手机里装了好多个AI软件,到底该留哪一个?

两年前这个问题有个标准答案，谁跑分高留谁。那时候各家发布会都在比参数，你一万亿我两万亿，你三万亿我接着往上堆，好像模型聪不聪明全看那一个数字。普通人被这套话术带着走，也习惯了用「第几名」来判断一个模型好不好。

到了 2026 年秋天，这套玩法彻底不好使了。

先看一组刚出炉的数字。9 月 7 日 OpenRouter 公布了最新一周的数据，全球大模型总调用量 115 万亿 token，其中中国模型吃掉 56.72 万亿，连续第十九周超过美国，把对方甩开一大截。全球调用量前五名里，四款来自中国。登顶的是腾讯混元 Hy4 preview，一周被调用 14.7 万亿 token，环比暴涨 379%。

这已经是国产模型的常态了。可真正值得琢磨的不是这个排名，是排名背后的那套评价标准换了。

今年 8 月以来，阿里把旗舰 Qwen3.8-Max 的权重第一次放出来，智谱发了 GLM-5.3，腾讯开源 Hy4 preview，阿里又甩出一个 Qwen3.8-Flash，总参数 1250 亿，每个 token 只激活 60 亿，训练成本比上一代降了近九成，性能却打平了 Claude Opus 4.6。证券日报把这轮变化总结成一句话，从比规模到比省钱，智能密度正在取代参数规模，成为厂商较量的新战场。

这句话我挺认同。当头部厂商不再拿参数量当核心卖点，集体转向推理成本、端侧部署和工程效率，说明行业共识已经变了。真正决定胜负的不是谁的模型更大，是谁能让 AI 以足够低的成本跑进真实业务里。

所以这篇文章，我想带你换一个角度看这七家。字节的豆包 Seed 2.1、百度的文心 5.1、小米的 MiMo、MiniMax 的 M3、讯飞星火 X2.5、360 智脑、阶跃星辰 Step-3.7-Flash。

它们其实在回答同一个问题，我的模型到底为谁服务。

七个公司，给出了七个完全不同的答案。

先说字节，因为它把这条路走得最极端。

豆包 Seed 2.1 是今年 6 月 23 日在火山引擎的原动力大会上发的，同一天上线，同一天开放 API。它有两个型号，Pro 面向高复杂度任务，Turbo 面向规模化生产，价格正好差一倍，Turbo 输入 3 元输出 15 元，Pro 是 6 元和 30 元，每百万 token。

这个一倍价差设计得很聪明。你可以干脆地按任务的失败代价做路由，错了重跑一次无所谓的高频活交给 Turbo，错了要人花半天收拾的直接上 Pro。不用纠结性价比，因为性价比已经被它算好了摆在价目表上。

但字节这一代真正在讲的，不是这些数字，是「交付」两个字。

它的说法是，模型要能在真实企业级开发任务里完成需求理解、功能实现、bug 修复、环境搭建和结果验证，这五步连起来才叫一个工程，中间断任何一步都只是代码片段。为了证明这点，它摆出的基准都往真实场景靠，Terminal-Bench 2.1 拿 71.0，SciCode 科学计算编程 59.8% 高于 GPT-5.5，NL2Repo-Bench 库级代码生成 47.0% 也高于 GPT-5.5。

NL2Repo-Bench 这一项我得多说一句。它考的不是写一个函数，是把一句话需求转化成整个代码仓库的改动。模型得先理解这个仓库的架构、依赖和业务逻辑，再去做多文件协同修改，最后交出能跑能维护的代码。这比单点修 bug 接近真实工程得多。

为什么字节这么执着于交付？得看它自己的账本。

发布会上火山引擎总裁谭待披露，到 2026 年 6 月，豆包大模型的日均 token 调用量已经到 180 万亿，比发布时增长超过 1500 倍。180 万亿是什么概念，它意味着遍布全国的数据中心昼夜不停地烧电费和显卡折旧。有报道推算，不算训练成本，豆包每天烧掉的算力成本就有数千万元。

而收入端呢。每天两亿多人在用豆包 App，日收入不足百万元。

这个剪刀差太大了，所以今年 9 月 4 日，原本主打免费的豆包立起了会员墙，专业版 68 元一个月，加强版 200，高级版 500，年付高级版 5088。它的设计很讲究，边际成本极低的闲聊问答留在免费层守住月活，消耗算力最凶的高并发编程、多模态渲染和智能体工作流全部切进付费墙。

把这个背景套回 Seed 2.1，它的定位就一目了然了。它不是为聊天做的，是为能产生经济价值的交付做的，因为只有这种场景才付得起钱。

还有个最新动向能印证这个判断。原本计划 8 月发布的豆包 2.2 跳票了，多家媒体报道说这是字节主动拉长预训练周期，集中攻坚编程、工具调用和 Agent 能力，目标是在年底前让 Coding 能力打平智谱 GLM-5.2 和 Kimi K3 那种冲击力。同时 8 月 24 日，字节把 TRAE 和扣子两个团队整体并进了豆包体系，发了统一的 AI 办公品牌豆包工作。特斯拉中国车机也在 8 月底接入了豆包，打破了它一贯自研的惯例。

我挺欣赏这种宁慢勿烂的定力。在国产模型密集迭代的窗口期，敢主动踩刹车补短板，是要有底气的。

要提醒的是，字节没公布 Seed 2.1 的参数量，256K 上下文这个数字也来自第三方报道而非官方材料。参数不是必须公开的，但它决定了你能不能自己部署。对比一下同行，Kimi K3 公布了 2.8 万亿总参和 1040 亿激活，小米 MiMo 公布了 3100 亿和 1.02 万亿两档，DeepSeek V4 公布了 1.6 万亿和 2840 亿。字节这个缺口，说到底是把自己锁在了 API 商业模式里。

接着说百度，这家走了一条跟所有人相反的路。

今年 5 月 9 日，百度发了文心 5.1。别人都在往上堆参数，它反手做减法，把自家 2.4 万亿参数的文心 5.0 砍到三分之一，激活参数再砍掉一半，然后告诉你，我只花了同行 6% 的预训练成本，跑出了同级领先的效果。

这就像所有人都在比谁的车马力大，有个人掏出一辆小排量车说，我百公里加速跟你们差不多，但油耗只有你们十分之一。你信不信不重要，但这个方向值得认真看。

具体怎么做到 8000 亿总参、360 亿激活的？核心是一套叫 Once-for-All 的弹性训练框架。传统做法是为每个不同规模的模型分别做预训练，想要 8000 亿的训练一遍，想要 4000 亿的再训练一遍，每次都是几周的显卡烧钱。百度的思路反过来，在单次预训练里通过动态采样同时优化一大批不同规模的子模型，形成了一个子模型矩阵。文心 5.1 就是从这个矩阵里提取出的最优子结构。

一次投入，养出一群孩子，要用哪个挑哪个。

这套把研发从作坊式变成工厂式的打法，让 5.1 不需要从零预训练，预训练成本压到同规模模型的 6%，周期压到 10 到 15 天，GPU 集群需求减少七成。它还配了三个弹性旋钮，弹性深度决定想得深不深，弹性宽度决定专家用得专不专，弹性稀疏度决定每次激活多不多。部署时三者按需组合，同一个模型既能当轻量用也能当重量用。

落到成绩单上，文心 5.1 最硬的是 LMArena 搜索榜 1223 分，全球第四、国内第一，排在前面的只有两个 Claude Opus 变体和 GPT-5.5 Search。这个榜单靠真实用户盲测投票，是圈里公信力最高的第三方评测之一。数学也亮眼，AIME26 竞赛题带工具拿 99.6 分，仅次于 Gemini 3.1 Pro，全球第二。Agent 能力上它在 τ³-bench 和 SpreadsheetBench-Verified 两项里超过了 DeepSeek-V4-Pro。

第三点含金量最高。DeepSeek-V4-Pro 是公认的开源王牌，文心 5.1 总参数只有 8000 亿，却在吃参数的 Agent 赛道上压过了万亿级对手。靠的就是分离式全异步强化学习那套基础设施，把训练、推理、奖励、Agent 循环四个子系统解耦，各跑各的，长程任务才不容易训崩。

价格是它最凶的地方。千帆平台上输入 0.004 元每千 tokens，输出 0.018 元，大约就是 4 元和 18 元每百万。对比海外旗舰大概只有五分之一到十分之一。比 5.0 国际版输入降 58%、输出降 52%，推理速度还快了 78%。

不过百度这两年的处境，得老实说几句。李彦宏在 Q2 财报会上明确表态，要让文心重新回到基础大模型第一梯队，那句话本身就说明它现在不在第一梯队。今年 AI 业务收入 125 亿元，占一般性业务收入一半，数字很漂亮，但文心一言独立 App 月活不足 500 万，跟豆包 3.82 亿的月活差了七十多倍。差距摆在那，百度自己也清楚，所以基础模型研发部近期大换血，引入了北美前沿实验室的资深研究员和前 DeepSeek 的核心成员。

它的短板也很具体。第一，闭源，只走千帆平台，不支持本地部署，金融政务这类对数据出境敏感的行业直接卡住。第二，多模态缩了水，5.0 是原生全模态，5.1 的 API 主要面向文本。第三，全球文本榜 Preview 版排第十三，通用能力跟顶级旗舰还有距离。

所以文心 5.1 的逻辑很清楚，它不追求全能，它在一个三角形里做到极致，这个三角形的三条边是中文搜索增强、Agent 多步执行、极致性价比。三条边同时满足，它就很值得考虑；只要有一条不满足，比如你要本地离线部署，它就不再是那个最合适的人选。

第三家说小米，这是几家里面路子最野的一个。

今年 4 月 23 日开启公测，五天后 4 月 28 日，MiMo-V2.5 和 V2.5-Pro 的权重全量开放，用的是 MIT 协议。MIT 是开源协议里最宽松的一档，可商用可修改可微调可再分发，没有营收门槛，没有审查义务。在一片开源但带条件的 2026 年，这个选择本身就是一种表态。

外界对手机厂商做模型一直存疑，理由无非是不专业、玩票。但换个角度想，小米可能是最清楚模型最终要用在哪里的那家公司。它不需要先想清楚商业模式再找场景，几亿台在网设备本身就是场景。

这个家族的谱系铺得很完整。最上面是云端旗舰 MiMo-V2.5-Pro，1.02 万亿总参、420 亿激活，专门啃复杂智能体任务；MiMo-V2.5 是 3100 亿总参、150 亿激活的原生全模态，能同时接收文本图像视频音频。中间是效率档 V2-Flash，56K 上下文下能跑到每秒 150 个 token。再往下是端侧，MiMo-7B 是 70 亿参数的推理模型，官方说能跑在手机、车机座舱和智能音箱上。

这条谱线的逻辑和别家都不一样。多数实验室是从云端往下做减法，小米是同时把两端都占住，因为它的终端本来就在自己手里。

但要说小米这一代真正的卖点，不是任何一项跑分，是 token 效率。

官方数据在 ClawEval 基准上，V2.5-Pro 的 Pass@1 达到 64%，而每条轨迹只消耗约 7 万个 token。跟 Claude Opus 4.6、Gemini 3.1 Pro、GPT-5.4 在同等能力水平下比，token 消耗少 40% 到 60%。

这个数字为什么重要？因为智能体时代真正烧钱的不是单次问答，是长链条。一个任务要规划、调工具、写代码、跑测试、出错再修，每一步都要把上下文带回来重算。轨迹长了，token 是按平方甚至更快的速度涨的。

同样能力的任务少烧一半 token，等于单任务成本减半，也等于同样预算下能跑的迭代次数翻倍。后者往往更重要，因为它决定了智能体能把一件事修到多好。

有两个长任务实录能说明它的上限。一个是编译器，北大编译原理课程要求的 SysY 编译器项目，V2.5-Pro 独立完成，用时 4.3 小时，672 次工具调用，Rust 实现，233 个隐藏测试用例全过。另一个是 Web 视频编辑器，11.5 小时自主运行，1868 次工具调用，生成 8192 行代码，做出了带多轨道时间线和片段裁剪的完整应用。

当然这是小米内部的测试，不是独立复现。但它至少证明，这个量级的长程自主任务已经能在开源权重模型上稳定跑完。

端侧是小米独有的牌。MiMo-7B 只有 70 亿参数，配 INT4 量化、结构化稀疏和面向自家硬件调优的内核，目标是延迟和功耗都压到端侧可用的水平。这条路线为什么只有它走得通？因为别的模型公司没有终端，做出模型要等别人塞进设备，小米做出模型直接就能刷进自己卖出去的几亿台设备。

端侧还有两个物理优势常被忽略。一是不依赖网络，断网、弱网、地下室、飞机上照样能跑；二是没有往返延迟，语音交互这种对响应速度极敏感的场景，少一次网络往返体验差一个档次。这两条云端再强也给不了。

最新动态在 9 月 8 日。小米开放了 MiMo Desktop 桌面客户端邀测，同时放出了新一代的 MiMo-X-Pro-Preview 和 MiMo-X-Flash-Preview 两款预览模型。MiMo-X 系列针对专业工作场景做定向优化，覆盖复杂逻辑推理、多智能体协作、大型工程编程、Office 文档处理、网页与前端交互、视频剪辑、3D 内容生成、音乐创作、本地电脑操控。桌面端内置 Smart 调度自动匹配模型和执行路径，长任务同会话缓存命中率最高到 99%。

有意思的是，就在这周 OpenRouter 的榜单上，MiMo-V2.5 跌出了前十。竞争烈到这个程度，半个月就是一轮洗牌。

把这三家摆一起看，你会发现一个共同点。字节的交付、百度的减法、小米的端侧，它们都不再比谁更聪明，而是在比谁更清楚自己要服务谁。

第四家是 MiniMax，它干的事可以用一句话概括，把三件别人分开做的事，压进了同一套权重里。

今年 6 月 1 日发布，6 月 11 日技术报告挂上 arXiv，6 月 12 日权重正式开源。它一次性凑齐了三件事，前沿水平的编码与智能体能力、100 万 token 的超长上下文、原生多模态能同时接收文本图像视频还能操作桌面电脑。

这三件事任何一件单独拿出来，开源权重模型里都有人做过。但把它们压进同一个能下载的检查点，在 M3 之前没有。

技术上支撑这件事的是自研的 MSA，也就是 MiniMax 稀疏注意力。传统注意力有个绕不开的毛病，计算量随上下文长度呈平方级增长，上下文翻十倍计算量涨一百倍。所以「支持百万上下文」这句话在很长一段时间里只是个营销数字，你真把窗口填满，账单和延迟会教做人。

MSA 的做法是先做一轮预筛选，只让每个查询去关注最相关的键值块，避免全量计算。效果是在 100 万上下文下，M3 的单 token 计算量只有上一代 M2 的二十分之一，预填充加速 9 倍以上，解码加速 15 倍以上。

而 MiniMax 声称在多次对照实验里，MSA 的绝大部分能力与全注意力持平。

这句话才是关键。省算力不难，难的是省了还不掉能力。

参数上它是 4280 亿总参、230 亿激活的稀疏 MoE。再说一遍这个逻辑，4280 亿不等于推理要跑 4280 亿，稀疏 MoE 把网络拆成很多专家，每个 token 只挑一小部分来算。所以决定速度和单价的是那 230 亿激活参数。你可以拥有一个装得下海量知识的模型，同时只付一个中等模型的推理成本。

多模态这块它走的是原生路线。很多模型的做法是先把文本模型训完，再接一个视觉编码器用投影层连起来，语义空间是拼起来的，总有些别扭。M3 从训练第零步就做混合模态训练，数据规模 100T 量级，大量使用图文视频交错的 interleave 数据。它能读懂屏幕截图，也能操作桌面电脑，这让它在 UI 自动化和截图转代码这类场景里有天然优势。

短板也得说清楚。第一是抽象推理，独立开发者评测指出 MiniMax 家族在 ARC-AGI-2 基准上只有低个位数。这个基准考的不是知识量，是从极少样例里归纳出新规则的能力。结论很清楚，M3 是个很强的智能体编码器，但不是个强的抽象推理者，这两件事在模型能力上确实是分开的。

第二处更刺眼，τ-bench Banking 只有 15.3%，同一个 τ²-bench 上它却拿了 88.9%。两个都是工具调用类基准，差距这么大，原因是 Banking 模拟银行业务，有严格流程约束和合规要求。15.3% 意味着在有硬性规程的领域，它还远不能放心用。

价格有个容易踩的坑，它有两套价目表按单次请求长度分档。512K 以下输入 0.30 美元输出 1.20 美元，超过 512K 全部翻倍。而且按整单输入长度所在档对整单计价，不是分段计费。这个细节不注意，长上下文任务的账单会出乎意料。

开源这块要重点提醒。M3 的权重能下载、能微调、能自部署，但用的是自定义的 MiniMax Community License，不是 Apache 也不是 MIT。商用必须在产品上显著标注 Built with MiniMax M3，按营收分两档，年收入不超过 2000 万美元要发一次通知，超过就得事先拿书面授权。

最新的动向挺有意思。MiniMax M3 时隔近一个月重返 OpenRouter 榜单，位列第六，周调用 5.02 万亿 token，环比增长 95%。更重要的是它已经成了沙特主权财富基金 PIF 旗下 HUMAIN 公司阿拉伯语大模型 humain-m3 的底层底座。一家中国模型公司的架构，成了另一个主权国家国家级模型的地基，这条路如果能走通，比卖 token 想象空间大得多。

第五家说讯飞，这是唯一一家把「全国产算力」写在脸上的。

当所有人都在比谁参数更大、谁训练卡更多的时候，讯飞走了一条看起来更笨的路。从数据准备到参数训练再到推理部署，全程跑在国产技术体系里，不是把训好的模型搬去国产芯片上跑一遍。

这个底气来自一组硬工程数字。2023 年 10 月讯飞和华为联合发布国内首个全国产算力平台飞星一号，早期开箱训练效率只有同规模英伟达集群的约 30%，经过持续优化爬升到 84% 到 93%。

30% 到 93% 这个爬坡，是整套全国产路线最硬的证明。它说明问题不在国产硬件能不能用，在要用多少工程投入把它用好。讯飞和华为花的几年，其实是把别人几十年攒下的训练工具链在国产体系上重新走了一遍。别人是在成熟生态上搭积木，讯飞是先造工具再盖楼，这条路更慢，但楼是自己的。

最新的进展在 9 月。9 月 1 日，讯飞子公司词元星火开源了星火 X2.5-4B 和 1.7B 两款端侧模型，这是端侧模型里第一个原生支持 100 万 token 上下文的。过去端侧模型处理长内容常常要把文档切几段分别处理，容易忘前情、漏信息，百万级上下文让它能基于完整信息连续理解。9 月 7 日，讯飞正式发布星火 X2.5 基座大模型，293B 总参、30B 激活的 MoE，256K 上下文，重点提升代码和智能体能力。

X2.5 支持快慢结合思考，能自己决定在哪个问题上下功夫、哪个问题快速带过。简单任务响应快不浪费钱，困难任务肯钻答案更稳。对比纯靠堆输出 token 换质量的做法，这是更聪明的花钱方式。

多模态旗舰是 X2-VL，今年 6 月在无锡发布。它采用专属 MoE 架构，从训练之初就主打多模态，而不是先训语言再接视觉模块。这带来一个关键区别，它能直接理解图像、文字、表格、场景的混合信息，而不是把图先转成文字再处理。

这种差别在复杂文档上最明显。一张含表格、印章、手写批注的司法卷宗，拼接式方案要先 OCR 再理解，链路一长就丢信息；原生方案把图像和文字当作同一个表示空间里的不同信号一起处理，准确率更高。讯飞在司法场景做到手写体识别 97.2%、复杂表格识别 95%，靠的就是这个。

X2-VL 最出圈的战绩是高考。2026 年高考数学全国 I 卷，在新京报组织的评测里由两位国家特级数学教师辅助评分，讯飞星火拿下 148 分，在 6 款参评模型里排第一。拆开看更有意思，单选多选填空三块几款模型几乎都是满分，真正的分差出在解答题，讯飞 75 分、Kimi 72、DeepSeek 71、智谱 70。特级教师阅卷不只看答案，还看推导是否严谨、表达是否规范。上海卷作文测试它平均分 65.5，在 9 款模型里也是第一。

但读这些数字要冷静。这是厂商和媒体组织的评测不是盲测榜，考的是图文结合试题偏重多模态解题，不是通用对话。148 分更像一道招牌菜，不代表整本菜单。

讯飞最深的护城河其实不在参数，在行业数据。教育上已在全国 6 万余所学校深度应用，累计服务超 1.6 亿师生，星火智能批阅机日均批改作业超 600 万页。医疗上智医助理在 31 个省市 806 个区县常态化应用，累计提供超 12 亿次 AI 辅诊建议，经提醒修正诊断的有价值病历超 203 万例。司法上助力民商事 60 天内结案率提升 18%，庭审时长缩短 30% 到 50%。

203 万例被修正诊断，这个数字要放在基层医疗的背景下看。大量区县和乡镇卫生院面临医生紧缺、经验不足的现实，AI 辅诊相当于给每位基层医生配了一位随时在线的专家顾问。它不直接下诊断，而是在医生判断可能与指南冲突时提醒，把人为疏漏拦在处方开出之前。这种人机协同而非机器替代的定位，正是它能真正落地的原因。

短板也实在。通用对话和纯文本不是全球顶尖，参数不透明，X2-VL 至今没公布具体参数量，整个 X2 系列的公开技术报告也不如 DeepSeek、Kimi、小米那般详尽。评测偏科，海外生态是接入而非自研。

第六家是 360，这家最容易被低估，因为它看起来最不像在做大模型。

提到 360 你第一反应是不是杀毒软件和浏览器。它确实以安全软件起家，做 AI 的逻辑却和百度阿里都不一样。当头部大厂在通用榜上贴身肉搏，360 转身把模型变成护网工具和搜索增强，反而避开了正面战场。说好听是差异化，说直白是扬长避短。对一个不是 BAT 级别资源、却想在大模型牌桌上留座的公司，这几乎是唯一理性的选择。

它的模型分三条线。一条是闭源旗舰，最新的 360zhinao-pro 发布于今年 8 月 5 日，支持 32K 上下文，输入 2 元输出 5 元每百万 tokens，缓存读取只要 0.2 元。这个缓存价低得离谱，很多应用的系统提示词长且固定，命中缓存后这部分只收 0.2 元，能砍掉一大块成本。32K 放在 2026 年不算长，但 360 的算盘很清楚，旗舰主要服务对话、搜索增强和 Agent 调用这类中短任务，真要啃几十万字文档，它把活交给开源的 360K 版本。

一条是开源线。2024 年开源 7B 模型，支持到 360K 约 50 万字的超长上下文，后来又有推理模型 2-o1 和 Light-R1-32B。周鸿祎多次自称开源的信徒，认为开源能避免重复造轮子。开源对 360 不只是情怀，7B 系列放出权重和代码，等于把一批开发者拴在自己生态里，先用开源圈人，再用闭源和 API 变现。

第三条是自研 72B，专门驱动纳米 AI 里的多智能体蜂群。这条线外界谈得少，但它才是 360 应用层的发动机。纳米 AI 的卖点是 L4 级多智能体蜂群，你下一个复杂指令，系统自动拆成多步，派不同专家智能体并行干活，最后拼成成品。官方数据说 72B 在 100 步长任务上成功率 98.2%，接近 Claude 3.7 的 99%，但每千 token 成本比 Claude 3.7 低 80%。

拿 Claude 3.7 做标杆很说明问题。智能体最怕两件事，一是贵，二是关键时刻掉链子。72B 把成本压到对手两成，意味着同样预算能跑五倍调用；98.2% 的百步成功率，意味着长任务中途崩的概率足够低，真能放进生产环境。对一个要替企业跑流程的 Agent 来说，便宜加稳，比单次跑分漂亮重要得多。

安全才是它真正的差异化。360 首创了大模型安全风险评估体系 AISE，专门给模型做安全体检，把模糊的「安不安全」变成可执行的检查项。它把近二十年做内容审核和攻防的经验灌进安全智能体，在网络安全分析这种垂直领域，专业度是通用模型比不了的。这种专业度来自数据不来自参数，二十年攒下的海量真实攻击样本和钓鱼话术，喂出来的判断力是纯通用模型没有的。它还联合飞腾、麒麟、统信、海光等信创伙伴发起磐石之盾计划，把安全能力开放给关键基础设施单位。

最新数据也印证了这条路。360 今年半年报扭亏为盈，营收 41.72 亿元增长 9%，归母净利润 2.16 亿元，毛利率升到 69.66%，战略最前面写着 All in Agent。同时 360 智脑发布了政企安全大模型，重点针对网络安全日志分析和威胁情报研判。

但有个尴尬必须说。360 对外讲的安全智能体，底层基座其实用的是智谱的模型，周鸿祎自己说智谱 5.2 效果国内最好，而不是 360 自家的底座。换个说法，360 卖的不是一块更强的芯片，而是一整套护网的工作流。看清这一点，才不会拿错尺子量它。它的通用能力中上但非顶尖，代码生成尤其基础，纳米 AI 网页端月访问 2.22 亿次国内第二，App 月活却只有 891 万排第九。

最后一家说阶跃星辰，这家把速度当信仰。

今年 5 月 29 日发布 Step-3.7-Flash 并开源权重。这个模型最出圈的数字不是参数量，是速度。在 Artificial Analysis 的榜单上，它的输出速度达到每秒 406.7 个 token，在 93 个对比模型里排第一。

一家公司把最新模型的卖点压在速度而不是智商上，本身就是个值得拆解的信号。

参数上它是 198B 总参，其中 196B 语言主干加 1.8B 视觉编码器，每个 token 只激活约 11B。256K 上下文，最大输出 230K。230K 这个上限是容易被忽略的强项，多数模型把输出限制在几万 token，长文生成和长代码重构会被迫分段，它能一次吐出近 23 万 token，意味着一篇完整技术报告可以一气呵成。

速度来自工程，不是玄学。模型配了三层多 token 预测层，配合 vLLM 的投机解码，一次吐出多个 token 把解码吞吐拉满。

为什么速度重要？9 月 6 日阶跃首席战略官李璟在厦门的一个大会上给了个数据，截至今年 6 月，Codex 的 token 消耗量已远超纯聊天交互模型，智能体自主使用的 token 规模达到人类操作的近 5 倍。当模型要反复读上下文、调工具、写代码、做校验，一次任务可能跑几十万 token，速度直接决定响应快慢和成本高低。阶跃把口号写成一句话，新前沿是智能体效率。

李璟还提了个说法我很认同，高性能、高速度、低成本是个不可能三角，单一模型没法适配全场景，模型矩阵才是产业落地的最优解。任务规划需要高智能上限模型，实操执行需要高速响应模型，端侧部署侧重轻量化。

视觉能力是原生的，不是后接模块。1.8B 视觉编码器把图像直接融进语言主干，能理解 UI 界面、图表和复杂文档。这带来一个实用差别，它看一张仪表盘截图就能写出复刻这张图的 Python 脚本，看一张带表格的 PDF 能直接抽取结构化数据，不需要再挂一层视觉 MCP 做中转，省调用也省延迟。复杂视觉理解 V* 达到 95.3%。

它还带搜索增强感知，遇到不完整的视觉素材会自己识别缺失信息、发起检索去核实，再返回经过验证的结论。传统的多模态模型遇到看不清的内容，要么乱猜要么直接报错，它选择主动补信息。

工具调用是另一强项。阶跃自称 ClawEval-1.1 拿到 67.1，明显超过次席的 59.8。第三方提到它在 τ²-bench 上可靠性超过 98%。τ²-bench 测的是模型在多轮工具调用里守住任务、不被带偏的能力，一百次长链路任务里只有不到两次失控，这对生产环境很关键。

开源是核心卖点，权重 Apache 2.0，可本地部署也可 API 调用，官方报价输入 1.35 元、缓存命中 0.27 元、输出 8.1 元每百万 token。上一代 Step 3.5 Flash 上线一个月就登顶 OpenRouter 的 OpenClaw 调用量月榜全球第一，Hugging Face 下载超 30 万次。

阶跃还有个外号叫多模态卷王，因为它几乎把每个模态都做了一遍而且大多开源。视频有 Step-Video，语音有 Step-Audio，2026 年 1 月 Step Audio R1.1 登顶 Artificial Analysis 榜单，4 月发布的 Step Audio 2.5 TTS 在 AA 语音竞技场排全球第三、中国第一。图像有 Step-1X 和 Step Image Edit 2，3D 有 Step1X-3D，GUI 有 GELab-Zero。

终端是它押注的方向。车上和吉利、千里科技三方合作，搭载 AgentOS 智能座舱的吉利银河 M9 上市 3 个月销量近 4 万辆，2026 年预计阶跃大模型上车超百万辆。手机上国内 60% 头部品牌与它合作，装机超 4200 万台，日均服务近 2000 万人次。具身牵手智元机器人，IoT 合作 TCL。

诚实的短板也得说。在 Artificial Analysis 的智能指数 v4.1 里，Step-3.7-Flash 得分 30，在 93 个开源权重模型里排第 32。横向比中国旗舰阵营差距明显，MiniMax M3 是 44，Kimi K2.6 是 44，MiMo-V2.5-Pro 是 42，Qwen3.7-Max 是 46，GLM-5.2 是 51。

速度第一、智能第 32，这两个数字并存恰好说明当下大模型出现了两条评价轴。一条是纯智力，一条是工程效率。阶跃明确站在第二条轴上，还在这个轴上做到了全球第一。评价它应该看它服务的那些高并发、长链路、成本敏感的场景，而不是拿它去和专门冲榜的模型比单点智力。用错尺子，既低估了阶跃，也误读了 Agent 时代的需求变化。

七家聊完，回到开头那个问题，你该留哪个。

我的答案是，这个问题问错了。2026 年不该问哪个模型最强，该问哪个模型最适合你手头这件事。

给你几个我自己会用的分法。

如果你就是想找个能聊、能查资料、偶尔帮忙写点东西的日常助手，闭源的豆包、文心一言、讯飞星火、Kimi 都够用，免费档就能跑，不用纠结。长文档多的优先看支持百万上下文的，资料敏感的别用闭源。

如果你经常要处理几十上百页的材料，合同、论文、财报、工程图纸，那百万上下文是刚需。Kimi K3、MiniMax M3、小米 MiMo、讯飞 X2.5 的端侧版本都能吃下一整本书。但记住窗口是上限不是配额，先用得巧，别硬塞。

如果你要写代码、跑自动化流程，那看的是长链条稳定性和每成功任务花多少 token，不是看单次跑分。小米 MiMo 的 token 效率、阶跃的速度、豆包和文心的 Agent 能力各有所长，最好的办法是挑十件你常做的活各跑一轮，算出单件成本再比。

如果你要把模型塞进自己的产品或者部署在内网，那先看协议。MIT 和 Apache 2.0 是零摩擦，小米 MiMo 和阶跃 Step 走这一档。带条件的自定义协议要逐条读，Kimi K3 卡的是年收入两千万美元以上的大平台，MiniMax M3 商用要署名、过线要书面授权，对绝大多数人和创业公司其实都没影响。

如果你在金融、政务、医疗这类对合规和数据出境有硬要求的行业，讯飞的全国产算力和 360 的安全体系是现成的选项，但讯飞参数不透明、360 的底座用的是智谱，采购前都要问清楚。

最后说一件我觉得比选模型更重要的事。

这七家今年做的事，没有一件是「把模型做得更大」。字节在补 Coding 的课，百度在把 2.4 万亿砍成 8000 亿，小米在把模型刷进几亿台设备，MiniMax 在把三件事合进一套权重，讯飞在把训练效率从 30% 爬到 93%，360 在把安全经验变成工作流，阶跃在把每一秒能吐多少 token 推到极限。

它们都在回答同一个问题，我的模型到底为谁服务。

这个问题对你同样成立。你手头每周都要重复做的那件事，不管是整理会议纪要、核对表格数据、还是把一堆截图转成清单，它不会因为你换了哪个模型而消失。模型会一代代换新，你手里要解决的活却大致不变。

所以别追版本号。挑一件每周都要重复的活，交给其中一个试一周，跑出来的体感比任何发布稿都诚实。分活定价、保持怀疑、按需切换，这三句话足够应付这轮又一轮的模型喧嚣。

还有一句给做产品的人。模型是地基，业务是房子。把接口层、业务逻辑和领域数据抽象好，地基随时能换，房子不会塌。真正值钱的从来不是你接了哪个模型，而是你搭在上面那套别人搬不走的东西。