闭源模型市场存在一种循环：厂商每隔一段时间发布新旗舰，并宣称在某个基准或任务上达到 SOTA。SOTA 是 State of the Art 的缩写，表示特定任务当前公开的最高水平，但最新、最大或榜单最高的模型不一定最适合实际业务。
本文体验截至 2026 年 1 月 4 日 ，并于 2026 年 5 月 11 日 补充更新。内容包含主观判断，请结合模型版本、渠道质量、系统提示词和自己的业务评估集判断。
阅读开源模型篇 了解 DeepSeek、Qwen、GLM、Kimi、MiniMax、MiMo、Gemma 等开源系列。
主流厂商 公司或机构 模型系列 主要优势 OpenAI GPT 精确执行、推理、后端与复杂逻辑 Google Gemini 多模态、世界知识、创意与前端 Anthropic Claude 工程规划、Coding Agent、综合稳定性 xAI Grok 大参数、创意表达、实时信息与宽松风格 阿里巴巴 Qwen 指令遵循、模型矩阵、国内企业接入 字节跳动 Doubao 多模态产品、国内可用性、C 端体验
评估闭源模型时看什么 闭源模型无法检查权重、训练数据和完整架构，因此评估更依赖可观测行为：
维度 观察重点 任务完成度 是否真正解决问题，而不是只生成看似合理的答案 指令遵循 是否服从范围、格式和实现方案约束 工程能力 是否理解代码边界、测试方式和回滚风险 注意力 长上下文中是否遗漏关键约束或修改无关文件 多模态 图片、视频、OCR、GUI 定位和跨模态推理 输出效率 完成同一任务使用的输出 Token 和总耗时 服务质量 延迟、断流、限流、降级和高峰期稳定性 总成本 API 价格、缓存、重试、人工返工和故障成本
OpenAI GPT：冷静、简洁、执行明确 进入 GPT-5 世代后，GPT 系列明显减少解释性文字。优点是输出 Token 更少、完成速度更可控，也更接近“按要求执行”的工程工具；缺点是聊天和创意写作中的情绪表达较弱，描述性文字有时过于简略。
GPT 更像偏后端和复杂逻辑的工程师：擅长定位明确问题、修改 Bug、处理约束较多的任务。面对新项目或需要探索方案的任务，通用 GPT 往往比 Codex 特化版本更愿意展开分析；Codex 则更强调按已有计划精确实施。
GPT-5.2 世代 模型 模型 ID 上下文 最大输出 体验备注 GPT-5.2 Thinking gpt-5.2400K 128K 支持调节 reasoning，适合高难推理 GPT-5.2 Pro gpt-5.2-pro400K 128K 强调企业级准确性和高推理强度 GPT-5.2 Chat gpt-5.2-chat-latest128K 16K 延迟较低，复杂任务能力相对有限 GPT-5.2 Base gpt-5.2400K 128K 通用旗舰，默认中等推理强度 GPT-5.2-Codex gpt-5.2-codex400K 128K 代理式编码，支持视觉和上下文压缩 GPT-5.1-Codex-Max gpt-5.1-codex-max400K 128K 面向长时间、项目级编码任务
2026 年 5 月更新 当前主力进入 GPT-5.4 和 GPT-5.5，推理速度有所提高，表达也比 GPT-5 初期自然。编程领域中，GPT 与 Claude 的优势并不相同：
GPT 更擅长解决边界清晰的特定问题，并遵循调用方给定的实施计划。
Claude 更擅长先建立工程方案，再持续推进跨文件任务。
修复明确 Bug、后端逻辑和复杂约束时，可以优先测试 GPT。
新建大型模块或需要模型主导规划时，应同时测试 GPT 通用版和 Claude。
Codex 不是所有编码任务的默认最优解。任务范围不清晰、需要广泛探索时，通用 GPT 可能比 Codex 变体更有效。
主要风险 ：指定旗舰模型时推理仍可能较慢；网页端自动路由可能发生能力降级；创意表达和前端审美不是稳定优势。Google Gemini：多模态与世界知识 Gemini 依托 Google 的数据、DeepMind 研究和 TPU 基础设施，在多模态、世界知识和推理速度上长期具有特色。它更像知识面广、表达细腻的综合创作者，适合创意写作、视觉理解和前端原型。
Gemini 3 Pro 在多模态和前端生成上表现突出；Gemini 3 Flash 则以更低延迟覆盖大量日常任务，部分 Coding 和 Agent 场景的实际体验甚至可能优于 Pro。
主要型号 模型 模型 ID 上下文 最大输出 体验备注 Gemini 3 Pro gemini-3-pro1M 64K 多模态、前端和深度推理强，长上下文稳定性需验证 Gemini 3 Flash gemini-3-flash1M 64K 速度快，适合 Agent 和常规开发任务 Gemini 2.5 Pro gemini-2.5-pro2M 64K 长文本和世界知识突出，实际召回需实测 Gemini 2.5 Flash gemini-2.5-flash1M 64K 高吞吐均衡版本 Gemini 2.5 Flash-Lite gemini-2.5-flash-lite1M 64K 低延迟、低成本的大上下文模型
2026 年 5 月更新 更新后的主力包括 gemini-3.1-pro-preview、gemini-3-flash-preview 和 gemini-3.1-flash-lite。这一阶段的主要体验是：硬推理、视觉能力和世界知识仍然很强，但幻觉、注意力漂移和长上下文退化变得更值得警惕。
适合场景 ：图片和文档理解、创意写作、前端原型、知识型问答、低延迟多模态 Agent。主要风险 ：大型代码仓库中可能扩大修改范围、遗漏工程约束或错误改动文件。不要因为标称 1M 或 2M 上下文，就假设模型能稳定利用全部内容。Anthropic Claude：均衡的 Coding Agent Claude 从早期强调自然表达和创意写作，逐步发展为重视长上下文、STEM 和 Coding Agent 的模型系列。它的核心优势是工程规划：能先理解项目结构、拆分任务，再跨文件推进实现。
Claude 4.5 在前后端综合开发中较均衡，特别适合让模型承担较多规划工作的 Vibe Coding。它并不总在公开榜单中领先，但工程体验、工具使用和方案完整性长期具有竞争力。
Claude 4.5 世代 模型 模型 ID 上下文 最大输出 体验备注 Claude 4.5 Opus claude-4-5-opus-20251124200K 64K 支持 effort，适合高难编码与科研任务 Claude 4.5 Sonnet claude-4-5-sonnet-20250929200K / 1M 64K 面向复杂 Agent 和项目级代码 Claude 4.5 Haiku claude-4-5-haiku-20251014200K 64K 低延迟版本，需要与同价位 Flash 模型比较
1M 上下文通常取决于官方产品、订阅和渠道，第三方渠道常见限制仍为 200K。接入前应检查实际渠道能力。
2026 年 5 月更新 更新时的主要版本包括 Claude Sonnet 4.7、Claude Opus 4.7 和 Claude Mythos。4.7 系列的部分使用反馈集中在表达生硬、注意力漂移和过度坚持自身方案。
这也是 Claude 最大的优点与缺点：工程规划能力强，但可能不完全遵循调用方已经确定的实现路径。
适合场景 ：大型仓库探索、工程规划、跨文件修改、前后端一体化和复杂 Agent。主要风险 ：服务可用性和渠道稳定性需要单独评估；严格执行既定方案时，应明确禁止扩大范围，并要求先确认计划。xAI Grok：大参数、创意与实时信息 Grok 依赖大规模算力和 X 平台数据，在创意表达、实时搜索、网络语境和角色化写作方面具有明显特色。相比标准的“helpful assistant”风格，Grok 的表达更直接，也更接近网络对话。
模型 模型 ID 上下文 最大输出 体验备注 Grok 4 Heavy grok-4-heavy256K 8K-16K 多智能体并行推理，推理强度高 Grok 4.1 grok-4.1256K 16K 强调低幻觉和自然表达，适合创意写作 Grok 4 grok-4256K 8K 支持多模态推理与实时 X 搜索 Grok 4.1 Fast grok-4.1-fast2M 16K 超长上下文和低延迟版本 Grok 4 Fast grok-4-fast2M 30K 可切换推理，适合低延迟任务 Grok Code Fast 1 grok-code-fast-1256K 16K 速度快，常作为低成本 Coding 选项
Grok 的内容边界通常比其他商业模型宽松，但业务仍需遵守当地法律、平台规则和内容安全要求。宽松不等于可以忽略合规、隐私和滥用风险。
2026 年 5 月更新 Grok 4.3 的实际提升有限，团队和算力策略变化也增加了后续路线的不确定性。选择 Grok 时，不应只看模型规模，还要验证 API 稳定性、产品持续性和具体任务质量。
适合场景 ：创意写作、角色表达、实时信息、X 平台语境和低审查强度的合规任务。主要风险 ：Coding 综合能力不是稳定领先项；超长上下文标称值不等于有效注意力；内容输出需要业务侧安全策略。Qwen 与 Doubao：能力路线和产品路线 阿里和字节代表两种不同路线。Qwen 强调模型矩阵、指令遵循和开发者生态；豆包更强调多模态产品、国内 C 端体验和完整应用入口。
闭源 Qwen Qwen 的优势是指令遵循、型号丰富、国内服务稳定性和企业接入便利。它的不足是部分版本输出风格较模板化，思考模式可能消耗大量 Token，甚至指令模型也可能产生过长推理内容。
模型 模型 ID 上下文 最大输出 体验备注 Qwen3-Max qwen3-max256K 64K 闭源旗舰，思考模式输出上限较低 Qwen-Plus qwen-plus1M 32K 适合复杂任务和长文本 Qwen-Flash qwen-flash1M 32K 低延迟、高吞吐版本 Qwen3-VL-Plus qwen3-vl-plus256K 32K 高分辨率视觉与复杂多模态理解 Qwen3-VL-Flash qwen3-vl-flash256K 32K 高性价比视觉推理 Qwen-Long qwen-long10M 32K 超长文本模型，有效召回需要业务实测 Qwen3-Coder-Plus qwen3-coder-plus1M 64K 复杂编码和大上下文工程任务 Qwen3-Coder-Flash qwen3-coder-flash1M 64K 低延迟代码任务
2026 年 5 月的主力更新为 qwen-3.6-plus 和 qwen-3.6-max-preview，均为闭源多模态模型。Qwen 3.6 Plus 综合表现较均衡，代码能力可用；Max 版本仍应通过真实任务确认其价格是否带来相应收益。
适合场景 ：国内企业应用、结构化输出、复杂指令、视觉理解、需要稳定云服务的 Coding 与 Agent。Doubao 豆包底层模型的开源程度较低，但产品、搜索、多模态和国内 C 端体验较完整。对于普通用户，它通常比单纯 API 更容易上手；对于开发者，则需要结合火山引擎、Coze 和具体多模态能力判断。
模型 模型 ID 上下文 最大输出 体验备注 Doubao Seed 1.8 doubao-seed-1-8-251215256K 32K 深度思考、多模态与工具调用 Doubao Seed Code doubao-seed-code-preview-251028256K 32K 编码特化并支持多模态理解 Doubao Seed Lite doubao-seed-1-6-lite-251015256K 32K 效率和推理能力均衡 Doubao Seed Flash doubao-seed-1-6-flash-250828256K 32K 高频多模态与视觉定位 Doubao Seed Vision doubao-seed-1-6-vision-250815256K 32K GUI 与复杂视觉理解
2026 年 5 月的最新版本包括 doubao-seed-2.0-pro 和 doubao-seed-2.0-lite-260428，均为闭源多模态模型。Seed 2.0 已具备较强综合能力，但事实幻觉仍需要业务侧校验。
关于未正式公开模型能力的传闻只能作为观察线索，不能作为采购或上线依据。应以正式模型文档、可调用版本和自己的盲测结果为准。
适合场景 ：国内多模态应用、GUI 理解、内容产品、搜索和依赖字节生态的平台集成。场景化选择 场景 建议优先测试 原因 后端与复杂逻辑 GPT、Claude 精确执行与工程规划互补 大型 Coding Agent Claude、GPT Claude 规划强，GPT 约束执行强 前端原型与视觉创作 Gemini、Claude Gemini 审美和多模态突出，Claude 工程完整性更好 创意写作 Gemini、Grok 世界知识、语言风格和情绪表达更自然 国内企业应用 Qwen、Doubao 国内服务、合规、生态和接入便利 低延迟批量任务 Gemini Flash、Qwen Flash、Grok Fast 高吞吐和较低延迟 超长上下文 Gemini、Qwen Long、Grok Fast 标称窗口大，但必须测试有效召回 高风险事实任务 至少双模型交叉验证 所有闭源模型都会产生幻觉
实际评估方法
按任务而不是榜单选模型
从真实代码、工单、研究问题和内容任务中建立评估集。每个场景至少包含正常案例、边界案例和历史失败案例。
做匿名对比
隐藏模型名称，让评审只看输出和任务结果，减少品牌与榜单带来的预期偏差。
统计总成本
记录 Token、延迟、重试、断流和人工修复时间。便宜但需要频繁返工的模型可能更贵。
测试指令冲突
检查模型在系统提示词、用户要求、工具返回和仓库规则冲突时是否遵守正确优先级。
持续回归
Preview、latest 和自动路由模型可能静默更新。生产系统应定期重跑关键评估集。
闭源模型的优势不断循环：GPT 在精确执行和复杂逻辑上领先，Claude 提供成熟的工程规划，Gemini 强调多模态和世界知识，Grok 依靠大参数与独特表达，Qwen 提供国内企业需要的模型矩阵，豆包则把多模态能力做进完整产品。
不要把“最新旗舰”直接等同于“最适合”。有效的模型选择应落在具体任务、渠道稳定性、可接受成本和可验证结果上。 
