1.1 大模型发布的概念、周期与关键发布形式
我关注大模型发布这件事有两年多了。早些年"发布"这个词很简单，就是团队把论文挂到arXiv上，顺带放个模型权重。现在完全不是这么回事了。一场大模型发布，可能同时包含技术报告、API开放、开源权重、评测榜单刷分、开发者内测资格、云平台上线、生态合作伙伴官宣。它更像一场多线程的战役，而不只是单一产品上架。
发布周期也在肉眼可见地缩短。2023年大家还在数着半年一次的版本号，到了2025年，头部厂商的迭代节奏普遍压到了两三个月。有些团队甚至走灰度发布路线，先放个小版本探路，收集反馈再推正式版。我见过同一个模型名字后面跟了四五个后缀，v2、v2.5、v2.5-turbo，普通用户根本分不清谁是谁。
发布形式的分化挺有意思。闭源阵营偏爱开发者大会和主题演讲，灯光舞台一应俱全，中间穿插几个Demo视频。开源阵营更直接，Hugging Face上传权重、GitHub放推理代码、技术博客同步更新，社区当天就能跑起来。两类形式背后是两种商业逻辑，一种卖API和云服务，一种抢生态和心智份额。我两边都追，感受完全不同。
1.2 2025年大模型发布的宏观驱动与竞争态势
2025年这波发布潮，驱动力来自好几个方向。算力成本在降，推理芯片供给比前两年宽松不少，训练集群的利用率也上来了。资本层面，一级市场对基础模型的热情虽然不像2023年那么疯狂，但头部玩家的融资通道依然通畅。政策端，国内对生成式AI的备案管理逐步常态化，合规路径清晰之后，厂商敢把版本往外放了。用户侧的需求更实在，企业客户不再问"能不能做"，而是问"多少钱、多快、稳不稳定"。
竞争态势我用一个词概括：贴身肉搏。国际上看，OpenAI、Anthropic、Google、Meta、xAI几家咬得很紧，你出多模态，我跟上Agent，你降API价格，我开放更长上下文。国产阵营同样激烈，百度、阿里、腾讯、字节、华为在头部卡位，DeepSeek、智谱、月之暗面、MiniMax这些新锐从侧翼猛攻。我翻看各家的发布记录，发现一个规律，谁都不敢停，停一个季度就可能被甩出第一梯队。
价格战是2025年最直观的信号。百万token的调用成本从年初到年中跌了好几轮，有些轻量模型已经便宜到可以忽略不计。这对开发者是好事，对厂商是压力。我认识几个做AI应用的朋友，他们现在选型的第一标准就是性价比，其次才看能力上限。这种变化倒逼发布方在技术报告里主动晒价格表，以前可不常见。
1.3 文章结构：从发布汇总、对比评测到趋势判断
这篇文章我打算分三层来写。第一层是汇总，把2025年国际主流模型和国产大模型的发布动态梳理清楚，谁在什么时候发了什么、核心卖点是什么、开源还是闭源。这部分信息密度高，适合当工具书查。第二层是对比评测，我会拉一张基准表，从语言、推理、代码、数学、多模态、Agent几个维度打分，同时把参数规模、上下文长度、API价格、开源许可、部署成本这些产品维度摆在一起。光看跑分不够，得看实际用起来顺不顺手。
第三层是趋势判断和选型建议。技术趋势方面，MoE架构、推理增强、多模态原生、长上下文、端侧轻量化这几条线我会重点聊。产业影响方面，云服务怎么接、AI应用怎么落地、开发者生态怎么迁移、行业客户怎么选，这些我都想覆盖到。写这部分的时候我会尽量克制，不堆术语，多说人话。
我写这个系列有一个私心。市面上大模型发布的新闻很多，但把发布汇总、横向评测、趋势判断串成一条线的内容不多。我想做那个串线的人。读者看完之后，至少能回答三个问题：2025年谁发了什么，国产模型里哪个适合我的场景，接下来半年该盯哪些信号。如果还能帮你在选型会上少吵两句，那这篇就没白写。
2.1 OpenAI、Anthropic、Google、Meta、xAI等发布盘点
2025年这一整年，我几乎是在发布提醒里泡过来的。手机日历上密密麻麻标着各家发布会的时间，有几次半夜爬起来看直播，看完倒头就睡，第二天再翻技术报告补笔记。OpenAI还是那个最会搞节奏的玩家。年初他们先把GPT-4.5推出来，参数规模比上一代大了不少，对话流畅度和知识覆盖确实又上了一层。没过多久，o3系列推理模型开始铺开，o3-mini走轻量路线，API价格压得很低，o3-full留给复杂任务。我拿o3跑过几道竞赛级数学题，推理链条写得很细，中间还会自我纠错，跟早期模型那种硬答完全不一样。
Anthropic这边，Claude 3.7 Sonnet发布的时候我印象很深。他们搞了个“扩展思考”模式，你可以手动控制模型想多久，简单问题秒回，复杂问题多花点token慢慢推。这个设计挺讨喜的，开发者能自己权衡成本和效果。到了年中，Claude 4系列出来，代码能力和长文本处理又往上跳了一截。我有个朋友在做一个法律文档分析工具，他跟我说Claude 4读几百页合同时几乎不漏关键条款，之前用别的模型还得人工回头补查。
Google的Gemini 2.5系列是我今年用得比较多的。他们原生多模态的路子走得很坚决，文本、图像、音频、视频全塞进同一个模型里，不是那种外挂一个视觉编码器的做法。Gemini 2.5 Pro的上下文窗口拉到了一百万token级别，我试着把一整本技术手册丢进去提问，它真能定位到具体章节。Gemini 2.5 Flash走的是快而省的路子，适合大批量调用。Meta的Llama 4在开源社区炸了一波，MoE架构、超长上下文、多语言覆盖，权重放开下载那天Hugging Face上热闹得跟过节似的。xAI的Grok 3和Grok 4也没闲着，实时信息整合是他们的招牌，我刷X的时候经常看到Grok的回复被顶到前排，风格确实够冲。
2.2 开源与闭源模型发布路线及代表产品
开源和闭源这两条路线，2025年分化得更清楚了。闭源阵营以OpenAI、Anthropic、Google为代表，发布节奏是“技术报告+API开放+云平台上线”三件套。他们很少放权重，模型细节也遮遮掩掩，参数规模经常只给个大概区间。这种做法的好处是商业闭环稳，坏处是社区想深度定制基本没戏。我试过用OpenAI的微调接口，能调的东西有限，跟拿开源模型自己魔改完全两码事。
开源这边，Meta的Llama 4是当之无愧的旗手。他们延续了“权重+推理代码+技术论文”的开放组合，社区当天就能跑推理、做微调。Llama 4的许可协议比前几代宽松了些，商用门槛降低，不少创业公司直接拿它当基座。Mistral和Cohere也在开源路线上持续投入，Mistral走的是小而精的路线，模型尺寸不大但效率很高，适合端侧和边缘部署。Cohere侧重企业级RAG场景，开源版本功能有裁剪，但基础能力够用。
有意思的是，闭源厂商也在试探性开放。Google放出了Gemma系列的小模型权重，OpenAI偶尔开源一些工具链和评测框架。这种做法像是在开源社区刷存在感，又不至于把核心资产交出去。我个人的感受是，开源模型在通用能力上追得很快，但顶尖闭源模型在复杂推理和Agent任务上仍然领先一个身位。选开源还是闭源，得看你兜里有多少预算、手里有多少工程人力、对数据隐私有多敏感。
2.3 国际模型发布在推理、多模态、Agent能力上的亮点
推理能力是2025年国际模型发布最卷的赛道。OpenAI的o系列把“思维链”做成了产品化功能，模型在回答前会生成一段内部推理过程，用户能看到它怎么一步步想。Anthropic的扩展思考模式给了开发者调节推理深度的旋钮。Google在Gemini 2.5里引入了“思考预算”的概念，你可以设定模型最多花多少token去推。我实测下来，这些推理增强功能在数学、代码、逻辑题上提升很明显，但也不是万能药。有些需要常识判断的开放问题，模型想得越多反而越绕，最后给出一个过度复杂的答案。
多模态方面，原生融合成了主流。Gemini 2.5能直接处理视频输入，你给它一段产品演示录像，它能描述操作步骤、指出界面问题。GPT-4.5在图像理解和生成之间切换得很自然，你让它看一张图表再写一段分析，输出质量比以前高不少。Claude 4在文档理解上下了功夫，PDF、表格、手写笔记都能读，我拿它处理过扫描版合同，OCR效果比专门工具还稳。多模态不再是发布会上炫技的Demo，它开始进入实际工作流了。我做内容的时候经常让模型看图写描述、看视频写摘要，省了不少手工活。
Agent能力是另一个爆发点。2025年国际主流模型普遍支持工具调用、多步规划、环境交互。OpenAI的Assistants API升级后能管理更复杂的任务链，Anthropic的Claude 4在计算机操作任务上表现突出，你给它一个浏览器界面，它能自己点击、填表、翻页。Google把Agent能力嵌进了Gemini的生态里，跟Workspace打通，邮件、日历、文档都能操作。我试过让模型自动整理收件箱、提取待办事项、生成回复草稿，准确率大概七八成，剩下的得人工过一遍。这个水平已经能省不少时间了，但离完全放手还有距离。Agent的可靠性在长任务链上会衰减，步骤一多就容易跑偏，这也是各家2026年要啃的硬骨头。
3.1 头部厂商发布动态：百度、阿里、腾讯、字节、华为等
百度今年在发布节奏上给我的感觉是“稳中带急”。文心大模型5.0在春季发布会亮相的时候，我正蹲在电脑前看直播，李彦宏上台讲了一个多小时，重点落到了原生多模态和深度推理上。文心5.0把文本、图像、音频、视频的处理能力整合进同一个底座，不再像早期那样分模块拼接。我在内测阶段拿它处理过一段带旁白的产品演示视频，它能同时理解画面里的操作步骤和旁白里的功能描述，输出一份结构化的使用说明。百度把文心跟搜索、地图、网盘这些自家产品打通得很紧，你在百度App里搜东西，底层调用的就是文心模型，只不过普通用户感知不到。这种“模型在背后默默干活”的策略，好处是用户量天然就大，坏处是模型能力很难被单独拿出来评估。
阿里在云栖大会上把通义千问Qwen3系列铺开了，从0.6B的小模型到千亿参数的旗舰版，尺寸覆盖得很全。Qwen3最大的变化是MoE架构的全面引入，旗舰版总参数规模很大，但每次推理只激活一小部分，成本和效率平衡得不错。我拿Qwen3-72B跟上一代做了对比测试，同样的代码生成任务，新模型在复杂逻辑上的准确率有提升，响应速度还快了些。阿里在开源这件事上一直很慷慨，Qwen系列的权重在Hugging Face上开放下载，社区微调的衍生模型数量已经非常庞大。我认识几个做AI应用的开发者，他们的技术栈里Qwen系列是默认选项之一，因为开源版本跟API版本的能力差距在缩小，起步阶段用开源版省成本，跑通了再切API也顺理成章。
腾讯的混元大模型今年走的是“产业落地”路线。我在腾讯全球数字生态大会上听到他们讲混元在金融、医疗、政务这些垂直领域的适配，重点强调的是私有化部署和数据安全。混元跟腾讯云深度绑定，企业客户可以在自己的VPC里跑模型，数据不出域。我在一个做政务信息化的朋友那里看到过他们用混元做的智能问答系统，部署在本地服务器上，响应速度够用，关键是满足了合规要求。字节跳动的豆包大模型则是另一个打法，C端铺得很猛。豆包App日活一直在涨，抖音、今日头条、飞书这些产品里到处都有豆包的影子。字节在发布豆包1.5 Pro的时候，把API价格压得很低，明显是想用价格换市场。我试过用豆包的API做内容摘要，效果中规中矩，但价格确实便宜，大批量处理的时候成本优势很明显。
华为的盘古大模型在2025年继续深耕行业场景。我在华为开发者大会上看到盘古5.0的展示，重点放在了气象、矿山、制造这些垂直领域。盘古跟昇腾芯片的协同优化是他们的护城河，从芯片到框架到模型全栈自主，不受外部供应链影响。我有个在制造企业做数字化的同学，他们产线上用的质检模型就是基于盘古做的，跑在昇腾服务器上，识别准确率和稳定性都达标了。华为不怎么强调通用对话能力，他们更愿意讲“在某个行业里解决了什么具体问题”。这种务实作风在B端很吃得开。百度、阿里、腾讯、字节、华为这五家，发布策略各有侧重，有的押注C端流量，有的深耕B端场景，有的靠开源建生态，有的用全栈自主保安全。
3.2 新锐力量发布动态：DeepSeek、智谱、月之暗面、MiniMax等
DeepSeek今年给国产大模型挣了不少面子。V3和R1系列发布的时候，海外社区的反应比国内还热烈。我半夜刷Hacker News，看到DeepSeek的帖子挂在首页好几天，评论区里一堆人在讨论它的训练成本和推理效率。R1的推理能力确实能打，我拿它跑过几道AIME的数学题，解题步骤清晰，中间还会验证自己的推导。DeepSeek的开源策略也很彻底，权重、技术报告、推理代码全放出来，社区可以自由复现和微调。我在一台4090上跑过R1的量化版本，速度不算快但能用，这对个人开发者来说很友好。DeepSeek的API价格也压得很低，跟国际头部模型比有数量级的优势，不少创业公司拿它当默认后端。
智谱AI的GLM系列今年迭代到了GLM-4.5，他们在长上下文和代码能力上下了不少功夫。我参加过一次智谱的技术沙龙，现场演示了GLM-4.5处理超长技术文档的能力，把一本几百页的框架手册丢进去，它能准确定位到具体API的用法和参数说明。智谱的开源动作也很频繁，ChatGLM系列在中文社区积累了大量用户。我认识一个做法律科技的朋友，他们用GLM的微调版本做合同审查，效果比通用模型好很多。智谱还推出了Agent产品，能调用工具、操作浏览器、完成多步任务，我在内测阶段试过让它自动填报销单，流程跑通了但偶尔会在日期格式上出错，这个细节说明Agent的可靠性还有打磨空间。
月之暗面的Kimi今年在长上下文这条路上继续加码。Kimi的长文本能力是我最早感知到的差异化优势，去年我拿它读研报的时候就发现，几百页的PDF丢进去，它能准确引用具体段落来回答问题。今年Kimi的上下文窗口进一步扩大，同时处理多个长文档也不在话下。我有个做投资分析的朋友，他把尽调材料全部喂给Kimi，让它交叉比对不同文件里的关键数据，省了大量人工翻阅的时间。MiniMax则在多模态和语音交互上做出了特色，他们的abab系列模型在语音合成和识别上表现突出，我试过用MiniMax的语音API做播客转文字，准确率很高，说话人分离也做得干净。MiniMax的产品化能力很强，他们把模型能力包装成开箱即用的API和工具，开发者接入成本很低。
这几家新锐力量的共同特点是：不在通用能力上跟头部厂商硬碰硬，而是找准一个方向深扎下去。DeepSeek死磕推理效率和开源生态，智谱在代码和Agent上发力，Kimi把长上下文做到极致，MiniMax在语音和多模态上建立壁垒。这种差异化策略让它们在巨头林立的格局里找到了自己的位置。我用下来感觉，新锐模型在特定任务上的表现已经不输甚至超过头部厂商的通用模型，但在生态完整度和服务稳定性上还有差距。模型能力是一回事，工程化落地是另一回事，后者需要时间和积累。
3.3 国产大模型发布的节奏、开源策略与生态适配
国产大模型今年的发布节奏明显加快了。去年还是季度级别的大版本更新，今年变成了月度甚至双周级别的迭代。我订阅了好几个厂商的更新邮件，邮箱里几乎每周都有新版本推送。这种节奏对开发者来说是把双刃剑，好处是能力提升快、价格下降快，坏处是刚适配完一个版本，下一个版本又来了，维护成本不低。我有个做AI客服的团队朋友，他们每个季度都要重新跑一遍评测，看新版本有没有引入回归问题。快速迭代的背后是竞争压力，谁都不想在全球竞赛里掉队。百度的文心、阿里的Qwen、字节的豆包基本保持着两个月一次大版本、一个月一次小版本的频率，新锐厂商的迭代更快，DeepSeek和智谱今年都发了多个重要版本。
开源策略方面，国产厂商比国际同行要激进得多。阿里Qwen系列、智谱GLM系列、DeepSeek全系列、百川、零一万物，都把模型权重放出来供社区下载。这种做法在国际上不太常见，OpenAI和Anthropic至今没有开源主力模型。国产厂商愿意开源，一方面是希望通过社区力量加速生态建设，另一方面也是向企业和开发者证明技术实力。我在GitHub上看到Qwen的衍生模型数量已经非常可观，社区微调的版本覆盖了各种垂直场景。开源还带来了一个隐性好处：当你的模型被大量下载和使用，它就成了一种事实标准，后续的商业化路径会更顺畅。智谱的开源模型在学术圈被广泛引用，DeepSeek的开源版本被海外开发者拿去复现论文，这些都在无形中扩大了影响力。
生态适配是国产大模型今年另一个重点。信创环境下的芯片适配、国产操作系统兼容、私有化部署方案，这些看似琐碎的工程问题，恰恰是B端客户最关心的。我在一个国企的信息化项目里看到，他们要求模型必须跑在国产芯片上，从昇腾到寒武纪到海光，每家的适配工作量都不小。华为在这方面有天然优势，盘古跟昇腾是自家兄弟，适配最顺畅。其他厂商也在积极做国产芯片的兼容认证，阿里的Qwen已经支持昇腾和寒武纪，智谱跟多家国产芯片厂商建立了合作。云服务绑定也是生态适配的一部分，百度的模型优先在百度智能云上部署，阿里的模型在阿里云上跑得最顺，这种绑定关系既是商业策略，也是技术优化的自然结果。我在选型的时候会优先考虑模型跟现有云环境的匹配度，迁移成本有时候比模型能力本身更影响决策。
价格战是今年国产大模型发布绕不开的话题。字节豆包率先把API价格拉到地板价，阿里Qwen紧随其后，DeepSeek用极低的推理成本加入战局。我算过一笔账，用国产头部模型的API处理一百万token的成本，大概只有国际头部模型的十分之一到五分之一。这种价格差异让很多中小企业和个人开发者能够低成本地试验AI应用。价格战的另一面是服务质量的分化，便宜的价格对应的是有限的SLA保障和峰值时段的排队等待。我在高峰期调用某家国产API的时候遇到过响应变慢的情况，客服的回复是“当前请求量较大”。对于生产环境来说，这种不确定性需要纳入考量。国产大模型在价格和开源上的优势很明显，在服务稳定性和全球覆盖上还有提升空间。
4.1 对比评测的基准体系：语言、推理、代码、数学、多模态与Agent
我搭建评测体系的时候踩过不少坑。最开始想着直接看厂商发布的跑分表就行了，后来发现各家用的测试集不一样，有的模型在MMLU上分数很高，换个数据集就掉下来了。今年我固定用一套组合基准来跑国产模型，语言理解用C-Eval和CMMLU，推理用BBH和自家的逻辑题集，代码用HumanEval和MBPP，数学用GSM8K和MATH。这套组合谈不上完美，好处是社区认可度高，跑出来的结果可以横向比。我每周抽半天时间维护这个评测流程，把新发布的模型版本拉进来跑一轮，记录变化趋势。这样做出来的数据比单看厂商宣传材料靠谱得多。
语言能力这块，国产模型在中文任务上的优势是天然的。C-Eval的榜单上，头部国产模型的分数普遍高于同级别的国际模型，尤其在成语理解、古文翻译、中文常识推理这些细分项上差距明显。我拿一个古文断句的任务测过，Qwen3和文心5.0的表现比GPT-4o要好，模型对中文语境的把握更细腻。语言评测有个容易忽略的点：方言和网络用语。我试过让模型处理一段夹杂粤语和网络梗的社交媒体文本，有的模型能准确理解，有的直接懵了。这种非标准语言场景在实际应用里经常出现，评测体系里应该留出位置。
推理能力的评测是最难做客观的。BBH这样的基准测的是模型的逻辑链条长度，但真实场景里的推理往往没有明确边界。我自己设计了一套推理题，涵盖因果推断、反事实推理、多步规划这些类型，人工评分。跑下来发现国产模型在演绎推理上进步很快，DeepSeek R1和GLM-4.5在复杂逻辑链条上的表现已经接近国际头部模型。归纳推理和常识推理还有差距，模型有时候会给出逻辑上正确但常识上荒谬的答案。我在评测笔记里专门记录这类翻车案例，当作后续观察的锚点。
代码和数学能力是国产模型今年进步最明显的方向。HumanEval的通过率从去年的百分之六七十涨到了百分之八十五以上，头部模型跟国际同行的差距缩小到几个百分点。我拿一个实际项目里的bug修复任务做测试，给模型一段有问题的代码和报错信息，看它能不能定位到根因。Qwen3-72B和DeepSeek V3都能给出可用的修复方案，有的还会附上解释。数学方面，GSM8K这种小学难度的题目已经拉不开差距了，我用MATH数据集里的竞赛题做区分度测试，国产头部模型能解出百分之七十到八十，但解题步骤的严谨性参差不齐，有的跳步严重，中间推导经不起推敲。
多模态和Agent评测是今年新加的维度。多模态我主要测图文理解、图表问答、视频摘要这三类任务。国产模型里文心5.0和Qwen-VL系列表现突出，图表理解能力尤其好，给一张财报截图，它能准确读出数据并做简单分析。视频理解还在早期阶段，我测的几个模型对长视频的时序理解都不太稳，容易漏掉关键帧。Agent评测更复杂，我设计了一套多步任务，让模型调用搜索、计算、文件操作这些工具完成一个完整流程。智谱的Agent产品在工具调用的准确率上领先，但长流程任务的成功率还不够稳定。我跑过二十次自动填表单的任务，完全成功的比例大概六成，失败原因集中在格式解析和异常处理上。
基准体系搭起来之后，我习惯把每次评测的结果存成结构化数据，方便做趋势分析。半年跑下来，国产模型在语言和代码上的提升曲线很陡，推理和多模态稳步向上，Agent能力波动较大。这套体系也有局限，它测的是模型能力的上限，实际生产环境里的表现还受推理成本、响应延迟、并发能力这些因素影响。评测分数是一个参考维度，不能替代真实场景的试用。
4.2 产品维度对比：参数规模、上下文、API价格、开源许可与部署成本
参数规模是选型时绕不开的数字，但这个数字越来越有误导性。MoE架构普及之后，总参数和激活参数成了两个概念。Qwen3旗舰版总参数上千亿，推理时只激活几十亿，实际算力消耗跟一个百亿参数的稠密模型差不多。我看过一些团队选型的时候只盯着总参数看，觉得越大越好，结果部署成本远超预期。参数规模需要跟架构一起看，MoE模型的总参数反映的是知识容量，激活参数决定推理成本。稠密模型里，七十亿到一百四十亿这个区间在效果和成本之间平衡得比较好，适合大多数企业场景。
上下文窗口今年普遍拉到了百万token级别，Kimi、Qwen、GLM都支持超长上下文。这个能力在实际应用里的价值取决于任务类型。我试过用长上下文模型处理整套技术文档，几百页丢进去做问答，检索准确率比传统RAG方案高不少，因为模型能直接看到原文而不是切碎的片段。代价是推理成本随上下文长度线性增长，百万token的一次请求成本不低。我一般建议团队根据实际需求选择窗口大小，不是所有场景都需要百万上下文，大部分客服和摘要任务三万两千token够用了。长上下文的另一个问题是中间信息丢失，模型对窗口首尾的信息记得牢，中间部分容易忽略，这个缺陷在做长文档分析时要特别留意。
API价格是国产模型最明显的优势。我整理过一份价格对比表，按每百万token的输入输出综合成本算，国产头部模型大概在国际头部模型的十分之一到五分之一。字节豆包的价格最激进，轻量版模型每百万token只要几毛钱，适合大批量、低复杂度的任务。阿里Qwen和DeepSeek的价格也很有竞争力，DeepSeek的推理成本控制得很好，因为他们自己在推理优化上做了很多工作。价格低的代价是SLA保障相对弱一些，我在高峰期遇到过响应延迟明显增加的情况，从几百毫秒涨到几秒。对于实时性要求高的应用，这个因素要纳入考量。有些厂商提供了阶梯定价和预留实例，用量大的客户可以谈更优惠的价格，我帮一个朋友的公司谈过，签了年度合同之后单价降了大概三成。
开源许可是国产模型跟国际同行差异最大的地方。Qwen系列用的是Apache 2.0，GLM系列是自定义的开源协议，DeepSeek的协议允许商业使用。这些许可条款跟OpenAI和Anthropic的闭源策略形成了鲜明对比。我仔细读过几家的许可文件，Apache 2.0最宽松，基本上只要求保留版权声明，商业友好度最高。有些自定义协议会有一些附加条件，比如要求衍生模型也开源，或者限制某些场景的使用。企业法务在选型时会重点看这些条款，我见过因为许可协议不兼容导致整个技术方案推倒重来的案例。开源模型的一个隐性成本是维护，你拿到的权重需要自己部署、自己优化、自己跟上游同步更新，这些工作量在选型时容易被低估。
部署成本是很多人忽略的维度。API调用看起来便宜，但用量上去之后成本曲线会变得很陡。我算过一个中型客服系统的账，每天处理十万次对话，用API的年成本大概在几十万，用开源自部署的话，前期硬件投入加运维人力，第一年成本差不多，第二年开始自部署更划算。自部署的隐性成本包括GPU采购或租赁、模型推理优化、版本更新、故障处理，这些都需要有经验的工程团队。我认识一个做法律AI的团队，他们用Qwen开源版做微调，跑在自己的服务器上，效果比通用API好很多，但团队里专门配了两个人做模型运维。对于没有AI工程能力的小团队，API仍然是最省心的选择。
产品维度对比没有标准答案，取决于团队的技术能力、预算规模、合规要求和应用场景。我一般会建议先明确需求优先级，是成本敏感还是效果敏感，是快速上线还是长期自控。把这些想清楚了，再看参数、价格、许可这些维度，决策会清晰很多。我自己的做法是先用API快速验证产品逻辑，跑通之后根据用量和效果决定要不要切到开源部署，这个路径对大多数团队都适用。
4.3 典型国产大模型发布横向评测：能力、场景适配与性价比
我今年做了一轮比较系统的横向评测，选了六个国产头部模型：文心5.0、Qwen3-72B、混元Pro、豆包1.5 Pro、DeepSeek V3、GLM-4.5。评测任务覆盖通用问答、代码生成、长文摘要、多轮对话、工具调用五个场景。每个场景设计二十道题，人工评分加自动指标结合。跑完一轮大概花了两周时间，积累了三百多条评测记录。结果跟我的预期有些出入，有些模型在宣传里吹得很厉害，实测下来在特定场景里表现平平，有些低调的模型反而有惊喜。
通用问答和长文摘要上，文心5.0和Qwen3的表现最稳。文心对中文知识类问题的回答准确率高，尤其是涉及国内政策、文化、历史的问题，它很少出错。我拿几道关于国内医保政策和地方补贴的问题测过，文心能给出准确的解读，国际模型在这方面经常给出过时或不适用的信息。Qwen3的摘要能力突出，给一篇一万字的技术文章，它能提炼出结构清晰、要点完整的摘要，而且语言流畅，基本不用二次编辑。混元Pro在通用问答上中规中矩，但在涉及金融和政务的垂直领域问题上有额外优化，回答的专业度更高，这跟他们主打产业落地的策略一致。
代码生成场景里，DeepSeek V3和Qwen3-72B领先。我出了几道算法题和实际工程里的bug修复题，DeepSeek在算法题上的通过率最高，代码风格简洁，注释也写得好。Qwen3在工程场景里更实用，它能理解项目上下文，生成的代码跟现有代码风格一致，集成的摩擦小。豆包1.5 Pro在代码场景里表现一般，简单任务能应付，复杂逻辑容易出错。不过豆包的响应速度最快，在需要快速迭代的场景里这个优势明显。我有个做前端的朋友用豆包做组件代码生成，配合人工修改，效率提升很明显，他说“快比完美重要”。
多轮对话和工具调用是拉开差距的地方。GLM-4.5在多轮对话里的上下文保持能力最好，我做了个十轮的复杂对话测试，中途多次切换话题，GLM能准确记住之前提到的约束条件，回答始终在轨道上。智谱在Agent方向上的投入在这项测试里体现出来了。工具调用方面，GLM和Qwen的成功率最高，能准确解析工具返回的结果并决定下一步动作。DeepSeek在工具调用上的表现不够稳定，有时候会忽略工具返回的错误信息继续往下走。混元Pro和文心5.0的工具调用能力还在完善中，简单任务没问题，多步流程容易断链。
性价比的综合评估需要考虑能力和价格两个轴。我把每个模型的评测得分除以API价格，得到一个粗略的性价比指数。豆包1.5 Pro在这个指数上遥遥领先，虽然能力不是最强，但价格足够低，对于大批量、中等复杂度的任务非常划算。DeepSeek V3的性价比也很突出，能力接近头部，价格只有中档水平。Qwen3-72B的开源版本把性价比拉到了另一个层级，自部署的话边际成本趋近于零，适合用量大且技术能力强的团队。文心5.0和混元Pro的价格偏高，但它们在特定场景下的表现和生态整合能力构成了溢价理由，面向B端客户时这个逻辑成立。
场景适配比绝对能力更重要。我帮一个做电商客服的团队选型时，发现他们最需要的不是最强的推理能力，而是快速响应和准确的产品知识检索。豆包和Qwen3在这个场景里比文心更合适，因为响应快、价格低、产品知识可以外挂。另一个做研报分析的团队则需要长上下文和深度推理，Kimi和DeepSeek是更自然的选择。我自己的经验是，先明确场景的核心需求，再用评测数据筛选出满足需求的模型，最后在符合条件的模型里挑性价比最高的。这个流程比盲目追求“最强模型”要理性得多。
横向评测做多了会发现，没有哪个模型在所有场景里都领先。每个模型都有自己的舒适区，厂商的发布策略也在引导用户往他们的优势场景走。选型的过程其实是把场景需求和模型特长做匹配。我一般会建议团队先用小规模流量做A/B测试，用真实业务数据来验证评测结论，因为基准测试跟实际业务表现之间总有落差。评测是地图，路还得自己走。
5.1 技术趋势：MoE、推理增强、多模态原生、长上下文与端侧轻量化
去年我还在跟朋友争论MoE到底是不是过渡方案，今年这个话题已经没人提了。Qwen3、DeepSeek V3、混元Pro，你翻一遍主流厂商的旗舰模型，清一色MoE架构。我自己部署过稠密模型和MoE模型的对比环境，同样的任务量，MoE的推理成本能压到稠密模型的三分之一甚至更低。这个账很好算，总参数撑住知识容量，激活参数控制计算开销，稀疏化这条路已经跑通了。我印象很深的一次测试，用Qwen3的MoE版本跑一个批量摘要任务，吞吐量比我之前用的稠密模型高了将近两倍，效果没有明显下降。现在新发布的模型如果不带MoE，我反而会多问一句为什么。
推理增强是另一个让我感触很深的方向。年初DeepSeek R1出来的时候，我花了一个通宵跑它的思维链，看着模型一步步推导数学证明，中间还会自我纠错，那个体验挺震撼的。到了下半年，几乎每家新发布的模型都在推理能力上做了专门优化。我注意到一个变化，模型不再只是给出答案，而是把推理过程也暴露出来，有的还支持用户干预推理步骤。这个趋势对复杂任务的价值很大，我帮一个做金融风控的团队做方案时，他们最看重的就是模型能给出可审计的推理链路，出了问题可以追溯。推理增强也带来了新的工程挑战，思维链的长度不好控制，有时候一个简单问题模型想了三千字，响应延迟直接上去了。
多模态原生这个概念今年被反复提起，我的理解是模型从训练开始就把文本、图像、音频放在同一个表征空间里学习，而不是后期拼接一个视觉编码器。文心5.0和Qwen-VL系列在这个方向走得比较靠前。我做过一个对比测试，给模型一张复杂的流程图让它解释流程逻辑，原生多模态模型能准确识别箭头方向和节点关系，拼接方案经常把箭头看反。差距在简单任务上不明显，任务一复杂就拉开了。视频理解目前还是短板，我试过用几个头部模型做长视频摘要，关键事件漏检率还是偏高，时序理解的稳定性不够。
长上下文今年卷到了百万token级别，Kimi、Qwen、GLM都把这个当卖点。我在实际项目里用过几次，处理整套合同文档做风险点提取，确实比RAG方案省事，模型能直接看到条款之间的交叉引用关系。但有个坑我踩过好几次，模型对上下文中间部分的注意力明显弱于首尾。我做过一个定位测试，把关键信息放在十万token文档的中间位置，检索准确率比放在开头低了将近二十个百分点。这个缺陷在做长文档分析时很致命，你没法保证关键信息刚好在首尾。我的应对办法是分段处理加交叉验证，虽然麻烦一点，可靠性高很多。
端侧轻量化是今年下半年明显加速的方向。高通、联发科的新芯片都在强调端侧AI能力，模型厂商也推出了专门的小尺寸版本。我在自己的笔记本上跑过几个七十亿参数以下的模型，日常的文本处理、简单问答已经够用了，响应速度比调API还快，因为不需要网络往返。端侧模型最大的价值在隐私敏感场景，我认识一个做医疗问诊的团队，他们把模型部署在本地设备上处理患者对话，数据不出设备，合规压力小了很多。端侧的限制也很明显，复杂推理和多模态任务还是得靠云端，端侧模型更像是一个前置过滤器，处理简单请求，复杂的再转发到云端。这个分层架构我觉得会越来越普遍。
这些技术趋势之间不是孤立的。MoE让大模型跑得更便宜，推理增强让模型能处理更复杂的任务，多模态原生拓展了输入输出边界，长上下文减少了信息压缩的损失，端侧轻量化把能力推到了离用户更近的地方。它们叠加在一起，改变的是整个技术栈的成本结构和能力边界。我年初做方案时还要在效果和成本之间做痛苦取舍，现在可选的空间大了很多，很多之前不敢想的场景现在能落地了。
5.2 产业影响：云服务、AI应用、开发者生态与行业落地
云服务厂商是这波模型发布潮最直接的受益者。我翻了几家云厂商的财报，AI相关收入增速都很快。逻辑不复杂，模型发布得越多，企业试用的意愿越强，云上的GPU消耗就越大。我接触过几个传统行业的信息化负责人，他们以前对AI的态度是观望，今年开始主动问能不能在他们现有的云环境里接入大模型。这种需求变化很实在，不是因为技术有多炫，而是模型价格降下来之后，投入产出比算得过来了。
云厂商之间的竞争也在加剧。阿里云、腾讯云、华为云都在推模型即服务，把各家模型打包成API供客户调用。我帮一个创业团队做选型时对比过几家的MaaS平台，功能差异不大，价格战打得很凶。有的厂商为了抢客户，给新用户的免费额度够跑好几个月的测试。这种竞争对开发者是好事，选择多了，议价空间也大了。我注意到一个现象，云厂商开始往垂直行业扎，金融云、政务云、医疗云都配了专门优化过的模型和工具链。通用模型打底，行业模型做精调，这个策略我觉得是对的，通用能力大家都能拿到，行业know-how才是差异化。
AI应用层今年的变化让我有点意外。去年大家还在讨论大模型能做什么应用，今年已经有人闷声赚钱了。我认识几个做AI应用的独立开发者，产品不复杂，就是帮特定行业解决具体问题，比如法律文书自动生成、电商评论分析、教育题目批改。他们的共同点是找到了一个足够窄的场景，把模型能力跟场景需求咬合得很紧。有个做外贸邮件助手的朋友告诉我，他每个月API成本几千块，收入是成本的十几倍。这种小团队能跑通商业模式，在以前是很难想象的，因为模型能力不够的时候，你得自己养算法团队，成本根本压不下来。
开发者生态的变化也很明显。开源模型把进入门槛拉低了一大截，我以前带过一个学生，没有任何AI背景，靠着Qwen的开源权重和一份微调教程，两周就做出了一个能用的垂直领域问答机器人。这在闭源时代不可想象。开源社区的氛围也在变好，Hugging Face上的中文模型和数据集越来越丰富，技术博客和教程的质量也在提升。我每周会花时间刷一下社区动态，经常能发现一些有意思的工具和方案。开发者生态的繁荣会反过来推动模型迭代，厂商能看到真实的使用反馈，知道该往哪个方向优化。
行业落地这块，金融和政务走得最快，这两个行业有预算、有数据、有明确的效率提升需求。我参与过几个银行的AI项目评审，他们最关心的是模型输出的稳定性和可解释性，对能力的绝对值反而没那么在意。一个银行的技术负责人跟我说，他们要的不是最聪明的模型，是最不容易出错的模型。这个观点提醒我，行业落地跟技术评测的逻辑不太一样，评测看的是能力上限，落地看的是可靠下限。制造、能源、医疗这些行业的落地节奏慢一些，数据分散、流程复杂、合规要求高，但需求是实打实的。我见过一个工厂用模型做设备故障诊断报告生成，把维修师傅的口述录音转成结构化文档，节省了大量文书时间。这种场景不炫酷，价值很实在。
产业影响不是均匀分布的。头部企业有能力自建模型能力，中型企业倾向于用云服务，小团队和个人开发者靠开源模型和API起步。每一层的需求不同，对应的产品形态和商业模式也不一样。我觉得现在这个阶段，模型能力已经过了从零到一的临界点，接下来的竞争在场景理解和工程落地。谁的方案能让客户用起来、用得住、用得起，谁就能拿到订单。
5.3 发布迭代下的选型策略、风险与合规考量
模型发布节奏这么快，选型成了一个动态问题。我年初帮一个客户选的模型，到了年中就被新版本超越了，能力更强、价格更低。客户问我是不是选错了，我说没有，你当时用那个模型跑通了业务，积累了数据和经验，现在换新模型是升级不是推翻。选型的关键不是选一个永远最好的模型，是选一个现在够用、将来能平滑迁移的方案。我一般会建议客户把模型调用层做一层抽象，不要跟特定厂商的API绑死，换模型的时候改配置就行，不用重写业务代码。
具体到选型决策，我会先看场景的核心约束。如果是实时交互场景，响应延迟是第一位的，模型能力稍微弱一点也能接受。如果是离线批量处理，成本敏感，那就挑性价比高的。如果是复杂推理任务，能力上限更重要，价格可以放宽。这些约束想清楚之后，再去看评测数据做筛选，效率高很多。我见过一些团队上来就列一堆评测维度，每个维度都要最高分，最后发现没有模型能满足，项目卡在选型阶段动弹不得。选型是取舍，不是找完美。
风险这块，我感受最深的是技术锁定风险。有些厂商的API设计很独特，用了他的专有格式和工具链，迁移成本很高。我经历过一次，客户用了某家厂商的Agent框架，深度绑定了他的函数调用协议，后来想换模型发现整个Agent逻辑都要重写。这个教训让我在方案设计时特别注意标准化，尽量用OpenAI兼容的接口格式，工具调用走通用的协议。多模型路由也是一个降风险的办法，同时接两三家模型，根据任务类型动态分配，一家出问题可以快速切换。
合规考量今年明显加重了。我参与的几个项目里，法务团队的介入时间比以前早了很多。模型生成内容的版权归属、训练数据的来源合法性、生成内容的审核责任，这些都是法务关心的点。我印象很深的一次讨论，是关于模型生成代码的许可证问题，法务担心模型生成的代码可能包含开源代码片段，给公司带来法律风险。这类问题没有标准答案，需要模型厂商、法律专家、工程团队一起协商。我能做的是保持信息透明，把模型的训练数据来源、许可条款、输出内容的使用限制都搞清楚，让决策者有足够的信息做判断。
数据安全是另一个不能回避的问题。我帮一个做医疗AI的团队做方案时，数据合规是最头疼的环节。患者数据不能出医院内网，模型必须私有化部署，推理过程不能上传任何数据到云端。这种场景下开源模型是唯一选择，API方案直接出局。私有化部署也有合规细节要注意，模型的日志记录、访问控制、数据加密，每一项都要过法务的关。我一般建议团队在项目启动阶段就把安全和合规团队拉进来，不要等到上线前才发现踩了红线。
发布迭代带来的另一个挑战是评测的时效性。模型版本更新太快，上个月的评测结论这个月可能就不适用了。我的应对办法是建立一套自动化的评测流水线，新模型发布后一天内就能跑出一轮基准数据，跟历史版本做对比。这套流水线不追求全面，抓住关键维度就行，语言、推理、代码、安全这四个方向，每个方向跑几个核心测试集。有了快速反馈，选型决策的时效性就能跟上发布节奏。我也会定期回访客户，问他们实际使用中的感受，真实反馈比基准分数更有参考价值。
选型策略、风险控制、合规考量这三个维度需要放在一起看。光看能力不看风险，容易踩坑。光看风险不看能力，什么都不敢用。我的经验是找到一个平衡点，在可接受的风险水平下追求最大的业务价值。模型发布还会继续加速，选型不会是一次性决定，而是一个持续优化的过程。建立好评估框架、迁移能力和合规底线，剩下的就是跟着节奏走，该升级就升级，该调整就调整。
6.1 2025年大模型发布格局总结
今年我最大的感受是发布节奏快得有点跟不上。年初还在数哪家发了新模型，到了年中已经变成一周好几个版本。国际厂商OpenAI、Anthropic、Google、Meta、xAI轮番上阵，国产这边百度、阿里、腾讯、字节、华为也没闲着，DeepSeek、智谱、月之暗面、MiniMax这些新锐更是把开源和性价比玩出了花。我整理发布汇总表的时候，一个月就填了几十行，有些模型我还没来得及试，下一个版本就出来了。
这种密度背后，竞争焦点变了。前两年大家比参数规模，比榜单分数。今年我看到的讨论更多围绕推理能力、多模态原生、Agent任务完成率、API价格、部署成本。MoE架构几乎成了旗舰标配，推理增强让模型能展示思考过程，长上下文卷到百万token，端侧小模型也开始进入日常使用。开源和闭源不再是非此即彼，很多厂商同时走两条路，用开源建生态，用闭源做商业。
从价值评估的角度看，发布数量本身没有意义。我见过太多模型发了就发了，没人用，没人讨论。真正有价值的发布，是能让开发者愿意接入、企业愿意付费、用户愿意留下来的。2025年的格局，我倾向于用“分层”来描述。底层是少数几个通用大模型，中间是云厂商的MaaS平台，上层是垂直行业模型和AI应用。每一层都有自己的玩家和规则。谁能把能力、成本、可靠性、合规这几件事平衡好，谁就能在下一轮站住。
6.2 国产大模型对比评测的核心发现与选型建议
这一年我花了不少时间在国产模型的对比评测上。从语言理解、推理、代码、数学到多模态和Agent，我跑过几十轮测试。核心发现有几个。国产模型在中文场景下的表现已经很稳，部分模型在复杂推理和代码生成上接近国际一线。开源力度大得惊人，Qwen、DeepSeek、GLM、MiniMax都放出了可商用的权重，这对开发者和中小企业是实打实的红利。API价格战打下来，同样的任务成本比去年降了一个数量级。长上下文和Agent能力进步明显，但稳定性参差不齐，同一个模型在不同任务上的表现波动可能很大。
选型建议我一般会先问客户三个问题：你的场景对延迟有多敏感？你的预算是按调用量算还是按部署算？你有没有数据不能出内网的要求？这三个问题回答完，选择范围就小了一半。我帮一个做法律文书的团队选型时，他们最在意的是长文档理解和引用准确性，我推荐了长上下文强的模型，同时建议他们做分段交叉验证。另一个做客服机器人的客户，延迟是硬约束，我建议他们用端侧小模型处理简单请求，复杂问题再路由到云端大模型。多模型路由是我现在给大多数客户的标配方案，不把鸡蛋放一个篮子里，迁移风险也小。
国产模型各有侧重。DeepSeek在推理和性价比上很突出，Qwen的生态和开源社区活跃，GLM在多模态和Agent工具调用上有积累，Kimi的长上下文体验好，文心和混元在行业落地上有优势，豆包在C端产品集成上走得快。选型没有标准答案，我建议团队建立自己的内部评测集，用真实业务数据跑一轮，比看公开榜单有用得多。公开榜单会过时，自己的业务数据不会骗人。另外，开源许可和部署成本要提前算清楚，有些模型看着免费，部署和运维成本不低。
6.3 未来发布趋势与持续跟踪方法
往后看，我觉得发布趋势会往几个方向走。Agent化会加速，模型不只是回答问题，而是能调用工具、执行多步任务、跟其他Agent协作。多模态原生会成为默认能力，文本、图像、音频、视频在同一个表征空间里处理。端云协同的分层架构会普及，简单任务端侧搞定，复杂任务云端处理。推理增强会继续深入，思维链的可控性和可审计性会提升。开源和闭源的界限会更模糊，很多厂商会同时运营两条线。监管和合规会从边缘话题变成核心约束，尤其是数据安全和生成内容的责任归属。
持续跟踪的方法，我自己的做法是建立一套自动化评测流水线。新模型发布后，先跑一轮核心基准，语言、推理、代码、安全四个方向各选几个测试集。同时关注Hugging Face上的趋势模型、arXiv上的技术报告、厂商的官方博客和开发者社区。我每周会花一两个小时刷这些信息源，把值得关注的模型和工具记下来。遇到跟业务相关的，就安排时间实际跑一跑。真实体验比二手评测靠谱。
跟踪的终点是价值评估。一个模型发布，值不值得跟进，要看它能不能解决我或者客户的实际问题。能力提升多少，成本降了多少，可靠性有没有改善，合规风险能不能接受，迁移成本高不高。这些问题想清楚，再决定要不要投入时间。模型发布还会继续加速，选型和跟踪不会是一次性工作，而是持续的过程。保持信息敏感，建立评估框架，维护迁移能力，剩下的就是跟着节奏走，该升级升级，该调整调整。发布汇总是起点，价值评估才是终点。
