选择合适的LLM（大型语言模型）

每个人都问同一个问题：哪个人工智能是最好的？

现实检验：没有最好的。即使你问了，每个月你都会得到不同的答案——因为排名确实每个月都在重新洗牌。

更好的问题不是“哪个最好”。而是“最适合什么？”这需要一个真正的框架，而不是凭直觉。

每次都值得检查的六件事：

• 优势与常见用例 — 它实际上擅长什么？
• 成本 — 免费、固定订阅还是按使用量付费？
• 语气 — 它的语气是否符合你想要的？
• 知识截止日期与实时访问 — 它知道这周的信息，还是只知道去年的？
• 在亚洲的易用性 — 你是否真的可以访问它，而无需变通方法？
• 通用型与专用型 — 它是通才，还是为单一任务而建？

将任何工具通过这六个标准进行评估，“哪个最好”就会变成一个你可以实际使用的答案。

目前有五个实验室定义了通用型类别。不是版本——是实验室。版本号每月都在变；每个实验室的用途变化则慢得多。

此表格中故意未列出：Perplexity 和 Poe。两者都没有训练自己的前沿模型——它们都是建立在上述实验室的基础之上。它们属于下一节。

对于绝大多数人来说，应用程序已足够。ChatGPT、Claude、Gemini — 打开应用程序，输入文字，完成。无需设置，每月固定费用，无需配置任何东西。

当您要构建某些东西时，API 就很重要。自动化任务、为工具提供动力、从您自己的代码调用模型 — 这时您会选择 API 访问，而不是聊天窗口。按使用量付费，而非固定费用。通常不是初学者首先需要的东西。

聚合器介于两者之间。有两个值得了解：

• Poe — 一个订阅，在一个地方整合了来自不同实验室的多个模型。对于并排比较模型而无需五个独立账户非常有用。缺点：您会失去每个实验室在其自己的应用程序中构建的深度工具集成。
• Perplexity — 专为搜索和引用答案而构建，而非一般对话。它运行在其他实验室的模型（或其自己的较小型模型）之上，而不是训练自己的前沿模型。当您需要有来源、最新的带引用的答案时，请选择它 — 而不是将其作为一般助理的替代品。

面向开发者的注意事项：OpenRouter 扮演的角色与 Poe 相同，但适用于 API 访问而非聊天。

以下是坦诚直白的假设：美国实验室目前领先。中国正迅速缩小差距。这句话的两部分都是事实，而且彼此不互相抵消。

中国模型真正站得住脚的理由不是炒作，而是算术：

• DeepSeek — 开源模型，在编码、数学和推理基准测试中，其表现经常与顶尖的美国模型相差无几，但成本却低得多。
• Qwen (Alibaba) — 大型开源模型，具备强大的多模态和代理能力。
• GLM (Zhipu / Z.ai) — 专家混合架构，在多个开源排行榜上名列前茅，以宽松许可证发布。

价格便宜，在许多任务上表现相符。这是实际的说法，而且数据也支持这一点。

它没有自动解决的问题：数据驻留（您的输入实际上去了哪里？）、对政治敏感内容的处理，以及“接近前沿”并非“前沿”在最困难的推理任务上的事实。请根据您的实际用例权衡这些因素 — 大量草稿和编码倾向于“节省是真实的”；任何涉及敏感公司数据或政治敏感内容的，则需要更加谨慎。

最重要的注意事项是：当您读到这篇文章时，今天的排名可能已经改变。三个主要的开源发布可以在一个季度内重新洗牌排行榜。不要执着于本周的数字 — 执着于模式。

以下是值得记住的模式：每个实验室的方向比本周的基准测试更能说明问题。

• OpenAI — 快速行动、全面推出、最广泛的工具生态系统。
• Anthropic — 安全至上、推理深度、严谨写作。
• Google — 生态系统集成、多模态规模、万物互联。
• xAI — 速度、实时数据、刻意较少过滤的语气。
• Mistral — 开放效率、合规友好的选项。
• Chinese labs — 将成本民主化作为明确策略，将开放权重作为交付方式。

为什么这比听起来更重要：实验室的方向预测其下一步行动 — 新技能、插件、代理工具、集成 — 远早于任何单一版本。一个追求工具生态系统的实验室将会不断推出插件。一个追求安全的实验室将会不断推出防护措施和更慢、更审慎的版本。一个追求成本的实验室将会不断压低价格。

这是在深入构建一个生态系统之前需要了解的事情。将您的工作流程与一个实验室的特定工具紧密结合，比今天选择一个聊天应用程序是更大的承诺 — 首先要了解其方向。

从不同行中选择两到三个模型。一个您最喜欢的通用模型，一个来自完全不同实验室的模型，如果成本是您真正考虑的因素，或许可以选择一个中国开源模型。

将您实际的一项工作通过每个模型运行一次。不是一个玩具问题——而是您正要撰写的电子邮件、正要调试的代码，或是您今天需要的摘要。

保留您实际会再次信任其执行该任务的模型。

确切的模型重要吗？对于大多数日常工作而言——其重要性比人们想象的要低。差异最明显地体现在边缘情况：实际规模下的成本、实时/最新数据、特定的基准测试任务、数据驻留。对于日常的写作、起草或快速研究，其中几种工具都能同样出色地为您服务。本课程的框架并非旨在寻找一个普遍的赢家——而是为了让您知道自己实际正在优化哪种边缘情况，并据此做出选择。

Nexa 的结论：这个类别既真正成熟又同时快速发展。这个框架比任何单一模型都更持久——这才是这里真正值得记住的。

• 没有单一的“最佳”大型语言模型 — 应从性能、成本、语气、知识时效性、访问方式，以及通用型与专用型等方面进行比较。
• GPT、Gemini、Claude、Grok 和 Mistral 各有独特优势 — 应根据任务选择，而非品牌忠诚度。
• 使用您自己的实际工作测试 2–3 个工具。保留您信任的那个。
• Perplexity 和 Poe 是建立在其他实验室模型之上的应用程序层，而非新的基础模型 — 应将它们用于搜索和引用或并排比较，而非作为您的主要助手。
• 中国模型（DeepSeek、Qwen、GLM）确实能以极低的成本提供接近前沿的性能 — 虽然存在实际的权衡，但成本效益是事实，而非炒作。
• 追踪每个实验室的发展方向，而不只是今天的排行榜 — 这能让您在下一个版本发布之前，了解即将推出的内容。