前面几篇更多站在“技术架构”这一侧，讲 Transformer 怎么工作、长上下文和检索怎么影响“记忆”。这一次，视角往上拉一层：不再纠结单点的 benchmark，而是看不同厂商到底在走什么路，这些路线对企业未来 1–2 年的选型意味着什么。

现在能叫得出名字的模型，已经远远超过十个：

阿里云的通义千问（Qwen3）、百度文心一言、腾讯混元大模型，字节豆包大模型、科大讯飞星火、智谱 GLM、百川大模型，月之暗面 Kimi、深度求索 DeepSeek……再加上海外的 OpenAI ChatGPT / GPT-5、Anthropic Claude、Google Gemini、xAI Grok，很容易在一堆名词里失焦。

这篇文章不讨论“谁是冠军”，而是试图回答三个更实际的问题：

1. 把中美主流大模型放在一张坐标系里，它们大致各在什么位置？

2. 中国这么多玩家，为什么要单独拎出通义千问、Kimi 和 DeepSeek 来看？

3. 对不同类型的企业来说，这三条路线应该怎么组合使用？

边界层笔记：

做大模型选型前，最好暂时先放下“谁最强”的执念，先想清楚：我们需要的是云平台、入口应用，还是低成本可自建的能力底座。

---

一、用一张坐标系看中美主流大模型

先大概画这样一张二维坐标系（坐标不一定准确，仅示意）：

• 横轴从左到右，是从“低成本、开源、方便自建”到“高成本、闭源、以托管服务为主”；

• 纵轴从下到上，是从“单一聊天 / 助手应用”到“云平台 + 模型家族 + Agent 框架 + 行业方案”的完整生态。

把中国厂商放上去，会看到比较清晰的分层。

最上方靠近“平台”一侧，是几家云厂：阿里云通义千问（Qwen3）、百度文心一言、腾讯混元大模型。这些模型本身只是云产品的一层，真正卖的是“云 + 模型 + 行业方案”的组合，客户买的是一整套 Data + AI 能力，而不是孤立的一个模型接口。

再往下，是以“入口 / 应用”为中心的一带。字节豆包大模型、月之暗面 Kimi 就在这条线上：它们直接面向 C 端用户和内容创作者，强调上网、读网页、读文档、多模态内容，更像从“我要做一个什么助手产品”出发，反向去设计模型能力。

在坐标系偏左，则是一整片“工程师友好”区域。这里聚集着深度求索 DeepSeek、智谱 AI、百川等：主打开源权重、低推理成本和部署灵活性，要么权重可下载自建，要么 API 单价远低于闭源前沿模型，更适合被技术团队当成“能力底座”，在自家数据和系统上做二次开发。

再看行业维度，科大讯飞星火在语音与教育场景站得很深，商汤商量在视觉、多模态领域有明显优势，这一类更多是从“行业 know-how + 既有客户基础”往上叠模型，而不是从通用模型往下切场景。

把视野拉到全球，会在右侧看到一簇美系厂商：

• OpenAI 的 ChatGPT / GPT-5 占据了“高性能闭源 + 超级应用 + 平台”的高位，价格和生态复杂度都在天花板上；

• Anthropic 的 Claude 更偏企业、安全与对齐，深度嵌入云和数据平台，在同一高位，但更靠近“合规 / 治理”这一侧。

• Google 的 Gemini 把模型做进 Workspace、Android、搜索和 GCP，让大模型变成现有产品线的“内嵌层”；

• xAI 的 Grok 借 2M 级上下文和强调推理 + 实时信息，站在“高性能 + 社交入口”的位置，通过 X 平台订阅触达用户。

边界层笔记：

这张图真正有用的地方，不在于精确坐标，而是帮你先回答一个问题：

我们更在意的是成本和自主可控、现成的平台和生态，还是一个好用的入口产品？

只有先想清楚自己应该在这张图上的哪一块，后面讨论“选谁、怎么用”才有意义。

---

二、为什么在一堆国产模型里，单独拎出这三家？

从“谁更强”这个角度看，名单上当然不止三家，但如果把关注点换成“路线”，阿里云通义千问（Qwen3）、Kimi 和 DeepSeek 的确是三条非常典型的路径。

• 通义千问代表的是云平台路线。它背后是阿里云这一整套基础设施和行业解决方案，模型本身有开源家族，也有云上托管版本，重点在于把 Data + AI 能力打包在一套云平台里面。

• Kimi 代表的是入口路线。它先是一个“能看完一大堆东西再给你答案”的知识助手，再是一个大模型。长上下文、Agent、上网能力，都是为这个产品心智服务的。

• DeepSeek 则把工程师路线走到极致：通过新注意力算子和训练范式把性价比打下来，通过 MIT 许可开源权重、极低的 API 单价，让“强模型 + 可自建 + 低成本”同时成立。

其他厂商，大多是这三种“原色”的不同配比：

• 百度文心一言、腾讯混元本质上都是云 + 平台 + 行业方案路线，只是一个更多叠加搜索，一个更多叠加社交和内容生态；

• 字节豆包、腾讯元宝，则在“内容 / 社交入口 + 自家云和模型”之间做组合；

• 智谱、百川、星火、商量，有的更靠近开源工程路线，有的更偏行业垂直。

边界层笔记：

通义千问、Kimi、DeepSeek 不是“前三名”，而是三种“原型”：

云平台、入口应用、工程底座。

先看懂这三条，再看任何一家国内模型，很容易就能判断：它更像哪一种？多了什么，少了什么？

---

三、通义千问：云平台路线，「云为本，模型为用」

通义千问已经不再只是“一个模型”，而是“一个模型家族 + 一个云上平台”。

在模型层面，通义千问 Qwen3 家族覆盖了文本、多模态、代码等多个方向，从轻量级到旗舰级都有不同尺寸的模型版本，既有开源模型，也有闭源增强模型。

在平台层面，这些模型被封装进阿里云的通义大模型平台、百炼等产品里，与存储、数据库、向量检索、数据开发、监控运维工具打通。对于已经重度使用阿里云的企业来说，“上大模型”更像是在原本的云栈上加一层，而不是重新接入一个完全独立的供应商。

这条路线的优势很直观：

• 企业可以把绝大部分复杂度交给云厂。模型选型、算力调度、高可用、监控运维、行业方案，都可以在同一套云产品矩阵内完成。

• 对 CIO / 架构师而言，问题不再是“我们要不要上某某模型”，而是“我们在这家云上怎么布局 Data + AI”。

但代价同样明确：

云绑定会变重，从采购、架构到合规都要提前考虑“我们的 Data + AI 要不要押在这一家云上”。模型换一家并不难，整套云平台和存量数据迁移，则是另一回事。

边界层笔记：

通义千问路线适合那些本来就压在阿里云上的企业：如果云是既定事实，把模型也做成云的一部分，边际成本很低。

但在做决定之前，最好先把一句话问清楚：五年视角内，我们愿不愿意把核心数据和 AI 能力，交给同一个云平台来承载？

---

四、Kimi：长上下文知识助手的入口路线

Kimi 的起点，是“浏览器里的 AI 工具人”。

在用户侧，Kimi 承诺的是：帮你看网页、看报告、看论文、看长文档。上网搜索、阅读 PDF、整理对话记录、跨文档对比，都是它的标准动作。

这决定了它的技术优先级：

• 长上下文必须可用；

• 工具调用必须顺畅；

• 能在一个 session 里持续处理很多材料，执行一连串操作。

Kimi K2 / K2 Thinking 就是围绕这个产品目标去设计的：公开信息里，它是一款总参数接近 1T 的 MoE 模型，激活参数在几十亿级，支持 128k 甚至 256k 的上下文窗口，在复杂推理、代码和 Agent 场景上做了大量优化。

最近，K2 系列也在逐步开放 API 给企业和开发者使用。但从整体路线看，Kimi 始终把自己定位成一个“知识工作者的入口”，而不是一个“你来拿走的原材料模型”。API 是为产品延展服务，而不是产品的全部。

在国内生态中，腾讯元宝和 QQ 浏览器的 AI 模式，其实也在做类似尝试：基于混元大模型和引入的其他模型，把搜索、阅读、写作、文档分析做进浏览器和独立 App，让入口变成一个“集成式助手”。

边界层笔记：

Kimi 这条路在回答的是：对于很多知识工作者，大模型的核心价值并不是“陪你聊天”，而是“替你看完和理解一大堆东西”。

如果公司真正刚需的是“内部版 Kimi”，而不是“内部版 ChatGPT”，那关注点就不能只放在模型本身，还要落在检索、权限、知识库结构、工具编排上。

---

五、DeepSeek：极致性价比的工程师路线

DeepSeek 把“工程师路线”这件事做得非常彻底。

以 DeepSeek-V3.2 系列为例，公开测评显示，它在 AIME 等推理类 benchmark 上的成绩已经逼近甚至追平 GPT-5，一些测试给出的数据在 90%+ 区间。同时，API 的 token 单价被压到了前沿闭源模型的一小部分，在一些档位上甚至是十分之一量级。

更关键的是，V3.2 及其实验版本以 MIT 许可开源权重，并引入了 DeepSeek Sparse Attention 等新算子，专门为长文本训练和推理降算力成本。对于有能力自建推理服务的团队来说，这是非常实在的工程优化，而不是一串抽象名词。

从企业视角，这条路线提供了两种可能：

• 如果不想自建，可以直接用 DeepSeek 的 API，在很多推理、代码、数学场景，把成本压到可以接受的水平，把大模型接入当成正常的基础设施开销。

• 如果有工程 / 算法团队，愿意自己搭服务，就可以把 DeepSeek 当作底座，在本地或私有云上部署，把敏感数据完全留在自己的边界内，算力和成本的决定权也握在自己手里。

代价在于：

生态、工具链、行业方案不如云厂平台完备，监控、审计、合规、安全工程这些环节，需要企业自己补课。DeepSeek 提供的是“强模型 + 性价比”的原材料能力，真正的产品和解决方案，仍然要由团队自己打造。

边界层笔记：

DeepSeek 路线，更适合两类组织：

• 要么对长期 TCO 和国产化诉求非常敏感；

• 要么本身就有一支愿意“撸起袖子搭平台”的工程 / 算法团队。

如果这两点都对不上，把它当成便宜好用的 API 即可，不必执着于“自建一切”。

---

六、不同类型企业，该怎么用这三条路做组合？

现实中，几乎没有哪家企业能只靠一个模型解决所有问题。更合理的思路，是按自身类型，做一套“云平台 + 入口应用 + 工程底座”的组合题。

强监管 + 大体量（银行、保险、运营商、能源、部分央企）

这类机构对合规、稳定、供应商责任和长期支持非常敏感，更自然的起点是云平台路线：选通义千问、文心一言、混元这样的平台型模型，把大部分能力叠在云上。同时，在成本和自主可控要求较高的子系统上，再引入 DeepSeek 或 Qwen3 开源模型做底座，把敏感数据和关键能力留在内部。

大型互联网 / 内容平台

这类公司一方面需要极致体验，一方面又要控制大规模推理成本。做法往往是：在前端学习 Kimi、豆包、元宝这类入口产品的交互与形态，在后端使用云厂模型 + 自建模型的混合架构，把不同任务拆给不同模型去做，既保持体验，又能在高并发场景里压成本。

中型企业 / 创业公司

约束在预算和人力。前期最划算的方式，是直接用通义、Kimi、DeepSeek、豆包等公有云 API 快速做 MVP，不急着上私有化或自建。等业务跑顺、数据规模上来，再根据数据敏感度和成本曲线，决定要不要迁移到自建模型或私有部署。

政企 / 高安全场景

数据边界和审计能力是第一优先，技术路线通常是：先选有成熟私有化版本和行业方案的云厂模型（通义、文心、混元、星火等），把基础能力搭起来，再在某些特定任务上用 DeepSeek、Qwen3 开源模型做定制与补强。

边界层笔记：

可以把“通义千问、Kimi、DeepSeek”当成三种角色：

云平台大脑、知识助手入口、工程师工具箱。

现实世界里，问题不是“选哪个”，而是“先立好主角，再按业务拆配角”，组合成一套适合自己组织的模型栈。

---

七、全球对照：OpenAI、Anthropic、Google、xAI 在哪一层？

再看一眼几家美系厂商，主要是为了校准尺度。

OpenAI（ChatGPT / GPT-5）

路线可以概括为：高性能闭源模型 + 超级应用 + 平台。GPT-5 系列承担的是“最前沿能力”的角色，价格在 API 市场靠上；ChatGPT 则是一个入口，叠上插件、GPTs、企业版等不同层次。

Anthropic（Claude）

更偏向企业优先 + 安全与对齐 + Agentic AI。在推理、多轮工作流、安全约束上投入很重，并通过和云厂、数据平台的合作，变成“企业数据栈里的智能大脑”，企业使用时更强调“治理”和“可靠性”。

Google（Gemini）

把 Gemini 做进 Workspace、Android、搜索和 GCP，让大模型变成现有产品线的“AI 层”。用户不必切换到另一个网站，而是在 Gmail、Docs、Chat、浏览器里，随时调用 Gemini 帮忙写、帮忙看、帮忙查。

xAI（Grok）

押的是强推理 + 实时 + 社交入口。Grok-4 Fast、Grok-4.1 Fast 拥有 2M token 级上下文窗口，主打工具调用和复杂任务代理，同时与 X 平台打通，通过订阅形式提供给用户。

如果拿这几条路线当标尺，再回看国内厂商，大致可以形成这样的类比：

• 通义千问、文心一言、混元，更像“本地版 Azure OpenAI / Gemini Enterprise”；

• Kimi、豆包、元宝，可以类比为“ChatGPT + Perplexity + Gemini App”这种以入口为中心的形态；

• DeepSeek、Qwen3 开源家族，则对应 Llama、Mistral 这一类面向工程师和平台团队的开源路线。

边界层笔记：

这些全球玩家更像是一面镜子。用它们来比高低意义不大，用来校准自己“在全球坐标里扮演什么角色”更有价值：

你是想做一个自己的“Gemini 式内嵌层”，还是做好“内部版 Kimi”，还是先把“开源工程底座”打扎实？

---

八、回到注意力范式：从算子到路线，再到业务

在讲长上下文、检索与“注意力范式”的那几篇里，视角更多停留在算子和架构层：注意力怎么被稀疏化、上下文怎么拉长、RAG 怎么跟模型协作更新“记忆”。

把这篇一起看的话，会发现是两条方向相反的路径：

• 自下而上的路径，是算子、结构、训练范式的创新，让更长的上下文、更强的推理、更低的成本成为可能；

• 自上而下的路径，是通义千问、Kimi、DeepSeek 这类路线，在云平台、入口应用、工程栈上做不同选择，又反过来给底层提出新的约束：要更省钱、要更稳、要吃得下更复杂的工作流。

未来几年，底层技术和上层路线会像这样不断“互相施压”：

稀疏注意力、MoE、检索增强、工具调用会继续往前推，而每一次“云平台化”“入口产品化”“工程底座化”的落地，又会把这些技术拉回现实的成本曲线和组织能力边界里。

边界层笔记：

技术文章帮我们理解“为什么这条路走得通”，路线文章提醒我们“到底要走哪条路”。

对大部分企业来说，比起盯着模型排行榜，更重要的是尽快定出一句话：

我们准备在“云平台 / 入口应用 / 工程底座”这三个象限里，先把哪一块打扎实，

然后再去谈模型的参数、分数和细节。

---

参考资料（部分）：

阿里云通义千问 Qwen3 官方文档与平台资料；Kimi K2 / K2 Thinking 技术介绍及开放平台信息；DeepSeek-V3.2 / V3.2-Exp 技术说明与开源仓库；腾讯元宝与 QQ 浏览器 AI 模式发布信息；OpenAI GPT-5、Anthropic Claude、Google Gemini、xAI Grok 等官方公告与定价文档，以及 2025 年以来多家机构对中美大模型生态的综述。

✍️ 科里笔记 Coralyx Notes 

Written by 科里（Coralyx），2025 年 12 月发表于「边界层」

如果这篇文章对你评估大模型合作伙伴、设计企业的大模型路线有一点点帮助，欢迎转发给一起折腾 AI 落地的同事朋友。