主流模型厂商的差异

不背厂商排名，按能力、成本、生态、部署和合规做一次真正的选型。

这一节不会给你一份「厂商排行榜」。榜单三个月就翻一遍，背下来没有意义。真正能重复使用的，是一套量的方法。

你会遇到的现象：

为什么不给排名

三个原因。

**一、榜单和你的任务不是一回事。**公开评测测的是竞赛题、通用问答这些标准化任务，而你要它干的是「把这类工单按我们内部的五个类别打标」。跑分高不代表你的场景好用——这两件事经常反着来。像 LMArena 这种人类偏好榜，只能看趋势，不能替代你自己的实测。lmarena

**二、差距在收窄，而且变动很快。**头部模型之间的公开基准差距一直在缩小，同时每隔几个月就有新版本、新定价。任何写死的排名，写下来的那天就开始过期。ai-index

**三、选型从来不只是选能力。**价格、稳定性、合规、迁移成本，任何一条不过关都能一票否决——哪怕它能力最强。

把候选放进这张表，一个个打分，下个季度还能接着用。

维度	具体量什么	怎么量
① 任务表现	在你那类任务上的准确率与稳定性	20–50 条真实样例，各模型跑同一套，人工判对错
② 上下文长度	够不够装下你要塞的资料	拿最长的那份真实输入去试，别信标称值
③ 真实成本	一次完整调用的钱，不是每百万 token 的单价	用真实请求量一遍 Token，算上输入、输出和多轮重发 openrouter-models
④ 稳定性	限流额度、超时率、故障时的表现、有没有 SLA	压一段时间，看 P95 延迟和错误率，别只看平均值
⑤ 合规	数据是否出境、留存多久、是否用于训练、能否签协议	让法务看厂商的数据处理条款，别看营销页
⑥ 迁移成本	换掉它要改多少东西	看是否兼容通用接口格式，提示词要重调多少

前两条决定「能不能用」，中间两条决定「用不用得起」，后两条决定「敢不敢用」。任何一条不过关都是一票否决。

第 ① 条最花时间，也最值。准备一组真实样例、跑一遍、人工判对错——做过一次，后面每次换模型都能复用，是整个选型里回报最高的投入。

虽然不给排名，但阵营之间确实有稳定的性格差异，这些短期内不会变。

海外头部闭源厂商（OpenAI、Anthropic、Google 这一类）：能力上限通常最高，工具调用和长任务的工程成熟度好，文档与生态完整。代价是价格偏高，且国内使用涉及网络与合规问题。

国内大厂平台（阿里、字节、腾讯、百度这一类）：优势在中文场景、合规资质、企业合同与发票，以及和自家云的整合。它们通常既提供自研模型，也在平台上托管第三方模型。

国产高性价比阵营（DeepSeek、月之暗面、智谱、MiniMax 这一类）：定价激进，部分开放权重，性价比是主要卖点。近年国产模型的价格底线一直被这一阵营拉低。

开放权重模型：可以自己部署，数据不出门、不怕下线涨价。代价是显卡、运维和并发都得自己扛——中小规模下通常比直接调 API 更贵，买到的是可控而不是便宜。

一个参考量级：2026 年 8 月，海外旗舰模型的输入价大致在每百万 token 几美元的水平，国产主力模型则在几元人民币甚至更低，头部产品还常配免费额度。但这些数字变动极快，务必以厂商当期报价页为准。claude-pricing

四步，一两天能走完。

**第一步，先划掉不合规的。**把数据出境、留存策略、能不能签协议这几条摆出来，过不了的直接出局。这一步放最前面，能省掉后面全部白工。

**第二步，准备一组真实样例。**20 到 50 条，覆盖常见情况和几个刁钻的边界情况。这组样例是你之后所有决策的尺子。

**第三步，同一套样例跑所有候选。**同样的提示词、同样的参数，人工判对错。注意一个坑：不同厂商对同一段提示词的反应差别很大，所以一轮结果不理想时，先给它一次针对性调整提示词的机会，再下结论。

**第四步，选两个，不是一个。**一个主力，一个备用，而且备用的接入要真的跑通过。模型限流、故障、下线都是常态，不能把产品可用性押在单一供应商身上。