选型维度总览
选型不是看排行榜刷分，是看你的场景到底需要什么。2026 年了，模型多到眼花，但选型维度本质就四个：
| 维度 | 关键指标 | 实际影响 |
|---|---|---|
| 能力上限 | 推理/代码/创意/多模态 | 决定能不能做，做得好不好 |
| API 成本 | 输入/输出价格、缓存折扣 | 决定跑不跑得起规模化 |
| 延迟 | TTFT（首 token 延迟）、TPS（每秒 token） | 决定用户体验 |
| 上下文窗口 | 最大输入长度、有效检索深度 | 决定能塞多少文档/历史 |
2026 年的现实是：顶级模型的差距在缩小，但成本差 3-10 倍。选型的核心不是"谁最强"，而是"谁在你的场景下 ROI 最高"。
主流模型对比表
| 模型 | 厂商 | 上下文 | 推理能力 | 代码能力 | 多模态 | 中文 |
|---|---|---|---|---|---|---|
| GPT-4o | OpenAI | 128K | ★★★★★ | ★★★★★ | 文+图+音 | ★★★★ |
| GPT-4o-mini | OpenAI | 128K | ★★★☆ | ★★★★ | 文+图 | ★★★☆ |
| Claude 3.5 Sonnet | Anthropic | 200K | ★★★★★ | ★★★★★ | 文+图 | ★★★★ |
| Gemini 2.0 Pro | 2M | ★★★★★ | ★★★★ | 文+图+音+视频 | ★★★★ | |
| Gemini 2.0 Flash | 1M | ★★★★ | ★★★★ | 文+图+音+视频 | ★★★☆ | |
| DeepSeek-V3 | DeepSeek | 128K | ★★★★★ | ★★★★★ | 文 | ★★★★★ |
| Qwen3-Max | 阿里 | 256K | ★★★★ | ★★★★ | 文+图 | ★★★★★ |
| Qwen3-72B | 阿里 | 128K | ★★★★ | ★★★★ | 文+图 | ★★★★★ |
| GLM-5 | 智谱 | 128K | ★★★★ | ★★★★ | 文+图 | ★★★★★ |
注：星级为基于公开评测和实际使用经验的主观评估，不代表绝对排名。
API 价格对比（2026 年 6 月）
| 模型 | 输入 ($/M tokens) | 输出 ($/M tokens) | 缓存输入 | 备注 |
|---|---|---|---|---|
| GPT-4o | $2.50 | $10.00 | $1.25 | 旗舰级 |
| GPT-4o-mini | $0.15 | $0.60 | $0.075 | 性价比之王 |
| Claude 3.5 Sonnet | $3.00 | $15.00 | $0.30 | 贵但强 |
| Gemini 2.0 Pro | $1.25 | $5.00 | $0.315 | 长上下文优势 |
| Gemini 2.0 Flash | $0.075 | $0.30 | $0.0188 | 极致便宜 |
| DeepSeek-V3 | $0.27 | $1.10 | $0.07 | 国产旗舰 |
| Qwen3-Max | $0.40 | $1.20 | $0.10 | 中文强项 |
| Qwen3-72B | $0.05 | $0.15 | - | 开源可私有部署 |
| GLM-5 | $0.10 | $0.30 | $0.03 | 国产性价比 |
关键发现：Gemini 2.0 Flash 和 Qwen3-72B 的性价比断档领先。对于中文场景，DeepSeek-V3 和 GLM-5 在同价位段能力最优。
场景推荐
对话助手
首选：Claude 3.5 Sonnet 或 GPT-4o
对话场景的核心是"说人话"和"有记忆"。Claude 的长上下文（200K）让它在保持对话连贯性上有天然优势，GPT-4o 的语音多模态能力是独一档。如果预算有限，DeepSeek-V3 在中文对话上的表现非常接近旗舰水平，成本只有 GPT-4o 的 1/10。
代码生成
首选：Claude 3.5 Sonnet > DeepSeek-V3 > GPT-4o
2026 年的代码生成格局：Claude 3.5 Sonnet 在 HumanEval 和 SWE-bench 上持续领先，尤其擅长复杂重构和系统设计。DeepSeek-V3 在 Python/Java/C++ 上表现优异，且在代码补全场景（FIM）的延迟控制最好。GPT-4o 的优势在前端和全栈场景。
RAG（检索增强生成）
首选：Gemini 2.0 Pro 或 Claude 3.5 Sonnet
RAG 的关键是长上下文 + 精确遵循指令。Gemini 2.0 Pro 的 2M 上下文窗口意味着你可以直接塞进整本书或整个代码库，不用纠结 chunk 策略。Claude 的 200K 上下文在引用准确性上更可靠。如果文档量不大，GPT-4o-mini 加好的检索管线足够用。
Agent / 工具调用
首选：GPT-4o > Claude 3.5 Sonnet > Qwen3-Max
Agent 场景看的是工具调用精度、多步推理和错误恢复。GPT-4o 的 function calling 是业界标准，工具调用的格式遵循率最高。Claude 在复杂多步推理上更强。Qwen3-Max 在中文 Agent 场景（如调用国内 API）有本地化优势。
决策框架
你的场景是什么？
├── 预算敏感（< $0.5/M tokens）
│ ├── 中文为主 → DeepSeek-V3 / GLM-5
│ └── 英文为主 → Gemini 2.0 Flash / GPT-4o-mini
├── 需要顶级能力
│ ├── 代码 → Claude 3.5 Sonnet
│ ├── 长文档 → Gemini 2.0 Pro
│ └── 多模态 → GPT-4o
├── 需要私有部署
│ ├── 中文 → Qwen3-72B (开源)
│ └── 英文 → Llama 3.3 70B (开源)
└── 高并发低延迟
├── 通用 → Gemini 2.0 Flash
└── 中文 → Qwen3-72B
不要踩的坑
- 不要只看排行榜。排行榜刷分和实际使用体验经常脱节，尤其中文场景。
- 不要低估延迟。TTFT > 2s 的模型不适合做对话，用户会以为卡了。
- 不要忽视缓存。OpenAI 和 Gemini 的 prompt caching 能省 50-87% 的输入成本。
- 不要锁死一家。API 政策会变，价格会调，保持至少两个供应商。
- 不要用旗舰做简单任务。分类、摘要、抽取用 mini/flash 级别足够，省 10-30 倍。
总结
2026 年的 LLM 选型已经从"谁最强"变成了"谁最合适"。顶级模型的差距在缩小，成本差距在拉大。选型策略：先明确场景和预算，用小模型跑 MVP，遇到瓶颈再升级。大多数应用，mini/flash 级别的模型就能 cover 80% 的需求。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。