模型选型

向量数据库市场现状 2026年，向量数据库市场已从百花齐放进入成熟整合阶段。Zilliz Cloud的托管Milvus、Serverless化的Pinecone、开源的Qdrant和Weaviate成为了最主流的四个选择。 本文基于100万-1亿向量规模的标准基准测试，从性能、成本、易用性、适用场景四个维度进行深度对比。 基准测试环境 测试规模：100万向量（768维float32，GPT-4o embeddings模拟） 测试指标：QPS（每秒查询数）、P99延迟、召回率 硬件配置：AWS c6i.4xlarge（16核32G内存） 测试工具：ann-benchmarks + 内部压测工具 性能基准测试 吞吐量对比（QPS） 数据库 HNSW (M=16) HNSW (M=32) IVF-Flat IVF-PQ Qdrant 8,420 6,180 12,500 35,000 Weaviate 5,200 3,800 8,200 22,000 Milvus 4,800 3,200 11,800 38,000 Pinecone 3,100 2,200 5,500 15,000 延迟对比（P99延迟，单位ms） 数据库 top-10 top-50 top-100 召回率@top-10 Qdrant 18ms 45ms 78ms 97.2% Weaviate 32ms 68ms 110ms 96.8% Milvus 38ms 82ms 145ms 98.1% Pinecone 52ms 95ms 160ms 97.5% 关键发现：Qdrant在小规模数据上性能最优，Milvus在大规模数据上召回率更稳定。 1亿向量扩展性测试 数据库 索引构建时间 内存占用 磁盘占用 QPS (top-50) Milvus 45min 48GB 120GB 1,800 Qdrant 52min 42GB 110GB 2,100 Weaviate 38min 55GB 135GB 1,200 Pinecone 云托管 云托管 云托管 950 各数据库详解 1. Milvus（推荐：大规模生产环境） 优点： ...

2026年，多模态大模型已经成为AI行业的标准配置——没有视觉理解能力的模型，就像没有眼睛的人一样残缺。GPT-5 Vision、Claude 5 Vision、Gemini 3 Pro、Qwen-VL Max四大旗舰多模态模型在视觉理解领域展开了激烈竞争。本文将通过多维度基准测试和真实场景评估，给出2026年最全面的多模态模型横评。 一、参评模型概览 模型 机构 参数规模 上下文长度 图像分辨率 视频支持 API价格(每百万Token) GPT-5 Vision OpenAI 未公开(估计~3T MoE) 128万 4K原生 60分钟@30fps $15输入/$60输出 Claude 5 Vision Anthropic 未公开(估计~2T MoE) 200万 2K原生 30分钟@24fps $12输入/$48输出 Gemini 3 Pro Vision Google 未公开(估计~2.5T MoE) 100万 4K原生 120分钟@60fps $10输入/$40输出 Qwen-VL Max 阿里通义 未公开(估计~1T MoE) 128万 1080p 30分钟@30fps ¥40输入/¥120输出 二、视觉理解基准测试 测试一：文档理解与OCR (DocVQA 2.0) DocVQA 2.0是2026年升级版的文档理解基准，包含100,000+张复杂文档（手写、表格、图表、扫描件、多语言混合）。 模型 准确率 手写识别 表格解析 图表理解 多语言 GPT-5 Vision 94.3% 91.2% 96.8% 93.1% 92.5% Claude 5 Vision 93.8% 92.8% 95.2% 94.7% 93.1% Gemini 3 Pro 92.1% 89.5% 94.3% 92.0% 91.0% Qwen-VL Max 90.5% 88.3% 92.1% 89.8% 95.8% 分析：GPT-5 Vision在整体准确率上领先，特别是在表格解析方面几乎完美。Claude 5 Vision在手写识别和图表理解上略胜一筹。Qwen-VL Max在多语言文档（中英日韩混合）上有明显优势。 ...

Embedding 模型是 RAG 系统的基石——检索质量的上限由 Embedding 模型决定。2026 年，中文 Embedding 模型迎来了新一轮洗牌。BGE、Qwen Embedding、Cohere 等新老玩家竞争激烈。本文将在 5 个中文检索场景中实测 12 款主流 Embedding 模型，给出最权威的排行。 一、评测设计 参评模型 模型 维度 最大长度 类型 许可证 BGE-M3 1024 8192 开源 MIT BGE-large-zh-v2 1024 512 开源 MIT Qwen3-Embedding-8B 4096 32768 开源 Apache 2.0 Qwen3-Embedding-0.6B 1024 32768 开源 Apache 2.0 GLM-5-Embedding 1024 8192 开源 Apache 2.0 text-embedding-3-large 3072 8191 闭源 OpenAI API Cohere Embed v4 1024 512 闭源 Cohere API Jina Embeddings v3 1024 8192 开源 CC-BY-NC Voyage-3 1024 32000 闭源 Voyage API GTE-Qwen2-7B 3584 32768 开源 Apache 2.0 Stella-1.5B 1536 131072 开源 MIT E5-Mistral-7B 4096 32768 开源 MIT 评测数据集 数据集 说明 样本数 MTEB-zh 中文通用检索 50,000 DuReader 百度真实问答 100,000 CMRC2018 中文阅读理解 20,000 法律检索 中国法律条文 15,000 医学问答 中文医学QA 12,000 评测指标 NDCG@10：归一化折损累积增益（主指标） Recall@5：Top-5 召回率 MRR：平均倒数排名 二、综合排行 排名 模型 综合 NDCG@10 MTEB-zh DuReader CMRC 法律 医学 1 Qwen3-Embedding-8B 85.3 88.2 86.5 83.7 82.1 85.8 2 Voyage-3 83.7 85.3 84.8 82.1 80.5 85.5 3 text-embedding-3-large 82.8 84.5 83.7 81.3 78.8 85.3 4 BGE-M3 81.5 83.2 82.5 80.1 78.3 83.2 5 GTE-Qwen2-7B 81.2 82.8 81.7 79.5 77.8 83.8 6 GLM-5-Embedding 80.3 82.5 81.2 78.8 79.5 79.2 7 Jina Embeddings v3 79.8 81.3 80.5 77.8 76.2 82.8 8 Stella-1.5B 78.5 80.7 79.3 76.5 75.8 79.8 9 E5-Mistral-7B 78.2 80.2 78.8 76.1 75.2 80.3 10 Qwen3-Embedding-0.6B 77.8 79.8 78.5 75.8 74.8 79.8 11 BGE-large-zh-v2 75.3 77.5 76.2 73.5 72.1 76.8 12 Cohere Embed v4 74.8 76.2 75.5 72.8 70.5 78.5 关键发现： ...

Google 的 Gemma 系列一直走"小而精"的路线。2026 年发布的 Gemma 3 系列包含 1B、4B、12B、27B 四个尺寸，定位于端侧与 Edge 部署。与 Gemini 4.0 的全面旗舰路线不同，Gemma 3 专注轻量场景。但在这个赛道上，它要面对 Qwen3.5-3B、Phi-4-mini 等强敌。本文将评估 Gemma 3 的真实能力与市场定位。 一、Gemma 3 系列概览 模型 参数量 上下文 多模态 许可证 定位 Gemma 3-1B 1.0B 32K 否 Gemma License 微型设备 Gemma 3-4B 3.8B 64K 是 Gemma License 手机/平板 Gemma 3-12B 12B 128K 是 Gemma License Edge/工作站 Gemma 3-27B 27B 128K 是 Gemma License 服务器 架构特点 GQA 注意力：分组查询注意力，平衡效率与质量 知识蒸馏：从 Gemini 3.5 Pro 蒸馏知识 Responsible AI：内置安全对齐训练 多模态统一：4B 以上版本原生支持图像输入 二、能力评测 通用能力 基准 Gemma3-27B Gemma3-12B Gemma3-4B Gemma3-1B MMLU-Pro 82.6 78.3 70.8 58.2 GPQA Diamond 64.8 58.5 52.1 38.7 MATH-500 65.4 58.7 50.3 35.2 HumanEval+ 86.3 81.5 79.2 65.8 与同级别竞品对比 4B 级别 基准 Gemma3-4B Qwen3.5-3B Phi-4-mini Llama4-Tiny MMLU-Pro 70.8 72.3 71.5 69.4 HumanEval+ 79.2 81.5 83.1 77.8 MATH-500 50.3 55.8 52.1 48.5 多语言 75.2 72.8 65.3 68.7 分析：Gemma3-4B 在综合能力上略弱于 Qwen3.5-3B 和 Phi-4-mini，但多语言能力（覆盖 140+ 语言）是独特优势。 ...

2026 年，智谱 AI 的 GLM-5 系列已发展为一个覆盖 3B 到 130B、通用到专业、文本到多模态的完整模型家族。作为中国大模型阵营的代表力量之一，GLM-5 系列在开源生态、Agent 能力和多模态领域展现出独特竞争力。本文将对 GLM-5 全系列进行深度评测，揭示其在国产大模型中的真实定位。 一、GLM-5 系列全景 模型 参数量 类型 上下文 许可证 定位 GLM-5-Plus 130B 通用 128K 开源 旗舰 GLM-5-Base 62B 通用 128K 开源 标准 GLM-5-Edge 3.1B 轻量 32K 开源 端侧 GLM-5-Vision 130B 多模态 64K 开源 视觉 GLM-5-Coder 62B 代码 128K 开源 编程 GLM-5-Agent 62B Agent 128K 开源 工具调用 GLM-5-Reasoner 62B 推理 64K 开源 深度思考 智谱的布局策略清晰：以 62B 为基础尺寸，衍生出不同专业能力的变体，130B 作为旗舰，3B 覆盖端侧。这种"一树多枝"的策略使微调和部署成本大幅降低。 二、基础能力评测 通用能力（GLM-5-Plus vs 竞品） 基准 GLM-5-Plus DeepSeek V4 Qwen3.5-72B Llama 4 Maverick MMLU-Pro 87.3 90.2 89.5 88.1 C-Eval Pro 92.5 93.1 92.8 85.7 CMMLU 2.0 90.8 91.5 90.2 83.5 GPQA Diamond 72.6 78.3 76.1 74.5 MATH-500 75.2 82.6 80.3 77.8 分析：GLM-5-Plus 在中文基准上与 DeepSeek V4 差距仅 0.6-1 分，但在推理类基准（GPQA、MATH）上差距较大（6-7 分）。这表明 GLM-5 的知识覆盖优秀但深度推理仍是弱项。 ...

2026 年过半，三大 AI 巨头的旗舰模型已全部亮牌。OpenAI 的 GPT-5.5 凭借原生多模态与强化推理站稳王座，Anthropic 的 Claude Opus 4.1 以超长上下文与代码能力紧追不舍，Google 的 Gemini 4.0 预告虽未正式发布但 Alpha 测试数据已流出。本文将从十个维度进行系统性对比，给出 2026 年中期最权威的旗舰模型选型参考。 一、模型基本信息对比 维度 GPT-5.5 Claude Opus 4.1 Gemini 4.0 (Preview) 发布日期 2026-03-15 2026-04-22 2026-06（Alpha） 参数规模 未公开（估计 ~3T MoE） 未公开（估计 ~2T MoE） 未公开（估计 ~4T MoE） 上下文窗口 256K（Pro 版 1M） 500K（企业版 2M） 2M（原生） 原生多模态 文本+图像+音频+视频 文本+图像+音频 文本+图像+音频+视频 定价（输入/百万token） $5/$15 $4/$12 $3.5/$10.5（预估） 二、推理能力对比 在 MMLU-Pro、GPQA Diamond、AIME 2026 三项基准测试中，三大旗舰展现出截然不同的能力画像。 MMLU-Pro（学术综合） GPT-5.5：92.3%，较 GPT-5 的 89.1% 提升明显 Claude Opus 4.1：91.7%，紧追不舍 Gemini 4.0 Preview：90.8%（Alpha 数据） GPT-5.5 在人文社科与自然科学领域均保持微弱领先，但 Claude 在法律与医学细分项上反超。Gemini 4.0 虽总分略低，但在多语言学术测试中独占鳌头。 ...

在美中两国主导的大模型竞赛中，欧洲需要一个旗手。Mistral AI 从 2023 年的 Mistral 7B 起步，到 2026 年的 Mistral Large 3（123B），已成为欧洲 AI 最有分量的代表。但在 DeepSeek V4 和 Qwen3.5 的强势崛起下，Mistral Large 3 是否还能保持竞争力？本文将通过全面评测给出答案。 一、Mistral Large 3 概览 维度 Mistral Large 3 前代 Large 2 提升 参数量 123B 123B 持平 架构 Dense + GQA Dense + GQA 延续 上下文 128K 128K 持平 多模态 文本+图像 纯文本 新增 训练数据 18T 14T +29% 许可证 Apache 2.0 商业许可 全面开源 关键变化： 全面转向 Apache 2.0 开源——这是一个战略性决定 新增多模态能力（Pixtral 架构融合） 训练数据增加 29%，多语言覆盖扩展到 30+ 语言 Function Calling 原生支持 二、基础能力评测 通用能力 基准 Mistral Large 3 DeepSeek V4 Qwen3.5-72B Llama 4 Maverick GPT-5.5 MMLU-Pro 85.9 90.2 89.5 88.1 92.3 GPQA Diamond 69.8 78.3 76.1 74.5 83.6 MATH-500 71.8 82.6 80.3 77.8 89.2 HumanEval+ 89.7 94.1 93.8 92.3 96.1 MT-Bench 8.7 9.1 9.0 8.8 9.3 分析：Mistral Large 3 在所有基准上均落后于 DeepSeek V4 和 Qwen3.5-72B，差距在 4-11 分之间。最显著的差距在数学推理（-10.8 分 vs DeepSeek V4）。 ...

在 RAG 系统中，Embedding 负责粗排，Reranker 负责精排。一个优质的 Reranker 可以将 RAG 的检索准确率提升 10-20%。2026 年，Reranker 市场形成了 Cohere（闭源标杆）、BGE（开源之光）、Jina（多语言专家）三足鼎立的格局。本文将在真实 RAG 场景中对三者进行全面对比。 一、Reranker 基础 Reranker vs Embedding 维度 Embedding Reranker 架构 双塔（Bi-Encoder） 交叉（Cross-Encoder） 计算方式 独立编码，余弦相似度 联合编码，输出相关性分数 速度 快（可预计算） 慢（每对实时计算） 精度 中（粗排） 高（精排） 在RAG中的角色 第一阶段召回 第二阶段重排 典型 RAG 检索流程： 查询 → Embedding检索(Top-100) → Reranker重排(Top-5) → 生成 为什么需要 Reranker？ 方案 Top-5 准确率 端到端准确率 仅 Embedding 78.3% 75.5% Embedding + Reranker 91.2% 87.3% 加入 Reranker 后 Top-5 准确率提升 12.9%，端到端准确率提升 11.8%——这是 RAG 系统中投入产出比最高的优化之一。 ...

2026 年的大模型 API 市场正在经历一场前所未有的价格战。DeepSeek 以 $0.07/百万token 的价格击穿行业底线，Google Gemini 4.0 紧随其后降至 $3.5，OpenAI 和 Anthropic 被迫推出分级定价。但价格低就等于性价比高吗？本文将构建一个科学的"能力密度"模型，给出真正的性价比排行。 一、2026 主流 API 定价总览 闭源模型 模型 输入($/M token) 输出($/M token) 缓存输入($/M) 批量折扣 免费额度 GPT-5.5 $5.0 $15.0 $2.5(50%) 50% 100万/月 GPT-5.5 mini $0.8 $2.4 $0.4 50% 500万/月 Claude Opus 4.1 $4.0 $12.0 $2.0 25% 100万/月 Claude Sonnet 4.2 $1.5 $6.0 $0.75 25% 500万/月 Gemini 4.0 $3.5 $10.5 $0.7(80%) 50% 300万/天 Gemini 4.0 Flash $0.5 $1.5 $0.1 50% 1500万/天 开源模型（API 托管） 提供商 模型 输入($/M) 输出($/M) 备注 DeepSeek V4 (671B) $0.27 $1.10 官方API DeepSeek V4-Lite $0.07 $0.28 极致低价 硅基流动 Qwen3.5-72B $0.15 $0.60 第三方托管 硅基流动 DeepSeek V4 $0.20 $0.80 第三方托管 Together Llama 4 Maverick $0.30 $0.90 第三方托管 Fireworks Qwen3.5-72B $0.20 $0.70 第三方托管 Groq Llama 4 Scout $0.10 $0.40 超快推理 二、能力密度模型 单纯比价格没有意义，我们需要衡量"每块钱买到多少能力"。定义能力密度： ...

2026 年，代码大模型的评测进入 SWE-Bench Pro 时代。相比旧版 SWE-Bench，Pro 版本引入了多文件重构、跨仓库依赖、实时调试反馈三个新维度，全面考察模型的软件工程能力而非简单的代码生成。本文将基于 SWE-Bench Pro 及多项代码基准，给出 2026 年最权威的代码模型排行。 一、评测体系说明 SWE-Bench Pro SWE-Bench Pro 包含 500 个真实 GitHub Issue，覆盖 Python、JavaScript/TypeScript、Java、Go、Rust 五种语言。每个 Issue 要求模型： 理解 Issue 描述与相关代码上下文 定位需要修改的文件（平均 3.7 个文件） 生成修复 Patch 通过现有测试 + 新增测试验证 其他基准 基准 测试内容 题量 LiveCodeBench 2026 竞赛编程 312 HumanEval+ 函数级代码生成 164 ClassEval 面向对象代码生成 100 CodeComplex 复杂算法实现 80 二、2026 代码模型排行榜 排名 模型 SWE-Bench Pro LiveCodeBench HumanEval+ ClassEval CodeComplex 1 Claude Opus 4.1 52.3% 84.5% 97.2% 89.3% 82.1% 2 GPT-5.5 47.8% 81.2% 96.1% 86.7% 80.5% 3 Gemini 4.0 41.5% 78.3% 93.8% 83.5% 77.2% 4 DeepSeek V4-Coder 38.5% 76.8% 94.1% 82.1% 76.8% 5 Qwen3.5-Coder-72B 35.2% 74.5% 93.8% 80.3% 74.5% 6 Llama 4 Maverick 32.8% 71.2% 92.3% 78.5% 72.1% 7 GLM-5-Coder 30.1% 68.7% 91.5% 76.8% 70.3% 8 Mistral Codestral 2 28.5% 67.3% 90.8% 75.2% 68.7% 9 CodeLlama 4-70B 22.1% 62.5% 88.1% 71.3% 65.2% 10 DeepSeek-R2-Distill-32B 20.8% 65.3% 89.2% 72.5% 66.8% 三、SWE-Bench Pro 分项分析 按编程语言 语言 Claude Opus 4.1 GPT-5.5 Gemini 4.0 DeepSeek V4-Coder Python 58.7% 53.2% 46.8% 43.5% JavaScript/TS 51.2% 47.5% 42.3% 38.7% Java 49.8% 44.3% 39.5% 36.2% Go 47.3% 42.1% 37.8% 34.5% Rust 43.5% 38.7% 33.2% 30.1% Claude Opus 4.1 在所有语言上均领先，Python 优势最大。Rust 是所有模型的短板——内存安全相关的 Bug 修复需要深度的类型系统理解。 ...