外观
模型与榜单速查
本文是《AI 热门概念手册》的"选型活页"：主流闭源/开源模型一张表看清、排行榜怎么读不踩坑、以及"我的场景到底该用哪个模型"。数据截至 2025 年年中（frontmatter 中
dataAsOf: 2025-06）。
模型迭代的速度远超任何手册的更新速度，本页所有参数、价格、榜单排名都是"快照"，使用前务必到官方核对。 大模型领域三个月就是一代：GPT 出了 o 系列、Claude 上了混合推理、Qwen 一年内从 2.5 升级到 3，榜单头名几乎每月换人。所以本页的定位不是"权威数据库"，而是帮你建立选择框架：看哪几个维度、信哪类榜单、按什么逻辑选型。
时效性声明
本页信息截至 2025-06。模型版本（GPT-5、Llama 4 后续版等）、价格、上下文窗口、榜单排名此后可能均已变化。做任何技术决策前，请以官方文档为准。通用原理部分不受时效影响，可放心阅读。
闭源模型对比
闭源模型（以 API 方式开放）是当前"能力上限"的代表。对比时看五个维度：能力定位、上下文窗口、开放方式、定价量级、生态与工具链。
| 模型 | 厂商 | 能力定位 | 上下文窗口 | 开放方式 | 定价量级（每百万 token） |
|---|---|---|---|---|---|
| GPT-4o | OpenAI | 全能多模态（文本/图像/音频），指令跟随成熟 | 128K | API / 网页 / App | 输入约 $2.5，输出约 $10 |
| o3 / o4-mini | OpenAI | 推理模型：长思维链处理数学、代码、复杂规划 | 约 200K（o3）/ 约 200K（o4-mini） | API | 高于 GPT-4o，约 $2~$11 区间起 |
| Claude 3.5/3.7 Sonnet | Anthropic | 3.5 全能稳健；3.7 首创"混合推理"（快答+延长思考），代码与 Agent 强 | 200K | API / Claude 应用 | 输入约 $3，输出约 $15 |
| Gemini 2.x / 2.5 Pro | 原生多模态 + 超长上下文（2.5 Pro 1M 可申请 2M），推理增强 | 1M（2.5 Pro） | API / Gemini 应用 | 输入约 $1.25，输出约 $10 | |
| DeepSeek（V3/R1 API） | DeepSeek | 中文强、性价比极高；R1 推理模型 | 约 128K | API + 开源权重双通道 | 明显低于欧美主流（R1 约 $0.55/$2.19） |
| 豆包 Doubao 1.5/2.0 | 字节跳动 | 中文对话、多模态、工具调用，ToB 生态好 | 长文本支持 | API（火山引擎） | 人民币按量计费，价格有竞争力 |
| 通义千问 Qwen-Max/Turbo | 阿里云 | 中文强、多模态与 Agent 能力均衡，兼容 OpenAI 接口 | 长文本支持 | API（百炼平台） | 人民币计费，常有免费额度 |
| 文心 ERNIE 4.x | 百度 | 中文理解与生成、知识增强，与百度生态绑定 | 长文本支持 | API / 网页；ERNIE 4.5 已于 2025-06 开源 | 人民币计费 |
一句话判断
先别比参数，比"你要什么"：要最强推理选 o3/Claude 3.7；要超长上下文做文档分析选 Gemini 2.5 Pro；要中文便宜大碗选 DeepSeek 或国产三家。闭源模型的通识对比逻辑见大语言模型。
开源模型对比
开源模型（开放权重）是"可控性"的代表：可本地部署、可微调、无 API 供应商锁定。评估维度是参数量、许可、特色、生态。
| 模型 | 参数量 | 许可 | 特色 | 生态 |
|---|---|---|---|---|
| Llama 3.1/3.2/3.3/4 | 3.3 主打 70B（3.1 旗舰 405B）；Llama 4 Scout 约 109B（激活 17B）/ Maverick 约 400B | Llama 许可（可商用，月活超 7 亿需特别授权） | 全球生态最广：微调工具链、量化、部署文档最全 | 衍生模型海量，几乎"万物皆可 Llama" |
| Qwen 2.5 / Qwen3 | 2.5 从 0.5B 到 72B；Qwen3 从 0.6B 到 235B（含 MoE） | Apache-2.0 | 中文能力开源最强；Qwen3 引入混合推理模式（快/慢两种思维） | 魔搭与 HF 双平台，中文社区活跃 |
| DeepSeek-V3 / R1 | V3 与 R1 均为 671B（MoE，激活约 37B） | MIT | 高性价比 MoE 架构；R1 是开源推理模型的标杆，引发全球关注 | R1-Distill 系列蒸馏小模型适合本地部署 |
| Mistral / Mixtral | 7B、8x7B、8x22B 及 Small（23B）/ Medium（123B） | Apache-2.0 | 欧洲开源代表，MoE 先行者；代码专用模型 Codestral | 欧洲云与自托管平台支持好 |
| Phi-3 / Phi-4 | 3.8B / 7B / 14B（Phi-3）；Phi-4 为 14B | MIT | 小参数量下的强推理与"教科书质量"数据训练，资源占用低 | 边缘设备、教学演示、本地部署友好 |
一句话判断
中文优先选 Qwen，生态跟随选 Llama，性价比与推理选 DeepSeek，小模型选 Phi。 开源模型最大的价值是可微调——用 peft + trl 把你的业务数据炼进模型，这是闭源 API 给不了的能力。
排行榜解读
三类主流榜单
| 榜单 | 机制 | 看什么 | 注意什么 |
|---|---|---|---|
| LMSYS Chatbot Arena | 用户盲测投票 + ElO 计分 | 综合对话体验的"民意测试" | 反映平均印象，不反映特定任务；票仓分布影响结果 |
| LLM Leaderboard（原 Open LLM Leaderboard） | 开源模型在标准化基准上自动跑分 | 开源模型的横向可复现对比 | 已升级到 2.0，改用指令后评测（IFEval、BBH、MATH 等），旧榜分数不可直接比较 |
| MMLU / GPQA / HumanEval 等基准榜 | 固定题库自动评分 | 知识广度（MMLU）、研究级推理（GPQA）、代码（HumanEval） | 单一基准有饱和与"刷榜"问题，详见LLM 评估与基准 |
截至 2025 年中你大概率看到的局面
- Arena 头部：GPT-4o/o3、Claude 3.7 Sonnet、Gemini 2.5 Pro 在 ElO 榜上轮流坐庄，差距在误差范围内，"谁第一"取决于你对风格的偏好。
- 开源侧：Qwen3 与 DeepSeek-R1 是"国产双雄"，在中文与推理榜上常与闭源头部掰手腕；Llama 4 发布后评价分化，生态仍是最大护城河。
- 推理模型成为新主线：o3、DeepSeek-R1、Claude 3.7（思考模式）、Qwen3（混合推理）都把"想得久一点"当成能力增长点，数学与代码榜基本被推理模型包揽。
「榜单 ≠ 适用性」的警示
千万别按榜单挑模型
排名第一不等于适合你。榜单只测"平均答题能力"，测不出三件事：① 你的领域数据表现（法律/医疗/你的私有文档）；② 成本与延迟（最贵最快的模型做客服就是浪费）；③ 隐私与合规（数据能不能出域）。正确的姿势是：用榜单筛选候选，再用你的真实业务评测集做最终决定——方法见搭建一套 LLM 评估。
按场景选型速查
| 场景 | 首选 | 备选 | 备注 |
|---|---|---|---|
| 中文对话 / 客服 | Qwen3、DeepSeek | 豆包、通义千问 | 中文语料质量 + 价格双优 |
| 代码生成与审查 | Claude 3.7 Sonnet | GPT-4o / o4-mini、Qwen2.5-Coder | 长上下文 + 代码理解；Copilot 案例可参考 |
| 长文档 RAG | Gemini 2.5 Pro（1M 上下文） | Claude 3.7（200K）、Qwen 长文本版 | 超长上下文减少切块成本，详见从零搭建 RAG 应用 |
| Agent 工具调用 | GPT-4o / Claude 3.7 | Qwen3、DeepSeek | 工具调用稳定性优先，参考AI 智能体与从零开发一个 Agent |
| 边缘 / 本地部署 | Phi-4、Qwen2.5-3B | Llama 3.2 1B/3B | 参数量与显存是硬约束，部署与推理优化实战有完整指南 |
嵌入模型与视觉模型速查
模型不止"生成型"。RAG 的检索质量、多模态的图文对齐，靠的是另一类专门模型。
| 类型 | 代表 | 特点 | 许可/开放方式 | 关联概念 |
|---|---|---|---|---|
| 嵌入（embedding） | BAAI bge-m3 | 中文/多语言检索强，RAG 首选开源嵌入 | 开源（MIT） | 向量数据库与语义检索 |
| 嵌入 | OpenAI text-embedding-3 | 英文及多语言，API 稳定省心 | 闭源 API | 向量数据库与语义检索 |
| 嵌入 | Cohere embed-v3 | 多语言，与 rerank 模型配套 | 闭源 API | 向量数据库与语义检索 |
| 视觉-语言对齐 | CLIP（OpenAI） | 图文配对训练的奠基模型，检索与生成都依赖它 | 开源 | 多模态模型 |
| 视觉-语言对齐 | SigLIP（Google） | CLIP 的改进版，对比损失更稳 | 开源 | 多模态模型 |
一句话判断
嵌入模型按语言与领域选（中文库优先 bge，英文库随便选 API），视觉模型看你想做"图文检索"还是"看图理解"——前者是 CLIP/SigLIP 的活，后者请直接上多模态 LLM。
获取模型的途径
| 途径 | 适合谁 | 说明 |
|---|---|---|
| Hugging Face | 全球开发者 | 开源权重与数据集的一站式托管，transformers 一行加载；国内可配合镜像站使用 |
| ModelScope（魔搭） | 国内开发者 | 阿里出品，中文模型最全（Qwen 官方首发地），国内下载速度快 |
| 官方 API 控制台 | 应用开发者 | OpenAI / Anthropic / Google / 火山引擎 / 阿里百炼 / 百度千帆，按量付费，免运维 |
| Ollama 模型库 | 本地玩家 | 一行命令跑开源模型，最适合个人体验与原型 |
| vLLM + 自托管 | 生产团队 | 开源权重 + 高吞吐推理，数据不出域，详见推理优化与量化 |
自托管 ≠ 免费
开源模型权重不要钱，但显卡、电力、运维都是钱。70B+ 模型单机跑不动、多卡又贵——选型时把"总拥有成本"算进去，这往往是"开源 vs 闭源"的真正决策点。
延伸阅读
- 数据集与工具档案 —— 选好模型后，训练与评测该用哪些数据
- LLM 评估与基准 —— 榜单背后的方法论与常见陷阱
- 大语言模型（LLM） —— 模型能力图谱与原理
- 微调与 PEFT（LoRA） —— 开源模型如何炼成你的专用模型
- AI 智能体（Agent） —— 工具调用能力怎么选型
- 部署与推理优化实战 —— 本地部署与成本控制
- 精选资源清单 与术语表 —— 更多资源与术语
- 学习路径 —— 把选型能力放进整体学习路线
参考资料
- OpenAI API 文档 —— GPT-4o / o 系列官方参数与定价
- Anthropic 模型文档 —— Claude 3.5/3.7 能力与定价
- Google Gemini 模型页 —— Gemini 2.x 上下文与定价
- DeepSeek API 定价 —— V3 / R1 的官方定价与上下文
- Qwen 官方 GitHub —— Qwen 系列开源发布说明
- LMSYS Chatbot Arena —— ElO 投票榜实时数据
- Hugging Face LLM Leaderboard —— 开源模型评测榜
- MMLU 论文 与 GPQA 论文 —— 基准原始出处
- bge 模型页 —— 开源嵌入模型官方说明
- CLIP 论文 —— 图文对齐模型原始论文（Radford et al., 2021）
本页所有模型参数、价格与排名均以各官方渠道截至 2025 年年中的信息整理，使用前请务必核对官方最新文档。