多数人第一次接触大模型就是 ChatGPT，等到要选型、要接 API、要本地部署时才发现外面还有一大堆名字：Claude、Gemini、DeepSeek、Qwen、GLM、Kimi、混元、文心、Mistral、Llama。这篇不给你一份会过期的名单，而是给一套分类框架和查找路径，让你看到陌生名字时知道它属于哪一类、该去站内哪一页核对当时的信息。
多数人第一次接触大模型就是 ChatGPT，等到要选型、要接 API、要本地部署时才发现外面还有一大堆名字：Claude、Gemini、DeepSeek、Qwen、GLM、Kimi、混元、文心、Mistral、Llama。这篇不给你一份会过期的名单，而是给一套分类框架和查找路径，让你看到陌生名字时知道它属于哪一类、该去站内哪一页核对当时的信息。
先把预期放正：本文不会告诉你哪家更强，因为那类结论每隔一阵就会翻新。你要拿到的是「归类能力」——见到一个新模型名，能在几十秒内判断它是谁的、开不开放、适合哪种用法、下一步去哪查真实数字。
先搞清：为什么「大模型名单」这类文章很容易过期
写死型号和参数的名单，基本发布当天就开始老化。厂商随时会调整产品线命名、把某个能力拆出去单独收费、或者把旧模型下线。所以本文只讲分类维度，具体型号、上下文长度、参数规模这类会变的信息，一律到站内模型库与厂商目录按当时的记录核对。
- 真正要背的不是名字，而是一个「见到新名字能归类」的判断框架，名字会换，轴不会换
- 只按厂商品牌记忆容易踩坑：同一家旗下往往同时有对话、推理、多模态、嵌入等多条线，能力差异比品牌差异更大
- 名单类内容一旦写死数字就没法复用，判断标准类内容放一年也还能用
按四个轴把主流大模型切开
与其背名单，不如记四个轴。任何一个模型名，你按这四轴过一遍，它的定位基本就清楚了，剩下的细节再去站内对应页面补。
- 轴一 厂商归属
- 海外几家、国内几家、开源社区与欧洲厂商，各自的产品线入口可到站内厂商与平台目录按家翻
- 轴二 开放程度
- 闭源 API 为主、开放权重可自部署、以及两者都做的混合型，边界可参考站内开源权重的许可证说明
- 轴三 能力形态
- 纯文本对话、推理型（先想再答）、多模态（图/音/视频）、语音、嵌入，站内分别有对应分类页
- 轴四 使用方式
- 官方 API、云平台托管、编程套餐、本地跑，四条路的成本口径完全不同，别混着比
| 模型家族举例 | 大致归属类型 | 常见使用方式 | 容易搞混的点 |
|---|---|---|---|
| Claude / Gemini / ChatGPT 系 | 海外闭源为主 | 官方 API 或云平台托管 | 同名产品里对话线和推理线定价常不一样 |
| DeepSeek / Qwen / GLM / Kimi / 混元 / 文心 | 国内厂商，闭源与开放权重都有 | 官方 API、云托管、部分可自部署 | 同一家不同代际的开放程度可能不同 |
| Llama / Mistral 系 | 开放权重为主，欧洲厂商常见 | 自部署或第三方托管 | 能下到权重不等于商用无限制，先看许可证 |
| 嵌入与语音类 | 专项能力，常被单列 | API 调用为主 | 拿通用对话模型顶替专项，效果和成本都不划算 |
上表只是帮你建立归类的肌肉记忆，具体到每个名字属于哪一栏、当时开放什么，还是要到站内模型库逐条对照，因为厂商调整产品线归属并不罕见。
看到一个陌生模型名，按这个顺序查
这套顺序的好处是：前两步不花钱、不注册就能做完，把大部分不合适的候选直接筛掉，再进入要花钱和要动手的部分。
- 第一步 确认身份到站内模型库和厂商目录确认它是哪家的、属于哪条产品线，看清是对话、推理还是多模态，别只看品牌名就下结论
- 第二步 判断开放程度区分它开放的是权重还是只有 API，这一步决定你能不能自部署；只有 API 的话，后面所有成本都要按调用量算
- 第三步 核对当下数字到官方 API 价格页和各类榜单页看当时的数字，不要用别处抄来的旧数据，价格和榜单变动的频率远高于你的记忆更新频率
- 第四步 落到自己的场景如果准备实际用，再走一遍测速和成本换算工具，把延迟和单位成本换算成自己业务量下的真实开销
按场景对号入座，而不是按名气排序
名气大不等于适合你。选型最省时间的做法是先写清楚场景约束，再去对号入座，下面四类是最常见的分叉口。
| 你的场景 | 优先看哪一类 | 先过哪道关 |
|---|---|---|
| 只要问答和写作、不碰数据出网 | 对话助手目录里靠前的几家，横向试用 | 注册门槛和额度限制 |
| 要接进自己的系统 | 直连官方或走聚合平台，聚合入口在平台目录 | 接口兼容性和稳定性 |
| 数据不出内网或成本敏感 | 开放权重那一类 | 显存够不够、许可证允许不允许商用 |
| 多模态、语音、嵌入等专项 | 对应分类页直接筛 | 别拿通用对话模型硬顶专项任务 |
每类场景都有不适用的边界：比如聚合平台省事但多一层依赖，直连官方可控性强但接入和维护成本高；开放权重省钱但要自己扛运维。这些取舍没有标准答案，取决于你团队的人力和对稳定性的要求。
- 先把场景约束写成三句话：数据能不能出网、延迟能忍多少、谁来维护
- 再按约束去站内对应目录筛选，而不是先看别人推荐了谁
- 候选控制在两三家，用同一批真实任务试，别用通用题库
- 试完再算账，到成本换算页把调用量代进去，看总开销落在哪个区间
常见问题
除了 ChatGPT，现在一般人最常接触的还有哪几类大模型？
粗略分成几拨：海外闭源的对话与推理型、国内几家大厂和创业公司的对话与推理型、开放权重可自部署的一类、以及多模态和语音这些专项模型。具体到当时有哪些、各自什么水平，到站内模型库和厂商目录翻最新一版，比记固定名单靠谱。
这些模型名字我记不住，需要背吗？
不用。记住四个轴就够了：谁家的、开放还是闭源、擅长什么形态、你怎么用它。见到陌生名字套一遍这四问，基本能定位它在你候选池里的位置，剩下的细节用到时再查。
我想快速判断某个模型值不值得试，最短路径是什么？
先看它开放的是 API 还是权重，再看官方 API 价格页里当时的单价，然后用站内测速工具量一下你所在网络的延迟基线，最后拿你自己的一个真实任务跑一遍。三步走完再决定要不要深入，别只看榜单名次。
