所有 AI 模型，一次讲清楚

AI 全景速览

所有 AI 模型
一次讲清楚

从 ChatGPT 到本地开源模型，再到图像、视频、音乐与智能体

模型 ≠ App 预测下一个词别只用一个

先说结论：真正干活的是藏在每个 App 背后的那个大模型。五个模型、上百个名字，其实只分四类——通才、专才、开源、聚合。看完这一页，你会知道每个名字到底在解决什么问题，以及自己该用哪一个。

一个大多数人搞错的常识

ChatGPT 不是模型，GPT 才是。

ChatGPT 只是那扇门，你走进去和 GPT 说话。

Copilot 是另一扇门，Gemini App 是另一扇门，Claude 官网也是另一扇门。

门不同、标志不同，但每扇门背后都是同一个在干重活的巨大 AI 大脑。

模型到底怎么工作

训练素材是海量文本、代码、书籍和网站，但它们不背事实，只学语言里的模式。

核心动作只有一个：一个 token 一个 token 地预测下一个词。

写文章、讲物理、调试代码——所有惊艳表现，都来自把这件预测做得极其出色。

参数越大，能识别的模式越复杂；上下文窗口就是它的短期记忆，越大越不会忘掉你三句话前说过什么。

新出的推理模型会先停一停再回答，更慢，但数学、逻辑和多步问题明显更强。

说白了，就是一个喝了好几罐能量饮料、又读完了大半个互联网的自动补全。

200万

Gemini 的上下文窗口，可塞进一整本小说

100万

Claude Opus 4.6 上下文（beta）

13/16

Gemini 3.1 Pro 领先的主要测试数（据 Google DeepMind）

约 95%

Gemini 3 Pro 在 AIME 2025 等通用基准上的成绩

2.7%

DeepSeek 运行成本约为 GPT-4 定价的比例

300美元/月

Grok 4 Heavy，明显不是给随便玩玩的

GPT：通才守擂

GPT-5.2当前旗舰

多模态、面面俱到，写作、分析、编码、图像、语音都行。设计目标是“很多事都做得好”，而不是“一件事做到完美”。放在以前，这足以稳居王座；但在 2026 年，专才越来越强，通才越来越难守。

o 系列纯推理支线

独立分支，只攻推理。更慢，但硬问题上的表现大幅提升。

ChatGPT App多模型协作

图像生成用 DALL·E，视频用 Sora，App 把一切打包进同一个界面，用户不必关心背后跑的是谁。

真正的优势生态

它已不是毫无争议的王者：Gemini 常在跑分上领先，Claude 统治编码。但 GPT 有数亿用户、庞大的插件库，还是大多数第三方应用的首选底座。

更新节奏快到你追不上

GPT-5 于 2025 年年中上线，5.1 随后跟上，5.2 在 12 月落地。编号乱到连关注的人都头晕——但这恰恰是特性：改进落地的速度比任何实验室都快，你只需要接受自己永远追不上。

Gemini：整合就是优势

Gemini 3.1 Pro跑分领先

多项重大基准领先，在 16 项主要测试中领先 13 项。但更强的不是性能，而是整合。

深度嵌入 Google懂你的上下文

Gmail、Docs、Sheets、搜索、Android、地图。如果你的生活跑在 Google 上，Gemini 早就知道你的上下文：总结邮件、写文档、分析表格，全都在你已经在用的应用里完成。

Gemini 3 Flash日常首选

速度版本，约 Pro 能力的 90%–95%，但更快更便宜。日常任务里，Flash 往往是更聪明的选择。

多模态理解看东西很准

修理工可以拍一张零件的照片，立刻得到识别结果，比翻手册、翻表单快得多。上下文最高 200 万 token，可以贴进一整本小说，让它分析主题、总结章节、找出矛盾。

一个信任问题值得知道

Google 的主业是广告，所以有人怀疑偏见。实际上没有可测量的证据，但保持这份清醒是值得的——就像你向一个开餐馆的人打听餐厅评价时，会多想一秒。

Claude：编码与深度分析的专才

Claude Opus 4.6旗舰

2026 年 2 月发布，100 万 token 上下文（beta），128k 输出 token，支持自适应思考。被广泛认为是编码、推理和大规模分析最好的模型之一。

Sonnet 4.5中端主力

约 Opus 80% 的实力，更快也更便宜。Opus 是研究实验室，Sonnet 是每天早上准时到岗的可靠工程师。

编码优势是真的开发者首选

在 LiveCodeBench、SWE-bench 这类衡量真实软件理解（而非玩具题）的基准上领先，在开发者社区里常是第一推荐。

长文档分析合同 / 论文 / 代码库

给的是结构清晰的总结，而不是零散的答案。

语气很特别不爱迎合

被形容为最不“自我膨胀”的主流模型：你的想法有漏洞，它会告诉你为什么。如果你只想听“你的想法都很棒”，那更适合找妈妈聊。

短板不是全能

多模态偏弱，没有原生图像生成。它是文本与代码专家，不是通才。

Grok：实时与个性

Grok 4xAI 旗舰

多模态，256k 上下文，通过 Grok Image 生成图片和视频。

Grok 4 Heavy多智能体

用多个智能体协作做复杂推理，但每月 300 美元，显然不是给日常用户准备的。

最大优势接入实时

抓取正在发酵的讨论、总结突发新闻、分析舆情，比依赖网页爬取的模型更快。

对话感松弛自然

更像在和人聊天，凌晨三点也秒回，闲聊很好用。但做严肃分析时，有人更偏爱会反驳自己的模型。

言论定位取舍

它会回答别的模型可能拒答的问题。老实说，这要看问题本身：别的模型过度谨慎的话题上，它让人耳目一新；而敏感话题上的谨慎自有理由时，这就是一种取舍。

DeepSeek：开源冲击波

DeepSeek R1完全开源

自己下载、自己运行。没有订阅，没有使用上限。受苦的是你的显卡，不是你的钱包。模型体量巨大，数千亿参数，采用混合专家设计，每次只激活其中一小部分，所以速度依然很快。更小的蒸馏版也能跑在消费级硬件上。

能力方向数学 / 编码 / 逐步推理

在技术基准上与 GPT、Claude 正面交锋。运行成本约为 GPT-4 定价的 2.7%。

DeepSeek R2传闻，已推迟

传闻参数规模约 1.2 万亿，但发布推迟。据称原因是 CEO 对性能不满意，以及芯片获取受限。没有确认的发布日期。

需要注意的地方数据隐私

它来自一家中国公司，所以存在数据隐私方面的顾虑。但你可以本地运行——数据留在你手里。

更大的意义门槛被拉低

前沿 AI 不再一定需要十亿美元的预算。

开源与本地模型

开源意味着完全掌控：下载、跑在自己的硬件上、数据保持私密、没有订阅、没有 API 费用。你的 AI，你的规则，还有你的电费。

Llama（Meta）掀起浪潮

网上有大量聊天机器人，底层其实悄悄就是 Llama。Llama 4 有 Scout、Maverick 等版本，最高 4000 亿参数、1000 万 token 上下文，更大的版本预计 2026 年上半年出现。

Qwen 3.5（阿里）爬升很快

有人在双 3090 上本地运行，报告表现接近 Claude Sonnet——这相当惊人。多语言任务尤其强。

GLM-5开源第一梯队

排名靠前的开源模型之一，203k 上下文，商用友好许可。

Kimi K2.5（月之暗面）数学与推理

在 AIME 2025 上达到 96%，可在本地运行，也能通过 Perplexity 使用。

Mistral法国制造

体量不大但表现超出预期，欧洲语言尤其强。

上手方式已经不折腾了

很多模型能跑在内存够大的游戏 PC 或 MacBook 上，Ollama、LM Studio 这类工具让部署变得简单。你为打游戏买的那块贵显卡，现在有了第二份工作。

一旦本地模型跑起来，你对 AI 的看法就变了：它不是一个你去访问的网站，而是一件你拥有的工具。没有费用，数据不外流，断网也能用。
从“租用”到“拥有”，这个转变比听起来更大。

Perplexity：聚合器

核心是 Sonar带出处

为“带清晰来源引用的答案”而生。不同于只依赖训练数据的聊天机器人，Sonar 会实时搜索网页并标明信息来自哪里。它不是猜，而是真的给你小票。

一个订阅，多个模型AI 里的打包套餐

在这里可以使用 GPT、Claude、Gemini、Grok 和 Kimi。与其一个个单独付费，不如一次订阅拿到多个模型——就像为智力买的流媒体服务。

Sonar 分档按工作量选

基础版应付快速提问，更高档位有更大上下文和更强推理，适合完整深度报告。不用为了换任务而换工具。

代价是什么只有大脑，没有完整人格

通过 Perplexity 使用 GPT，走的是 API。你可能拿不到自定义 GPT、记忆、高级语音等功能。但做研究、在一处比较不同模型，它很好用，钱包大概也会感谢你。

图像生成模型

Midjourney艺术质量之王

画面有电影感、精致、视觉冲击强，适合设计、营销，以及任何看重审美效果的场景。约 10 美元/月起，出图常像电影海报，而不是随便一张素材图。

DALL·E 3最易上手

内置在 ChatGPT 里，擅长文字渲染——能在图里把单词拼写正确，这对大多数 AI 生成器来说意外地难。有免费档，适合不订阅先试试。

Flux开源领先

本地运行、免费，生成的图像比你描述的内容匹配得更精确。如果你想要什么就能看到什么，Flux 目前做得比多数替代品更好。

Stable Diffusion 3.5定制之王

开源、可本地运行，通过 LoRA 模型、ControlNet 等工具获得惊人的控制力。学习曲线更陡，但灵活度无人能比。

一个提醒分工看清

ChatGPT 生成图片时，背后干的不是 GPT；Grok 生成图片时，干活的是 Grok Image。文本模型和图像模型，几乎总是分开的。

视频生成模型

AI 视频发展很快，但仍然处在“这也太疯狂了”的阶段，而不是“好莱坞再见”的阶段。

Sora 2（OpenAI）画质领先

电影级质感和真实物理：水会正常流动，布料自然摆动，角色保持一致，而不是变成抽象画。通过 ChatGPT Plus（20 美元/月）可生成最长 1 分钟、带同步音频的片段——像是没有预算、没有剧组、也没有人去买咖啡的迷你电影工作室。

Runway Gen-4.5给要控制力的人

运动笔刷、场景一致性、镜头引导。更像是在导演自己的 AI 电影，而不是打完字碰运气。约 12–15 美元/月。

可灵 2.6速度与便利

最大特点是音画同时生成：一次生成视频、音效、旁白和环境声，不用同步，也不用另外找音频工具。做短视频内容，这省下的是大把时间。如果 Sora 是拍电影镜头，可灵就是“午饭前我要五条片子”。

现实检查还没完美

复杂物理、手、多角色仍然会翻车：这一秒一切正常，下一秒某人长了六根手指，物理直接放弃。但方向已经很清楚了——一两年内，AI 视频大概会像今天的 AI 图像一样普遍。现在学它不只是酷，可能还会在以后省下你很多时间。

音乐生成模型

Suno v5速度与易用

输入描述，等 30 秒，得到一首带人声、乐器和完整结构的歌。不需要录音棚，不需要音乐天赋，只需要把感觉写进提示词。

人声表现真实得意外

有气息、有颤音、有情绪起伏。v5 还加入了智能编曲意识，歌曲会遵循主歌—副歌—桥段的正确结构，而不是漫无目的地漂。

创作控制分轨与声线

可生成最多 12 条独立音轨的分轨，还有“声线人设”可以保存并重复使用某一种演唱嗓音。曲目最长 8 分钟。

版权与训练数据大问题

Suno 已与环球音乐集团合作，意味着训练数据是有授权的，在整个 AI 音乐界都在打版权战的背景下，这是件大事。歌归谁？用户还是模型？目前没有人完全达成一致。技术令人兴奋，但它也提出了关于创造力与所有权的真实问题。

Udio当你认真起来

Suno 是快而简单，Udio 是当你开始把 AI 音乐当事业对待时的选择。

一句话生成一整首歌，而大多数普通听众听不出区别。

AI 智能体：下一阶段

AI 世界正在从“聊天”转向“智能体”——不只是给答案，而是真的把活干完。

不用再问“怎么订会议”“怎么总结报告”，智能体会自己浏览网页、执行代码、管理文件，独立完成多步任务。

AI 长出手了。这很棒，也有点让人发毛。

早期例子包括 OpenAI 的 Operator、Google 的 Project Mariner、Anthropic 的 Computer Use 功能。Manus 则是为此专门打造的。

从聊天到智能体，确实是换了一个产品品类：不是答案更好，而是看着 AI 操作你的屏幕、填表单、把动作串起来。有些地方还很粗糙，但方向无法否认。

模型是大脑，智能体是大脑拿到工具、应用和工作流之后的样子。相当于从“给你建议”升级到“直接把作业替你做掉”。

但智能体并不完美：长任务上仍会出错，而且能非常自信、非常快地做错事——令人印象深刻，但方向不对。把它们当成实习生就好：能省时间，偶尔给你惊喜，但工作还是要复核。

到底该用哪个

按场景挑，不按名气挑

日常Gemini Flash——快、免费，在 Google 生态里很好用

全能GPT-5.2——什么都做得不错，像那种样样都行的朋友

编码Claude Sonnet 4.5 是甜点位；代码开始像天书时上 Opus 4.6

研究Perplexity——它给出出处，不用再“信我兄弟”

实时趋势Grok——接在 X 上

图像要美用 Midjourney，要易用用 DALL·E，要准用 Flux，要控制用 Stable Diffusion

视频要质量用 Sora 2，要速度用可灵 2.6

隐私本地跑 Llama、Qwen 或 DeepSeek，数据留在你手里

真正的诀窍

别跟任何一个模型结婚。用两到三个，按任务分工。

就像手机上的 App：你不会用一个 App 干所有事——除非你还坚持用 Internet Explorer。

从聊天机器人到图像、视频、音乐，再到智能体，这就是全部 AI 模型的地图。

下一层：软件之下是硬件

你刚看完的是 AI 的软件世界——每个模型、每个聊天机器人、每个图像生成器。但所有这些智能，都跑在物理硬件上。底层的芯片架构决定了：模型跑多快、耗多少电、是能装进手机还是需要一整个数据中心。x86、Arm、Apple Silicon、RISC-V、GPU、量子芯片、NPU——这些名字天天被提起，却很少有人讲清它们到底差在哪。