市面上的大模型这么多，如何选择最合适？

上一篇文章介绍了几个比较流行的AI智能体，如果你已经成功安装了，证明你已经有了一个机器人的躯壳，现在我们需要为这个机器人安装一个大脑，这个大脑的名字叫LLM。

一、什么是LLM

LLM 是英文 Large Language Model 的缩写，中文叫大语言模型，拆开看其实就三个词：大、语言、模型。

模型，就是一个用来做预测的程序，语言，说明它处理的对象是文字，大，指的是它的规模（里面的参数动辄上千亿，训练时吃掉了海量的文字数据）。

它的工作方式说起来有点像“文字接龙”：你把一段话喂给它，它根据前面所有内容，预测下一个最有可能出现的字或者词，然后把预测结果接回去，继续预测下一个，一个字一个字地“接”出完整回答，你看到的那些流畅的回复、代码、文章，本质上都是这么一步步“接”出来的。

这中间有个关键概念叫 Token，模型不认字，只认数字，中间靠分词器把文字翻译成数字，Token 也不等于词，一个汉字大概对应一个多 Token，英文一个单词大概零点几个，模型的“记性”也来自这里（它并没有真正的记忆，而是每次把整段对话历史重新拼进请求里），这段历史能装多大，就看它的上下文窗口（Context Window）有多大，现在主流的旗舰模型都已经到了百万级别，能一次性装下好几本书的内容。

LLM 的底子是 Transformer 架构，2017 年由谷歌提出，后来 OpenAI 用 GPT 系列把它引爆，2022 年底 GPT-3.5 横空出世，2023 年 GPT-4 发布，大模型时代正式开启，到现在，国内外的大模型已经多到数不过来了。

二、LLM 在整个 AI 流程中充当什么样的角色

用一句话说：LLM 是 AI 系统的“大脑”，负责思考，而 Agent 是“躯壳”，负责行动。

上一篇文章里介绍的 AI Agent，本质上是一个壳子，它能把你的指令拆解成步骤、调用各种工具、操作电脑、读写文件，但这些“动手”能力背后，做判断、写内容、想方案的，都是 LLM。

一个完整的 AI 工作流大概是这样的：你发出指令，Agent 收到后把任务拆解，需要思考的地方交给 LLM，需要执行的地方调用工具，工具返回结果后再交给 LLM 理解和整理，最后输出给你，整个过程里，LLM 是那个反复被调用、负责“想”的核心，Agent 是那个来回跑腿、负责“做”的外壳。

画成图就是这么个循环：你发出指令，Agent 拆解任务、调起工具，中间所有需要动脑子的地方都是 LLM 在干活，工具把结果拿回来后，LLM 再理解整理，最后输出给你。

打个比方：Agent 像一个手脚麻利的员工，LLM 是他的大脑，员工知道该打哪个电话、该跑哪个部门，但“该说什么话、该怎么处理这件事”的判断，都是大脑做的，大脑的水平，直接决定了这个员工的上限。

三、国外头部两大模型

先看国外，目前全球公认的第一梯队就是 OpenAI 和 Anthropic 两家，国内能直接用的主要是它们的 API 或者订阅，门槛高一些，但能力确实是标杆，很多国产模型都拿它们当对比对象。

1、GPT-5.6（OpenAI）

• 出品方：OpenAI。

OpenAI 就是做 ChatGPT 那家公司，GPT 系列是它的招牌，GPT-5.6 是 2026 年 7 月 9 日发布的旗舰，分三个档：Sol 是旗舰、Terra 均衡、Luna 快速低价，你可以理解成高配、中配、低配。

• 是否开源：不开源。

闭源专有，权重不公开，也没法自己部署，只能通过官方 API 或者 ChatGPT 用。

• 幻觉程度：未找到公开的量化评测数据。

社区里有人说它在一些看似简单的数学问题上还会翻车，但这属于能力短板，不完全是幻觉，整体上没有系统性的幻觉评测公开，一般默认头部闭源模型的幻觉控制相对成熟。

• 模型特性：文本加图像输入，文本输出，上下文 105 万 token。

强项是复杂编码和 Agent 任务，Terminal-Bench 编码榜全球第一，Sol 档还有个 Ultra 模式，能同时调度多个子 Agent 并行干活，Terra 档性能接近上一代旗舰、价格只要一半，Luna 档主打便宜快，语音和图像生成是走另外的专用模型，不在这代本体里。

• 性价比：API 输入输出每百万 token 分别是 Sol 5 美元 30 美元，Terra 2.5 美元 15 美元，Luna 1 美元 6 美元。

订阅的话 ChatGPT Plus 大约 20 美元一个月，Pro 大约 200 美元，三档定价覆盖高中低，从省钱到堆算力都有得选，是目前国外模型里定价分层做得最细的。

2、Claude Opus 5（Anthropic）

• 出品方：Anthropic。

Anthropic 就是做 Claude 那家美国公司，OpenAI 之外另一极，Claude Opus 5 是 2026 年 7 月 24 日发布的最新旗舰，还有个更猛的 Claude Fable 5 是它家 2026 年 6 月发的顶级模型，综合能力全球第一，但价格翻倍而且取消了订阅制只能按量付费，普通用户够不着，日常用 Opus 5 就够了。

• 是否开源：不开源。

Anthropic 明确表态走闭源路线，权重不公开。

• 幻觉程度：未找到公开的量化评测数据。

官方强调的是对齐和安全性，号称是“最不容易被诱导”的模型，安全审计得分最低，这跟幻觉不完全是一回事，但侧面说明它在事实性输出上比较谨慎。

• 模型特性：文本加图像输入，输出还带很强的可视化能力，上下文 100 万 token。

强项是代码、长时程 Agent 任务和知识工作，同价位下能力比上一代翻倍，还特别能“自我验证”，会自己检查结果对不对，在数值推理、金融、法律这些专业场景，客户评测普遍比上一代高 8 到 22 个百分点。

• 性价比：API 输入输出每百万 token 5 美元 25 美元，和上一代 Opus 4.8 同价。

订阅 Claude Pro 大约 20 美元一个月，Max 档 100 到 200 美元，跟 Fable 5 比，Opus 5 价格只有一半、能力接近，是 Anthropic 家目前最值得用的档位。

四、国产大模型盘点

国外两款讲完，重点来了，国产大模型这两年发展特别快，数量多到眼花缭乱，我挑市面上讨论度最高的十款，逐个从出品方、是否开源、幻觉程度、模型特性、性价比五个维度讲清楚。

3、DeepSeek v4（深度求索）

• 出品方：深度求索（DeepSeek）。

杭州的一家 AI 公司，靠开源模型火遍全球，2026 年 4 月发布 v4 系列，7 月 19 日正式商用，分 flash 和 pro 两个档，flash 轻量、pro 旗舰。

• 是否开源：开源。

MIT 协议，权重公开，Pro 档 1.6T 参数 MoE 架构，社区可以直接下载部署。

• 幻觉程度：综合评测里表现均衡，中文 70.98 分国内第一，社区口碑是“Agent 全场景稳”，没有明显的幻觉翻车记录。

• 模型特性：文本单模态，上下文 100 万 token。

强项是综合能力最均衡，Token 效率最高，同样的活它花的钱最少，SWE-bench 代码修复 80.6%，LiveCodeBench 93.5% 超国外旗舰，短板是复杂工程的大规模代码重构质量不如 GLM-5.2。

• 性价比：国产里最便宜的一档，flash 输入输出每百万 token 1 元 2 元，pro 3 元 6 元。

官方已经预告近期要涨价，想薅羊毛的趁早，支持 OpenAI 和 Anthropic 两种接口格式，接 Claude Code 这类工具很方便，是国内玩 Agent 的首选模型。

4、GLM-5.2（智谱 AI）

• 出品方：智谱 AI。

北京的公司，做 GLM 系列，是国内最早一批做大模型的团队之一，GLM-5.2 是 2026 年 6 月 13 日发布的旗舰。

• 是否开源：开源。

MIT 协议，开放权重，754B 参数 MoE 架构，社区评价是“国产最强代码模型”。

• 幻觉程度：未找到公开的量化评测数据，社区反馈正常，没有集中翻车的记录。

• 模型特性：文本单模态（不支持图像输入），上下文 100 万 token 真实可用。

强项是代码，SWE-Bench Pro 62% 超过 GPT-5.2，KingBench 世界第三，国产第一，长程 Agent 任务能稳定跑 12 个小时以上，中文场景和大代码库分析优势明显，短板是没有多模态能力，前端审美弱，速度偏慢。

• 性价比：API 按量输入 8 元、输出 28 元每百万 token（缓存命中 2 元），GLM Coding Plan 订阅 Lite 49 元、Pro 149 元、Max 469 元一个月。

订阅制对重度代码用户来说比纯按量划算，它是 ZCode 编程工具的原生适配模型，也是“免费平替 Claude Code”社区叙事的核心。

5、Kimi K3（月之暗面）

• 出品方：月之暗面（Moonshot AI）。

北京的公司，Kimi 智能助手就是它家的，K3 是 2026 年 7 月 17 日发布的旗舰，号称全球首个 3 万亿级开源大模型。

• 是否开源：开源。

2.8T 参数 MoE 架构，开源权重，是目前开源模型里规模最大的之一。

• 幻觉程度：社区反馈偏高。

内测用户反馈它的幻觉高于闭源头部，在需要严格事实核对的场景要注意复核，这是它家模型被提得比较多的问题。

• 模型特性：文本单模态为主，上下文 256K 到 1M 视版本而定。

强项是前端开发能力全球第一，Code Arena 前端 1679 分登顶，有人实测 3000 行前后端改造一次通过，diff 干净，速度还快，架构推理 83 分略胜 Qwen3.8，短板是贵，还有上面说的幻觉问题。

• 性价比：国产定价天花板，输入输出每百万 token 20 元 100 元，最低充值 10 元。

有人实测 99 元档一个任务烧掉 68% 的额度，能力确实强，但钱包压力大，适合对前端代码质量有硬要求的场景。

6、豆包 Seed2.1（字节跳动）

• 出品方：字节跳动。

做抖音那家公司，豆包是它的 AI 品牌，Seed2.1 是 2026 年 6 月 23 日发布的旗舰，主打“真实生产力加效率优先”。

• 是否开源：不开源。

闭源商业模型，走火山方舟平台提供 API。

• 幻觉程度：未找到公开的量化评测数据，数学能力垫底（70 分），但数学弱不等于幻觉，日常使用没有集中翻车反馈。

• 模型特性：文本为主，Turbo 档速度很快。

强项是代码生成最强（85.7 分）和速度快，Turbo 95 tokens/s 超过上代 Pro 还便宜一半，短板是 Agentic 能力弱（53.52 分），数学垫底，做长程自主任务不如 Qwen 和 GLM。

• 性价比：官方按量 Pro 输入 6 元、输出 30 元每百万 token，Turbo 输入 3 元、输出 15 元（缓存命中再打折，批量推理减半）。

字节有算力补贴，配合 Trae 编程工具内置免费使用，对国内用户很友好。

7、通义千问 Qwen3.8（阿里）

• 出品方：阿里巴巴。

Qwen 系列是阿里云的大模型家族，国际开源社区里最有存在感的国产系列，Qwen3.8-Max 是 2026 年 7 月 19 日发布的预览版。

• 是否开源：权重待开源，但 Qwen 系列历来开源，社区称它是“开源最强候选”。

• 幻觉程度：官方公开过幻觉率数据，从 44.2% 降到 22.9%。

这是国产模型里少有的主动公布幻觉数据的，说明在幻觉控制上下了功夫。

• 模型特性：文本为主，上下文 100 万 token，2.4T MoE 架构。

强项是长程自主执行，Terminal Bench 69.7 超过 DeepSeek v4 Pro，能自主跑 35 个小时的复杂任务，是 Agent 场景的强手，缺点是标准跑分没公布，部分榜单查不到成绩。

• 性价比：API 按量输入 12 元、输出 36 元每百万 token（缓存命中 1.5 元，Batch 半价），Token Plan 订阅 Lite 39 元、Standard 139 元、Pro 499 元一个月，千问网页版免费。

对 Agent 长程任务来说性价比突出，官方称能力仅次于 Fable 5，但标准成绩存疑。

8、MiniMax M3（MiniMax）

• 出品方：MiniMax。

上海的公司，主打多模态，M3 是 2026 年 6 月 1 日上线的旗舰。

• 是否开源：不开源。

闭源商业模型，走自家平台提供 API。

• 幻觉程度：未找到公开的量化评测数据，社区没有集中翻车反馈。

• 模型特性：原生多模态，文本图像音频都支持，上下文 100 万 token。

它是首个把“编码前沿加 1M 上下文加原生多模态”三合一的模型，BrowseComp 83.5 超过 Opus 4.7，文献复现能自主跑 12 个小时，强项是全面，短板是 Coding Plan 改版后重度用户成本涨了 257%。

• 性价比：输入 2.1 元、输出 8.4 元每百万 token（512k 内永久五折后），Token Plan 订阅 Plus 49 元、Max 119 元、Ultra 469 元一个月。

改版前重度用户 49 元能搞定，改版后按新档位算成本明显上涨，涨得有点狠，适合轻中度使用。

9、文心 ERNIE 5.1（百度）

• 出品方：百度。

国内最早做大模型的厂商之一，文心一言就是它家的，ERNIE 5.1 是 2026 年 5 月 9 日发布的旗舰。

• 是否开源：不开源。

闭源商业模型，走百度千帆平台提供 API，历史版本有开源但旗舰一直闭源。

• 幻觉程度：未找到公开的量化评测数据。

• 模型特性：文本为主，多模态能力由配套模型提供。

强项是中文理解和创作，ERNIE 5.1 在 LMArena 中文榜排第一、全球第 13，预训练成本只有同级模型的 6%，推理能力全面升级，依托百度搜索生态，知识问答类场景有优势。

• 性价比：API 按量输入 4 元、输出 18 元每百万 token（32k 内档，超长上下文档位略高），无订阅套餐，走资源包或按量。

适合百度生态内、重视中文创作和知识问答的用户。

10、阶跃星辰 Step 3.7（阶跃星辰）

• 出品方：阶跃星辰。

上海的公司，创始人是前微软全球副总裁姜大昕，主打多模态和 Agent，Step 3.7 Flash 是目前的旗舰，2026 年发布。

• 是否开源：开源。

GitHub 有官方仓库，Flash 档权重公开。

• 幻觉程度：未找到公开的量化评测数据。

• 模型特性：原生多模态，文本图像都能理解，上下文视版本而定。

强项是 Agent 场景，官方宣称“面向生产级 Agent 的高效率模型”，原生多模态理解加联网搜索加高可靠工具调用，还针对 Claude Code、Hermes Agent、OpenClaw 这些主流框架做了兼容优化，Step 3.5 Flash 主打快，Step 2 是万亿参数底座。

• 性价比：API 按量输入 1.35 元、输出 8.1 元每百万 token（缓存命中 0.27 元），是国产里最便宜的一档，跟 DeepSeek 有得一拼。

特点是跟主流 Agent 框架兼容好，接进去就能用，省配置的功夫。

11、讯飞星火 X2（科大讯飞）

• 出品方：科大讯飞。

合肥的公司，语音识别起家，星火大模型是它的 AI 品牌，X2 是目前的深度推理旗舰。

• 是否开源：不开源。

闭源商业模型，走讯飞开放平台提供 API。

• 幻觉程度：未找到公开的量化评测数据。

• 模型特性：文本为主，强项是语音相关场景。

讯飞的老本行是语音，星火在语音识别、语音合成、超拟人交互这些场景有天然优势，深度推理 X2 档主打推理能力，短板是通用大模型能力跟头部相比不算突出。

• 性价比：官方给的是区间价，Spark X2 大概 2 到 3 元每百万 token，X2 Flash 1 到 2 元，不拆输入输出，套餐包买得越多越便宜（200 元 1 亿 token 起）。

适合语音交互、办公场景和讯飞生态内的用户。

12、腾讯混元（腾讯）

• 出品方：腾讯。

混元是腾讯的大模型品牌，2023 年推出，2025 到 2026 年持续迭代。

• 是否开源：不开源。

闭源商业模型，走腾讯云提供 API，部分历史版本开源过（如 3D 模型）。

• 幻觉程度：未找到公开的量化评测数据。

• 模型特性：文本为主，配套多模态模型。

混元深度集成在腾讯生态里，微信、QQ、腾讯文档、腾讯会议这些产品都能看到它的影子，强项是中文场景和腾讯系应用的无缝衔接，独立评测里的存在感不如前面几家强。

• 性价比：混元生文主力型号输入 2.4 元、输出 9.6 元每百万 token，免费额度 100 万 token，官方已公告逐步迁移到 TokenHub 计费。

适合腾讯生态重度用户，模型本身能力不算第一梯队，但胜在方便。

五、选择大模型的技巧

十二款讲完了，信息量确实大，我按上面的维度做了张对比图，大家可以参考下。

价格这块单独做了一张表，全部是官方定价页 时间是2026 年 8 月 8 日获取的数据，每百万 token 的输入输出价，方便你们对照。

我现在主力用的是 DeepSeek v4 flash，日常的写作、查资料、简单代码、跑 Agent 都是它，便宜、均衡、Agent 场景稳，Token 效率高，一天到晚跑也花不了几个钱，遇到个别难度大的项目，比如复杂的大规模代码重构，我会切到 DeepSeek v4 pro，参数更大、上限更高。

为什么我选 DeepSeek 而不是别的？因为我的创作偏向跑代码（网站运维）和 Agent，这两个场景它正好都稳，而且开源、便宜、国内直连、接口兼容性好，接各种工具都方便。

你们可以照这个思路来：先列自己的高频场景，再看每个模型在这些场景的口碑和价格，最后挑一两款真实用起来，别光看榜单，适合自己需求才是最好的。

六、总结

大模型选型的核心就一句话：没有最好的模型，只有最适合你工作流的模型。

国外头部两款，GPT-5.6 和 Claude Opus 5，能力是标杆，但贵、要翻Q、要海外支付，适合不差钱的重度专业用户，国产十款里，日常均衡首选 DeepSeek，复杂工程代码选 GLM-5.2，前端开发选 Kimi K3，追求速度和便宜选豆包，长程 Agent 任务选 Qwen 或 GLM，多模态全面选 MiniMax，中文创作选文心，语音场景选星火，腾讯生态选混元。

最后提醒一句：模型更新太快，我今天写的版本和价格，过几个月可能就变了，大家按自己的工作流去试一下，充值10元做过体验，试完觉得顺手，就是最适合你的。

温馨提醒：以上这么多款模型，我只深度用过 DeepSeek v4 系列，其他模型的信息来源是官方资料、知识库和网友反馈，仅供参考。