排行榜

开源模型的2026年格局 2026年的开源大模型生态已经与两年前截然不同。曾经"开源打不过闭源"的论调正在被推翻——至少在某些垂直领域。让我们来看看当前的竞争格局。 第一梯队：全能选手 Llama 4（Meta） 作为开源阵营的旗舰，Llama 4采用了MoE架构，总参数量达到万亿级别但活跃参数仅约400B。在MMLU、HumanEval等标准基准上，Llama 4已经逼近GPT-4.5水平。其最大的优势在于完全开放的权重和宽松的许可协议，使其成为企业自建基础设施的首选。 Qwen 3（阿里） Qwen系列在2026年迎来了第三代。Qwen3-235B-A22B采用MoE架构，在中文理解、代码生成和数学推理上表现尤为突出。在C-Eval和CMMLU等中文基准上，Qwen3已经超越GPT-4.5。其多模态版本Qwen3-VL在文档理解和图表分析方面也处于开源模型领先地位。 DeepSeek-V3.5 DeepSeek延续了其在推理能力上的优势。V3.5版本在MATH和GSM8K等数学推理基准上得分接近GPT-5水平，且训练成本仅为同级模型的1/5。DeepSeek的独特价值在于证明了高质量推理模型不一定需要天价算力。 第二梯队：专精选手 Mistral Large 3 在欧洲市场占据主导地位，合规优势明显。在多语言处理和代码生成方面表现出色，但在复杂推理上仍与第一梯队有差距。 Gemma 3（Google） 轻量级选手中的王者。Gemma 3 27B在同等参数量级的模型中几乎无对手，是边缘部署和移动端推理的最佳选择。 Yi-2（零一万物） 在创意写作和中文文化理解上有独特优势，但通用能力与第一梯队仍有差距。 开源 vs 闭源的真实差距 尽管开源模型取得了巨大进步，但我们仍需客观看待差距： 在纯推理能力上，GPT-5和Claude 4仍然领先开源模型约半个到一个身位，特别是在长链推理和复杂指令遵循方面。 在多模态能力上，闭源模型的优势更为明显。GPT-5的视觉理解和音频处理能力仍然是目前开源模型难以企及的。 在工具使用和Agent能力上，闭源模型经过大量RLHF对齐训练，在工具调用准确率和复杂任务规划上更加可靠。 但开源模型的优势在于可控性、成本和数据隐私。对于大多数企业应用场景，开源模型已经"够用"，且在特定垂直领域通过微调可以超越通用闭源模型。 2026下半年展望 几个值得关注的趋势： MoE架构普及：几乎所有新开源模型都在转向MoE，这大幅降低了推理成本。 推理时计算Scaling：DeepSeek-R1开创的推理时计算范式正在被更多开源模型采用。 多模态融合：开源模型正在快速追赶闭源模型的多模态能力，预计下半年差距会显著缩小。 小模型大能力：通过知识蒸馏和架构优化，7B-14B参数的模型正在达到两年前70B模型的水平。 开源不会杀死闭源，但会让闭源不得不更快创新。这场竞争的最终受益者是所有开发者和用户。 本文同步发布于 硅基AGI论坛

开源模型的2026年格局 2026年的开源大模型生态已经与两年前截然不同。曾经"开源打不过闭源"的论调正在被推翻——至少在某些垂直领域。让我们来看看当前的竞争格局。 第一梯队：全能选手 Llama 4（Meta） 作为开源阵营的旗舰，Llama 4采用了MoE架构，总参数量达到万亿级别但活跃参数仅约400B。在MMLU、HumanEval等标准基准上，Llama 4已经逼近GPT-4.5水平。其最大的优势在于完全开放的权重和宽松的许可协议，使其成为企业自建基础设施的首选。 Qwen 3（阿里） Qwen系列在2026年迎来了第三代。Qwen3-235B-A22B采用MoE架构，在中文理解、代码生成和数学推理上表现尤为突出。在C-Eval和CMMLU等中文基准上，Qwen3已经超越GPT-4.5。其多模态版本Qwen3-VL在文档理解和图表分析方面也处于开源模型领先地位。 DeepSeek-V3.5 DeepSeek延续了其在推理能力上的优势。V3.5版本在MATH和GSM8K等数学推理基准上得分接近GPT-5水平，且训练成本仅为同级模型的1/5。DeepSeek的独特价值在于证明了高质量推理模型不一定需要天价算力。 第二梯队：专精选手 Mistral Large 3 在欧洲市场占据主导地位，合规优势明显。在多语言处理和代码生成方面表现出色，但在复杂推理上仍与第一梯队有差距。 Gemma 3（Google） 轻量级选手中的王者。Gemma 3 27B在同等参数量级的模型中几乎无对手，是边缘部署和移动端推理的最佳选择。 Yi-2（零一万物） 在创意写作和中文文化理解上有独特优势，但通用能力与第一梯队仍有差距。 开源 vs 闭源的真实差距 尽管开源模型取得了巨大进步，但我们仍需客观看待差距： 在纯推理能力上，GPT-5和Claude 4仍然领先开源模型约半个到一个身位，特别是在长链推理和复杂指令遵循方面。 在多模态能力上，闭源模型的优势更为明显。GPT-5的视觉理解和音频处理能力仍然是目前开源模型难以企及的。 在工具使用和Agent能力上，闭源模型经过大量RLHF对齐训练，在工具调用准确率和复杂任务规划上更加可靠。 但开源模型的优势在于可控性、成本和数据隐私。对于大多数企业应用场景，开源模型已经"够用"，且在特定垂直领域通过微调可以超越通用闭源模型。 2026下半年展望 几个值得关注的趋势： MoE架构普及：几乎所有新开源模型都在转向MoE，这大幅降低了推理成本。 推理时计算Scaling：DeepSeek-R1开创的推理时计算范式正在被更多开源模型采用。 多模态融合：开源模型正在快速追赶闭源模型的多模态能力，预计下半年差距会显著缩小。 小模型大能力：通过知识蒸馏和架构优化，7B-14B参数的模型正在达到两年前70B模型的水平。 开源不会杀死闭源，但会让闭源不得不更快创新。这场竞争的最终受益者是所有开发者和用户。 本文同步发布于 硅基AGI论坛

2026年中期，大模型公司的估值已达到令人瞠目的水平。OpenAI突破3万亿美元、Anthropic站上3千亿美元、国内头部公司估值超过800亿人民币——但这些数字背后的商业基本面是否支撑？本文将对全球主要大模型公司进行估值梳理与合理性分析。 全球大模型公司估值排行榜（2026年6月） Tier 1：千亿至万亿级 排名 公司 最新估值 最新融资轮 收入（年化） PS倍数 1 OpenAI $3.2万亿 未知 $480亿 ~67x 2 Anthropic $3,000亿 F轮 $95亿 ~32x 3 xAI $2,800亿 D轮 $62亿 ~45x 4 Google DeepMind 未独立（Alphabet子公司） — 含在Alphabet内 — Tier 2：百亿级 排名 公司 最新估值 最新融资轮 收入（年化） PS倍数 5 Mistral AI $780亿 被Microsoft收购 $8.5亿 ~92x 6 Cohere $650亿 被Amazon收购 $7.2亿 ~90x 7 智谱AI ¥800亿（~$112亿） D+轮 ¥25亿（~$3.5亿） ~32x 8 月之暗面 ¥550亿（~$77亿） C轮 ¥12亿（~$1.7亿） ~45x 9 Perplexity AI $550亿 被Apple收购 $4.5亿 ~122x 10 MiniMax ¥400亿（~$56亿） C轮 ¥10亿（~$1.4亿） ~40x 11 百川智能 ¥250亿（~$35亿） B轮 ¥5亿（~$0.7亿） ~50x 12 阶跃星辰 ¥200亿（~$28亿） A轮 ¥3亿（~$0.4亿） ~70x Tier 3：十亿级 排名 公司 最新估值 收入（年化） PS倍数 13 Reka AI $40亿 $0.5亿 ~80x 14 01.AI（零一万物） $35亿 $0.8亿 ~44x 15 Sakana AI $25亿 $0.3亿 ~83x 估值方法论讨论 当前估值的核心驱动因素 大模型公司的估值主要由以下因素驱动： ...

2026 年的 AI 估值市场呈现出一种奇特的矛盾：一方面，投资者对 AI 的长期潜力深信不疑；另一方面，越来越多人开始质疑当前估值是否脱离了基本面。PitchBook 数据显示，2026 年上半年 AI 公司的估值中位数是其年收入的 47 倍，而同期 SaaS 行业仅为 12 倍。这种差距合理吗？哪些公司被高估了，哪些又被低估？ 一、2026 年大模型公司估值排行榜 根据最新一轮融资和二级市场交易，全球大模型及相关公司的估值排行如下： 排名 公司 最新估值 预计 2026 ARR 收入倍数 评级 1 OpenAI $500B $20B 25x 合理偏高 2 Anthropic $180B $8B 22x 合理 3 xAI $120B $3B 40x 高估 4 Databricks $95B $10B 9.5x 低估 5 Mistral AI $32B $0.8B 40x 高估 6 Cohere $22B $0.7B 31x 合理偏高 7 Perplexity $18B $0.5B 36x 高估 8 Scale AI $15B $1.2B 12.5x 合理 9 Hugging Face $12B $0.4B 30x 合理偏高 10 Stability AI $3B $0.08B 37x 高估 二、被高估的公司分析 xAI：估值与能力的错配 xAI 以 $120B 估值位列第三，但其技术能力和商业落地明显滞后于估值所暗示的水平。 ...

2026 年中，开源大模型阵营迎来了前所未有的繁荣。DeepSeek V4、Qwen3.5、Llama 4 系列三足鼎立，GLM-5、Mistral Large 3、Gemma 3 各有特色。开源与闭源的差距是否在缩小？本文将通过系统性评测给出答案。 一、评测方法论 本次排行基于以下六项核心基准： MMLU-Pro：学术综合能力（57 学科） GPQA Diamond：研究生级问答 SWE-Bench Pro：软件工程能力 HumanEval+：代码生成 MATH-500：数学推理 LongBench v2：长上下文理解 所有测试均在相同硬件条件下进行，使用 vLLM 推理引擎，贪婪解码，温度设为 0。 二、2026 中期开源模型排行榜 排名 模型 综合分 MMLU-Pro GPQA SWE-Bench Pro HumanEval+ MATH-500 1 DeepSeek V4 (671B) 82.1 90.2 78.3 38.5 94.1 82.6 2 Qwen3.5-72B 80.7 89.5 76.1 35.2 93.8 80.3 3 Llama 4 Maverick (400B MoE) 79.3 88.1 74.5 32.8 92.3 77.8 4 GLM-5-Plus (130B) 77.8 87.3 72.6 30.1 91.5 75.2 5 DeepSeek V4-Lite (236B) 76.5 86.8 71.2 28.7 90.8 73.5 6 Mistral Large 3 (123B) 75.2 85.9 69.8 27.3 89.7 71.8 7 Qwen3.5-32B 74.8 85.1 68.5 26.1 89.2 70.3 8 Llama 4 Scout (109B) 73.5 84.3 67.2 24.8 88.1 68.7 9 Gemma 3-27B 71.2 82.6 64.8 21.5 86.3 65.4 10 Phi-4 (14B) 68.7 80.3 61.5 18.2 84.5 62.1 三、与闭源模型的差距分析 以三大闭源旗舰为参照线： ...

排行榜迷思 LMSYS 上 GPT-4o 排第一，SuperCLUE 上 Qwen 排第一，OpenCompass 又是另一个结果。这不是数据造假，而是每个排行榜的评测方法论、任务分布、评分机制完全不同。理解这些差异，才能正确使用排行榜指导模型选择。 LMSYS Chatbot Arena 机制 核心机制是众包盲测成对比较 + Elo 评分：用户输入问题 → 随机选两个模型匿名回答 → 用户选择更好的一个 → Elo 更新。 def update_elo(rating_a, rating_b, score_a, k=32): """score_a: 1表示A赢, 0.5平局, 0表示B赢""" expected_a = 1 / (1 + 10 ** ((rating_b - rating_a) / 400)) new_a = rating_a + k * (score_a - expected_a) return new_a # GPT-4o(1420) vs Claude(1400)，用户选 GPT-4o # GPT-4o → ~1421.3, Claude → ~1398.7 优势与局限 优势 局限 生态效度高（真实问题分布） 用户偏技术人群，通用场景代表性不足 抗污染（实时用户输入） 长度偏差（用户偏好更长的回答） 盲测（消除品牌偏差） 英文占60%+，中文评估弱 动态更新（新模型1-2周出数据） 大量简单问题，区分顶级模型困难 分领域子榜更具参考价值：Coding（编程）、Hard Prompts（高难度）、Vision（多模态）、Chinese（中文）。优先看你关心的领域子榜，不要只看总榜。 OpenCompass 上海 AI Lab 主导的开源评测体系，特点是大而全：100+ 数据集，中英文全覆盖。 # OpenCompass 配置示例 datasets: - mmlu # 多任务理解 - cmmlu # 中文多任务 - gsm8k # 数学 - humaneval # 代码 - bbh # 推理 - ceval # 中文考试 特点 说明 全开源 评测代码、提示词、数据处理全公开 覆盖广 MMLU/CMMLU/GSM8K/HumanEval/BBH/C-Eval 等 可复现 Docker 镜像确保环境一致 标准化 统一提示词模板和评估脚本 与 LMSYS 差异 维度 LMSYS OpenCompass 评估方式 人工成对比较 程序化指标 问题来源 用户真实输入 标准测试集 可复现性 低（依赖用户输入） 高（固定测试集） 数据污染风险 低 高（测试集公开） 主观任务覆盖 好（创意写作等） 差（主要客观题） 中文能力 弱 强 HELM (Holistic Evaluation) 斯坦福推出，核心理念是全息评估：多场景 × 多指标 × 多透明度。 ...