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
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：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
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。
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
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
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。
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。
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。
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
实际评估方法
1
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。
2
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。
3
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。
4
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。
5
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。