国内外知名大模型及应用——模型/应用维度2026/06/17

---

2026年的AI牌桌，我终于看懂了

先给你讲个事儿。

上周跟一个做AI infra的朋友喝酒，喝着喝着他突然问我：“你说这大模型，一茬接一茬地冒，我到底该用哪个？”

我一愣。说实话，这问题我自己也问了自己八百回了。

2026年都过半了，你能叫得上名字的大模型少说几十个，光国内就1500多种。普通人一看这阵仗，谁不懵？

所以今天不整那些虚头巴脑的排行榜，跟你聊聊我这一年多实操下来的真实感受。

国内这群“卷王”，路子走岔了又走对了

先说个贼有意思的事儿。

上周我拿同一段代码让几个模型跑，结果你猜怎么着？

DeepSeek V4 Pro甩出来的代码干净利落，注释写得比我亲自带的实习生还规范，甚至顺手给你附上了反爬建议。这服务，贴心到不像AI。

但换成通义千问Qwen3.6-27B，这货居然反问了我一句：“需要我帮你模拟测试环境吗？”

！！！你敢信？它居然能主动思考下一步该干嘛！

我当时丢给它的是一个爬虫脚本的框架，让它补全。DeepSeek老老实实把代码填完了，规规矩矩的。Qwen3.6呢？直接问我“要不要测试环境”，还自己脑补了好几个异常处理场景。

这事儿搁以前，只有Claude能这么干。现在，国产模型也有这脑子了。

后来我翻了翻Qwen3.6的技术报告，差点没把手机摔了——这个27B的小模型，在智能体编程上居然干翻了自家前代那个400多B的旗舰！400多B啊，兄弟们！27B打400多B，还赢了？

你看，参数真不是万能的。架构才是硬道理。

但你要以为国产模型都在一个赛道上卷，那就大错特错了。

你看智谱GLM-5.2，玩的是全栈国产化——全程用华为昇腾芯片训练。这在信创圈子里简直就是香饽饽！SWE-bench Verified干到77.8%，比GPT-5.5都高，API价格只要GPT的几分之一。你要是做政企项目，这几乎是唯一的选择。

说到这儿，得提一下MiniMax。6月1号刚发布的M3，直接支持100万token上下文。编程评测超过GPT-5.5和Gemini 3.1 Pro。

你没看错。一个国产开源模型，在美国人的评测里，把美国旗舰按在地上摩擦。

我第一时间就上手试了。感觉就俩字：野心大。100万上下文不是闹着玩的，我直接把一个开源项目的整个代码库扔进去，它能帮你重构整个架构。

这以前谁敢想？！

但说句心里话，我不太信它所有场景都稳。大厂在这种事儿上向来是“先堆参数后修bug”，等大规模用户涌进去，问题就暴露了。不过，能有这样的魄力，已经值得我喊声“respect”了。

国外那几位，在玩另一套游戏

再说说国际巨头那边。格局也挺有意思。

Anthropic的Claude Fable 5，现在基本就是“全平台最强”的代名词。Intelligence 60、Coding 62.0、Agentic 80.6，三项第一！你看看那个Agentic的成绩——80.6，比自家前代Opus 4.8的77.8高了快3分。

我用了两周，感受就一句话：这模型写代码几乎不会跑不通。安全性控制做得极其严格，干擦边球的事儿门儿都没有，但你要写正经的工程项目，它就是天花板。

不过贵也是真贵。Opus 4.8的API价格是你钱包的噩梦。但Sonnet 4.6价格大概是Opus的20%，SWE-bench只落后8个百分点——这才是“甜点级”的选择。我日常用的就是Sonnet，只有特别复杂的活儿才上Opus。

说到GPT-5.4，它有个特别好玩的技能——Computer Use。OSWorld准确率75%，超过人类基准的72.4%。

啥意思？就是说，你让它帮你操作电脑——截图、点按钮、填表单——它能自己完成。我让它帮我在一个SaaS系统里批量录入数据，丢进去200条记录，它自己打开页面、登录、填表、提交，中间还处理了两个验证码弹窗。整个流程跑了大概20分钟，零失误。

这事儿太可怕了。你天天加班改bug的时候，人家AI已经在帮你干那些脏活了。你说气不气人？

但Google的Gemini 3.1 Pro最近有点翻车。长文档分析确实是强项，100万token随便啃，多模态也是真能看图说话。不过稳定性让人抓狂——有时候同一个提示词，上午跑和下午跑，答案能差出一大截。据说是最近在内部大重构，模型版本迭代太快导致的不稳定。

你要用它在生产环境？我劝你三思。

还有个事儿在圈子里炸了锅——xAI把Colossus 1超算租给了Anthropic。22万块英伟达GPU，每月12.5亿美元，租到2029年。

xAI把自家最大的算力集群租给了直接竞争对手！这意味着什么？他们在前沿竞赛中退了一步。Grok 4.3确实便宜，输入只要1.25美元每百万token，在旗舰里算最低的一档，接入X的实时数据也是独一份。但下一代Grok 5还在训练中，重组、算力外租之后还能不能按时跳出来？真不好说。

我的判断，和几个实在建议

测了大半年，踩了不少坑，说几个实在结论。

第一，别迷信参数。 27B的Qwen3.6能干翻400B的Qwen3.5——这事儿明摆着告诉你，架构效率和训练数据质量才是核心。你追参数量，追到最后，可能就是个数字游戏。

第二，中国模型在走一条不一样的路。 开源、低成本、场景适配快。SuperCLUE 5月榜单里，DeepSeek V4 Pro总分70.48，推理74.43，国内第一。但豆包Seed-2.0-pro的应用能力68.14，在精确指令遵循和幻觉控制上拿了高分。

说白了，中国模型正在从“能不能打”变成“好不好用”。

第三，国外旗舰的优势在变窄。 Claude Fable 5、GPT-5.5这些确实是天花板，但天花板在降低。你每月花20美元用ChatGPT，和免费用的DeepSeek V4，在日常场景里体验差距越来越小。我让它们写同样的爬虫，DeepSeek甚至更贴心——还提醒我注意反爬策略。

这在一年前，你敢想？

第四，我的选择标准变了。 以前我会问“哪个模型最强”，现在我更关注“哪个模型最适合我的场景”：

• 如果干复杂工程项目，上Claude Opus或Fable。
• 还想省钱又要质量？Sonnet 4.6或GLM-5值得考虑。
• 搞前端或UI自动化？GPT-5.4的Computer Use是你的菜。
• 国产化信创项目？GLM-5系列闭眼入。
• Agent自主编程？Kimi K2.6的300个智能体集群协同可以试试。
• 手头紧？DeepSeek V4 Flash，成本是海外的十分之一，开源社区已经帮你验证过了。

最后说个预测。到今年年底，我估计开源模型会进一步吃掉闭源模型的市场份额，尤其是在企业服务场景。MiniMax M3的开源发布已经证明了——开源模型在能力上完全能对标闭源旗舰。DeepSeek V4的预训练成本据说只有GPT-5的几分之一，但它在中高端场景的表现已经让很多大厂开始认真评估替代方案了。

哦对了，关于小米那个MiMo V2.5 Pro，我也测了，Agentic 67.4分，在国产里属于第一梯队。但说实话，小米的AI布局一直让我摸不透。手机和IoT场景或许才是它的主场，通用场景目前还不算出彩。

大模型这一年半的进化速度，说实话，把我这个写了十年专栏的老东西都看晕了。

但有一点我越来越确定：2026年，已经不是“谁家模型最强”的问题了，而是——

你选对了没有。

别追着参数跑，先搞清楚你要解决什么问题。

---

大模型进化再快，也快不过你找到那把钥匙的速度。