很多人挑国产大模型，是先看一圈排行和宣传，然后随便开一个账号用着，用了两周才发现不对味：要么长文档喂不进去，要么写代码老是改坏，要么价格不透明。这篇不谈谁最强，只给一套新手也能照着走的对比流程：怎么把需求写成可验证的清单、怎么用自己的题单测、什么情况下该换一家。
很多人挑国产大模型，是先看一圈排行和宣传，然后随便开一个账号用着，用了两周才发现不对味：要么长文档喂不进去，要么写代码老是改坏，要么价格不透明。这篇不谈谁最强，只给一套新手也能照着走的对比流程：怎么把需求写成可验证的清单、怎么用自己的题单测、什么情况下该换一家。
下面的七步是串起来的，不是并列的选项。前两步决定你拿什么标准去测，中间三步是实际跑和算账，最后两步解决长期用下去的问题。每一步都给了能直接照做的动作，跳过哪一步，后面大概率要返工。
第一步：先把「哪个好」翻译成你自己的需求清单
「哪个好」这个问题没法直接回答，因为它缺少主语：对你好的模型，对做另一件事的人是浪费钱。所以第一步不是打开评测站，而是把你要做的事拆成具体动作。写文案、改代码、读长文档、看图、做客服问答，这五类动作对模型的要求几乎不重叠，一个模型在其中一类上顺手，不代表另外几类也能用。
- 把用途拆成具体动作：写文案、改代码、读长文档、看图、做客服问答，每个动作单独一行
- 每个动作标注硬约束：能不能上传文件、上下文够不够塞下一份合同、要不要走 API 而不是网页
- 明确预算口径：是订阅制聊天工具，还是按量计费的 API，两条路的比较方法不一样
- 给每行标一个「不用就换」的红线，比如不能读 PDF 就直接排除，省得后面纠结
预算这块特别容易糊涂。订阅制和按量计费不是同一个东西：前者是固定支出换固定额度，后者是用多少算多少。价格数字别在这里写死，到 /official-api 和 /plans 看当期页面，把口径记下来就行。这一步的输出应该是一张三到五行的清单，后面所有对比都对着它打分，避免被榜单带着走。
第二步：认清国产模型各自的能力侧重，别按一个维度排高低
国产模型常见的侧重可以粗分几类：长文本与资料整理、代码与工程、中文写作与口语表达、多模态看图读表、便宜大碗的高并发调用。这几类之间没有统一换算关系，所以「谁第一」这种排法本身就不成立。你要做的是找到自己任务落在哪一类，再看候选模型在那类上的口碑和实测。
- 厂商和模型
- 一家厂商往往有不同定位的几条产品线，网页版和 API 给你的可能是不同档位的模型
- 网页版与 API
- 网页版体验好不代表 API 便宜好用，反之亦然，两者要分开评估
- 能力侧重
- 长文本、代码、中文写作、多模态、高并发，同一模型很难五项都强
- 候选收敛
- 先压到两三家再深入，候选太多会陷入比较疲劳
想省事可以先看 /ai-nav/category/ai-model-platform 里的平台目录，把候选压到两三家再深入。注意按模型而不是按品牌浏览，去 /models 看具体每个模型支持什么输入、上下文多长，这些信息比宣传语有用得多。
第三步：用你自己的工作题单跑一遍，而不是用别人的评测题
别人评测题里的任务，大概率不是你的任务。最有效的办法是从你真实工作里抽五到十个任务，改掉敏感信息，做成固定的提示词，每次对比都用同一套。这样比较出来的结论才和你的日常直接相关。
- 选题从最近两周真实做过的事里挑五到十个，覆盖你清单里的每类动作
- 脱敏把客户名、真实数据替换成占位符，保证题单可以反复用而不泄露信息
- 加一道刁难题放一个超长材料、格式要求严格、或者需要它拒答的问题，看它会不会硬编
- 固定跑法同一提示词、同一顺序跑完所有候选，别中途改题
- 三档打分每个任务只打可用、勉强、不可用三档，记录返工次数和输出速度
记录四个指标就够：能不能一次做完、返工几次、输出速度能不能忍、同一提示词重复跑是否稳定。稳定性这项最容易被忽略，有的模型第一次答得很好，换个说法就崩，这种在正式业务里是要出事的。
第四步：看榜但是会看，把榜单当成筛子而不是答案
榜单不是不能看，而是要会看。榜上的分数是特定题目、特定设置下跑出来的，和你手上那个任务未必对得上。先看它测的是不是你的能力项：测代码的榜对写文案的人参考价值有限。再看题目饱和问题，大家都刷到高分的项目区分度已经很低。
- 先对齐能力项：榜测的是不是你清单里的那几类动作
- 看口径：题目来源、判分方式、是否有自动评分和人工复核
- 看时效：去 /benchmarks 和 /about 了解采集方式和评测范围，判断数据新不新
- 筛掉明显不行的，而不是选出最好的，最终结论仍然回到你的题单
什么情况下榜单基本没用：你的任务非常垂直、输出格式有硬性模板要求、或者需要结合你们内部知识库。这些场景里公开题目和你的真实输入差太远，不如多花时间跑题单。
第五步：把价格、限流和额度这三件麻烦事提前查清
价格是最容易踩坑的一项，因为单价便宜不等于总成本低。长上下文、图片输入、思考型推理的计费口径往往和普通文本不一样，按你实际用量估算月成本，别只看单价。用 /tools/model-cost-calculator 先算一遍，把结果填进你的决策表。
| 要查的事 | 为什么重要 | 去哪查 |
|---|---|---|
| 按实际用量的月成本 | 单价低不代表总账低，长文本和图片计费口径不同 | /tools/model-cost-calculator |
| 限流和并发上限 | 免费额度和个人套餐常在高峰期限速，团队用更明显 | /plans |
| 历史调价记录 | 价格战时期报价调整频繁，签长约前要确认条款 | /price-watch |
| 订阅额度折算方法 | 各家口径不同，自己脑补容易算错 | /coding-plans |
限流这件事在团队场景下会放大。一个人用可能感觉不到，五个人同时调同一个接口就会撞上限速。提前确认并发上限，比事后临时换供应商省事得多。至于具体额度数字和报价，到上面这些页面核对当期内容，这里不写死。
第六步：做决策表，把「换掉它要多久」也写进去
走到这一步，你手上应该有每家的题单得分和成本估算。把它们放进一张表，一行一家，方便横向比。表格里除了分数和成本，加一列迁移成本，这一列常常决定最后的输赢。
| 列 | 填什么 | 判断标准 |
|---|---|---|
| 任务 | 你清单里的具体动作 | 覆盖全部动作才算完整对比 |
| 候选模型 | 压到两三家后的具体型号 | 按模型而不是按品牌填 |
| 题单得分 | 三档打分的汇总 | 有不可用项的要标出来 |
| 月成本 | 按实际用量估算的结果 | 以计算器口径为准 |
| 接口兼容性 | 是否走标准格式 | 走通用格式的换起来改配置就行 |
| 迁移成本 | 换掉它要多久 | 走私有协议的迁移成本明显更高 |
接口是否走标准格式很关键。能走通用格式的，换模型改个配置就行；不能走的迁移成本高，接入前先到 /official-api/providers 对应厂商页确认。做主选一家加备选一家，备选不一定要天天用，但要提前开好账号跑过一次题单，真出问题时才不至于手忙脚乱。
还要写清什么情况下这个选择不成立：比如用量突然翻十倍、需要私有化部署、或者监管要求数据不出境，这时的结论要推倒重来。把这些前提写进决策表备注，比事后补救有用。
第七步：定期复核，什么时候该换、什么时候别瞎折腾
选完不是结束。模型、价格、限流政策都在变，定期复核能让你在问题变大之前发现它。复核频率按业务敏感度定：做对外产品的高频看，内部小工具一季度看一次就够。复核的内容就是重跑你的题单，加上看一眼价格和限流页面有没有变化。
- 该换的信号：题单通过率明显下滑、价格或限流政策变差、新增了它做不了的任务类型
- 不该换的信号：只是刷到某个新榜单说它更强，或者身边人都在用
- 换之前先并行跑：新旧两家同时接，用同一批真实请求对比
- 确认没问题再切主线路，切的时候保留旧线路一段时间做回退
最常见的问题是被榜单牵着走，每出一个新模型就想换。判断标准很简单：没有对应到你自己的任务上的提升，不值得折腾。反过来，如果你的题单通过率在下降，那不用等榜单，该换就换。
下一步：把候选平台列出来把上面几节走完，你手上应该有一张决策表。接下来可以去平台目录和生产商页面，把候选的具体型号和接入方式确认一遍，数字以页面当期为准。→常见问题
国内大模型这么多，是不是选排名最高的那个就行？
不建议。排名反映的是那套评测题目下的表现，你的任务可能压根不在里面。榜单更适合用来筛掉明显不合适的，最后还是要拿自己五到十个真实任务跑一遍，谁在你的活上返工少、速度稳，就选谁。
网页版聊着挺顺，为什么说还要看 API？
两者不是同一件事。网页版常见的是厂商给的最强档，API 按量计费、默认档位和限流都可能不一样。如果只是自己聊天用，网页版够用；如果要接进产品或者团队共用，就得以 API 的实际表现和计费口径为准，先去官方价格页对一遍。
免费额度和免费模型能用来做对比吗？
可以当第一轮筛选，但别拿它下结论。免费档通常有速率和并发限制，高峰期排队会干扰你对速度和稳定性的判断，有些平台免费位也不是最新档模型。正式对比建议用付费的小额度跑题单，数据才干净。
用了两个月想换一家，迁移成本高吗？
主要看调用方式和提示词。如果走的是通用格式接口，换模型大多只是改地址和模型名；难点在提示词往往针对某家调过，换过去要重调一轮。所以接入时尽量别把业务逻辑和某家模型的怪癖绑太死，留一层适配。
公司说要私有化部署，这篇对比还适用吗？
部分适用。题单方法、成本核算、合规核查这套流程照样能用，但候选范围完全变了，变成能拿权重自己跑的那几个。私有化和在线 API 是两条决策线，先确认合规要求，再回头挑模型。
