第 10 讲 · 模型地图与选型

下篇开篇先解决最高频的问题：这么多模型，干某件活到底该用哪个？本讲给你一张地图和一套选型方法。地图（具体产品名、排位）时效性强，以 2026 年初为快照，会过期；选型方法（维度、试用套路、避坑原则）长期有效——重点吸收后者。

1. 地图：三大国际家族 + 中国梯队

国际三巨头

各家产品线通常分三档：旗舰（最强最贵）、主力（性价比平衡，日常默认）、轻量（快而便宜，跑量任务）。同代模型内"贵 ≈ 强"大体成立，但跨用途不成立——写诗不需要旗舰推理模型，那是浪费钱还更慢。

中国梯队

中国模型的两个实用意义：便宜（同能力档 API 价格常低一个数量级）与可及（国内网络直连、支付方便；国际模型的官方服务在国内访问受限）。开源权重（DeepSeek/Qwen 等）还意味着可以本地部署——数据不出门（第 11 讲实操）。

推理模型 vs 普通模型：先分清这个

第 07 讲讲过原理（RL 训练的长思维链），选型时这是第一个岔路口：

• 普通（即答）模型：写作、翻译、摘要、聊天、格式转换——响应快、便宜；
• 推理模型：数学、复杂代码调试、多步逻辑、规划——先"思考"几秒到几分钟再回答，贵且慢，但难题正确率高一截。

常见浪费：用推理模型干翻译（慢且无增益）；常见翻车：用即答模型做多步数学（第 08 讲：单 token 计算量固定，一步算不完多步题）。难题给推理模型，快活给即答模型，一句话记住。

2. 选型的六个维度

1. 能力匹配：任务的瓶颈能力是什么？代码 → 看编程基准与口碑；数学 → 推理系；创作 → 文风口味（主观，必须亲测）；
2. 上下文长度：要一次读几百页文档？确认窗口够，并记住第 08 讲的警告——标称一百万不等于中间部分真被读进去了（lost in the middle）；
3. 多模态：要读图、读 PDF 扫描件、听音频吗？
4. 价格：API 按 token 计费，输入/输出分开算，推理模型的"思考 token"也收费。跑量任务（批处理十万条数据）价格差一个数量级就是十倍账单；
5. 速度：交互场景在乎首 token 延迟，批处理在乎吞吐；
6. 部署约束：数据能不能出内网/出境？不能 → 开源模型本地部署或国内合规云。科研数据、商业机密先想这条。

3. 怎么判断"哪个更强"：基准的坑

公开基准（MMLU、数学竞赛、SWE-bench 等）可参考，但三个坑要知道：

• 刷榜与污染：基准题目可能混进训练数据（第 01 讲用语：测试集泄漏进训练集），分数系统性虚高；
• 基准 ≠ 你的任务：数学竞赛分数高，不代表给你改中文论文改得好；
• 饱和：老基准大家都 90+ 分，失去区分度。

更可靠的两个信号：竞技场式盲评（如 LMArena：真人盲测两个匿名回答投票，难刷）与你自己的 10 道题——把你真实工作中的典型任务存成一套私人测试题，新模型出来就跑一遍。半小时的亲测胜过读十篇评测文章，这是本讲最值得执行的一条建议。

4. 按场景的推荐配置（2026 年初快照）

一个被反复验证的使用哲学：主力模型用深，比广撒网强。每个模型有自己的脾气（对指令格式的偏好、拒答的边界、幻觉的高发区），摸熟一个的收益大于浅尝十个。选一个主力 + 一个推理备胎 + 一个便宜跑量的，三件套足够覆盖 95% 的需求。

本讲小结

• 地图会过期，方法不会：能力/上下文/多模态/价格/速度/部署六维度过一遍；
• 推理模型 vs 即答模型是第一岔路：难题上推理，快活上即答；
• 不迷信基准：建一套自己的 10 道测试题，新模型出来跑一遍；
• 三件套配置：主力用深 + 推理备胎 + 便宜跑量。

动手：现在就建你的私人测试题集——从你最近的真实工作里挑 10 个任务（一段要润色的论文、一个要调试的 bug、一道专业题……），存进一个文档。这是你此后每次选型的量尺。

下一讲：选好了模型，怎么把工具链装起来——从零安装到跑通第一个 API 调用和第一个本地模型。