大家好，我是冰点，今天我们聊聊选型路上第一个让人头疼的问题：市面上这么多大模型，闭源的、开源的、国内的、国外的，到底该怎么看、怎么比。

先说个我的真实感受。2023 年那阵子，我的技术群里几乎每周都有人问「XX 模型又发布了，跑分第一，我们要不要换」。这种焦虑我特别理解，但说实话，这种问法本身就是错的。这跟当年我们选消息队列是一个道理——Kafka 和 RocketMQ 谁更好？答案是：你的场景是什么？做日志传输和做交易消息，选型结论完全相反。大模型也一样，脱离场景谈模型优劣，等于白谈。
所以这一节我不堆参数、不抄跑分，就按我自己的使用和研究经验，把这些模型分成两大阵营，讲清楚各自的真实脾气，最后给一张按场景选型的对照表。

闭源商用模型：花钱买省心，但要认清楚边界

闭源阵营国内主要是百度文心、阿里通义千问（商用版）、腾讯混元，国外的代表是 OpenAI。这类模型的共同特点是：能力强、开箱即用、有官方服务兜底，但数据要出门、定制空间有限、成本随调用量线性增长。
挨个说说我接触下来的感受。
OpenAI 的 GPT 系列仍然是综合能力的标杆，尤其是复杂推理和工具调用的稳定性。但国内企业用它有绕不开的麻烦：网络、合规、数据出境，绝大多数 ToB 场景直接出局，我就不展开了。
百度文心的优势在于中文知识积累和政企市场的深耕，知识问答类场景表现稳。政企客户里它的出镜率很高，一方面是产品力，另一方面也要承认，百度在这个市场耕耘得早，交付体系比较成熟。
阿里通义的特点是背靠阿里云生态，和云产品打得比较通，电商、零售类的场景案例多。如果你公司本来就是阿里云深度用户，接入成本会低不少。
腾讯混元在社交、内容生态里有自己的场景优势， C 端产品集成得比较深。

我想提醒一句：选闭源模型，你买的不只是模型能力，还有厂商的服务承诺和生态绑定。我见过一家物流 SaaS 公司，深度用了某家的专属接口格式，后来想换模型，光适配层就重写了一个多月。用闭源模型，接口这层一定要自己做抽象，别直接把厂商 SDK 撒得满代码库都是——这一点我们在第 3 章讲网关时会专门展开。

开源模型：自由是有代价的，但值得一搏

开源阵营是这两年变化最快、也最让我兴奋的。国内主要是通义千问 Qwen 开源系列、DeepSeek、智谱 GLM，国外是 Meta 的 Llama 系列。
Qwen 开源系列是我目前在企业私有化场景里见得最多的。中文能力强、尺寸规格全（从小参数到千亿级都有）、配套工具链完善。做物流场景的一些轻量应用——比如地址清洗、运单要素抽取——用中小尺寸的 Qwen 完全够用，一张消费级显卡就能跑。
DeepSeek在代码、数学、推理类任务上的表现非常突出，而且它的开源策略彻底，性价比极高。我身边做研发提效工具的团队，代码生成场景基本首选它。
GLM的多轮对话流畅度不错，对话类产品里口碑可以。
Llama 系列胜在全球生态，英文能力天花板高，但中文场景需要二次调教，国内企业直接用原版的不多。
但自由是有代价的，开源模型的隐性成本一定要算清楚：你需要自己解决部署、推理优化、版本升级、效果评估，还需要懂行的人盯着。我在车联网行业见过一个团队，兴冲冲私有化部署了开源模型，结果没人会做推理优化，同样一张卡，吞吐量只有官方基准的一半，等于算力成本翻倍。开源省的是授权费，花的是人力和算力的钱，这笔账后面 1.3 和第四篇会反复算。

按场景对号入座

脱离场景没结论，那我就把企业里最高频的四类场景拉出来，说说我的选型倾向：
通用对话与客服场景：对综合能力要求高，闭源商用模型省心；数据敏感或调用量巨大时，考虑 Qwen、GLM 私有化。物流客服这类场景，意图边界清晰，中等规模的开源模型加好的知识库，效果不比闭源差。
复杂推理场景（比如调度方案评估、异常归因分析）：优先选推理能力强的模型，DeepSeek 或 OpenAI 系是常见选择，必要时用思维链提示把推理过程逼出来。
知识库问答场景（RAG）：说实话，这类场景七分靠检索、三分靠模型。模型只要指令遵循能力合格就行，中小尺寸开源模型往往性价比最高。别在模型上花冤枉钱，把预算投到文档治理和检索优化上。
工具调用场景（让模型操作业务系统，比如查运单、创建工单）：对模型的结构化输出和 Function Calling 稳定性要求极高，选之前务必拿自己的真实接口做测试集实测，别信官网 Demo。

一个更长远的提醒

最后说个趋势判断：模型能力的差距在快速缩小，价格还在持续往下走。这意味着两件事——第一，别把宝押在某一个模型上，架构上一定要能随时换模型；第二，模型会越来越像基础设施，就像当年的数据库和消息队列，真正拉开差距的是你上层的工程体系和业务理解。
这也是我写这本书的基本立场：模型会过时，工程能力不会。下一节，我们就进入最实际的选型问题——公有云、私有化、开源自建，三条路分别适合什么样的企业。