B 提升 MMLU-Pro 42.3% 62.3% +20.0% HumanEval+ 45.2% 75.5% +30.3% GPQA Diamond 18.5% 42.1% +23.6% C-Eval 55.8% 72.8% +17.0% BBH 48.2% 68.5% +20.3% 短短两年，3B模型的各项能力提升了15-30个百分点。这意味着很多2024年需要70B模型才能完成的任务，2026年3B模型就能胜任。 为什么小模型突然"变强"了？ 1. 知识蒸馏的进步 2026年的蒸馏技术更加成熟： 多教师蒸馏：从多个大模型中蒸馏知识 渐进蒸馏：先蒸馏到14B，再到7B，再到3B 课程学习：从简单样本到复杂样本逐步蒸馏 2. 数据质量提升 小模型的训练数据更加精炼： 去除了低质量网页数据 增加了教科书级别的高质量数据 使用大模型合成高质量训练数据 3. 架构优化 针对小模型的专门优化： 更高效的注意力机制（如GQA、MQA） 更好的位置编码（如RoPE改进版） 更稳定的训练方法（如RMSNorm、SwiGLU） 4. 推理时扩展 小模型+推理时扩展（如CoT、Self-Consistency）可以显著提升效果： 3B模型+CoT：接近7B模型效果 3B模型+Self-Consistency：接近14B模型效果 3B级模型对比 主流3B模型评测 模型 MMLU-Pro HumanEval+ C-Eval 推理速度* Qwen3.5 3B 62.3% 75.5% 72.8% 42 tok/s Gemma 3 4B 52.3% 58.5% 62.5% 28 tok/s Phi-4 Mini 3.8B 55.2% 62.1% 48.3% 35 tok/s Llama 4 8B 62.5% 72.5% 55.2% - DeepSeek V4 Lite 2.8B 58.5% 70.2% 68.5% 48 tok/s *推理速度在骁龙8 Gen 4上测试，INT4量化 ...

引言 2026年，推理模型（Reasoning Model）已经成为大模型赛道的一个重要分支。OpenAI的o系列（o1/o3）、DeepSeek的R系列（R1/R2）和GPT-5.5的Deep Reasoning模式代表了三种不同的推理增强路径。本文将深入对比OpenAI o3、GPT-5.5（含Deep Reasoning模式）和DeepSeek V4 R2，分析它们在各类推理任务上的表现差异。 推理模型概述 三种推理路径 路径 代表模型 核心思路 优势 劣势 独立推理模型 o3 专用推理训练，慢思考 推理上限高 通用能力可能不足 通用+推理模式 GPT-5.5 Deep Reasoning 一个模型两种模式 通用性强 推理不如专用模型 开源推理模型 DeepSeek V4 R2 RL训练推理能力 开源+高性价比 部分场景不如o3 模型规格 参数 o3 GPT-5.5 DR DeepSeek V4 R2 定位 专用推理 通用+推理 开源推理 推理时间 10-300秒 15-60秒 10-120秒 API定价(输入) $15/$1M $5/$1M $0.6/$1M API定价(输出) $60/$1M $18/$1M $2.2/$1M 思考过程 隐藏 可选输出 完全开放 上下文 200K 512K 256K o3的定价是三者中最高的，但承诺了最强的推理能力。DeepSeek V4 R2在价格上具有压倒性优势。 推理基准测试 数学推理 AIME 2025（数学竞赛级）： ...

引言 2026年，代码大模型的评测标准发生了根本性变化。传统的HumanEval等基准已无法区分顶级模型，SWE-Bench Pro成为新的黄金标准。SWE-Bench Pro包含500+真实企业级软件工程任务，要求模型理解大型代码库、修复复杂bug、实现跨文件功能。本文将以SWE-Bench Pro为核心，全面对比2026年主流代码大模型。 基准体系 SWE-Bench Pro详解 SWE-Bench Pro的评测维度： 维度 占比 说明 Bug修复 30% 真实GitHub issue修复 功能实现 25% 根据需求实现新功能 重构 15% 代码重构和优化 测试编写 10% 单元测试和集成测试 文档更新 10% API文档和注释 依赖管理 10% 版本升级和兼容性 涉及的语言分布：Python(35%)、JavaScript/TypeScript(25%)、Java(15%)、Go(10%)、Rust(8%)、C++(7%)。 其他代码基准 基准 测试内容 难度 区分度 SWE-Bench Pro 真实工程任务 极高 高 HumanEval+ 函数级代码生成 中 低 MBPP+ 基础编程 低 低 MultiPL-E 多语言生成 中 中 LiveCodeBench 竞赛编程 高 中 CodeXGLUE 代码理解 中 中 2026年代码模型排行榜 闭源模型排行 排名 模型 SWE-Bench Pro HumanEval+ LiveCodeBench 综合分 1 Claude Opus 4.1 47.6% 94.3% 78.5% 73.5 2 GPT-5.5 44.2% 95.1% 82.3% 73.9 3 Gemini 3.5 Pro 32.1% 92.8% 71.2% 65.4 4 DeepSeek V4 38.5% 91.5% 68.8% 66.3 5 Qwen3.5 Max 35.8% 89.5% 65.3% 63.5 6 GLM-5-Plus 36.2% 90.5% 62.5% 63.1 7 Mistral Large 3 28.5% 83.1% 55.2% 55.6 关键发现：GPT-5.5在综合分上略高于Claude Opus 4.1，但在SWE-Bench Pro上落后3.4个百分点。这说明GPT-5.5在算法和竞赛编程上更强，而Claude在真实工程任务上更胜一筹。 ...

引言 2026年，大模型API市场经历了前所未有的价格战。从DeepSeek V4的极致低价到OpenAI的被动降价，从国产模型的成本优势到国际巨头的价值重定义，API定价已经成为大模型竞争的核心战场之一。本文将全面梳理2026年主流大模型的API定价，计算真实性价比，并给出不同场景下的最优选择。 2026年API定价全景 旗舰模型定价 模型 输入($/1M) 输出($/1M) 缓存输入($/1M) 批量(50%折扣) GPT-5.5 $3.00 $12.00 $1.50 ✅ GPT-5.5 Deep Reasoning $5.00 $18.00 $2.50 ✅ Claude Opus 4.1 $15.00 $75.00 $7.50 ✅ Claude Sonnet 4.1 $3.00 $15.00 $1.50 ✅ Gemini 3.5 Pro $3.50 $10.50 $0.88 ✅ Gemini 3.5 Flash $0.20 $0.60 $0.05 ✅ DeepSeek V4 $0.30 $1.10 $0.08 ✅ DeepSeek V4 R2 $0.60 $2.20 $0.15 ✅ Qwen3.5 Max $0.80 $2.40 $0.20 ✅ Qwen3.5 Plus $0.40 $1.20 $0.10 ✅ Qwen3.5 Turbo $0.15 $0.40 $0.04 ✅ GLM-5-Plus $0.60 $2.00 $0.15 ✅ GLM-5 $0.40 $1.20 $0.10 ✅ Llama 4 405B (Together) $0.80 $0.80 - ✅ Mistral Large 3 $2.00 $6.00 $1.00 ✅ 关键价格变化（vs 2025年） 模型 2025年价格 2026年价格 降幅 GPT-5 Standard $5/$15 $3/$12 (GPT-5.5) -40%/-20% Claude Opus $15/$75 $15/$75 (Opus 4.1) 持平 Gemini Pro $3.50/$10.50 $3.50/$10.50 持平 DeepSeek $0.27/$1.10 $0.30/$1.10 (V4) 持平/持平 Qwen Max $2.40/$9.60 $0.80/$2.40 (Qwen3.5) -67%/-75% Qwen3.5 Max的降幅最为惊人，相比2025年的Qwen Max降价幅度达67-75%，这直接引发了2026年Q1的API价格战。 ...