模型生态地图

​

摘要

理解模型生态时，最好先按学习者可以完成的事情来分组：聊天与推理、多模态输入、生成能力、开源权重部署，以及区域云平台接入。这个页面是一个入门地图，不是模型排行榜。

​

为什么重要

学生和早期构建者常常先听到模型名称，却还不了解它背后的产品形态。一个有用的地图应该回答四个问题：

• 这个模型家族适合什么类型的任务？
• 我该通过什么方式访问它：消费级应用、API、开源权重，还是云平台？
• 它更适合学习、原型验证，还是部署？
• 真正用于项目之前需要检查什么？

​

架构图

​

供应商地图

​

能力地图

​

如何选择起点

选择能够教会正确问题的最简单界面。

• 第一次接触时，从 ChatGPT、Claude、Gemini 或 Kimi 这类消费级助手开始，重点练习任务设计。
• 学 API 时，先选一个模型供应商，做一个小的请求-响应应用，再比较不同供应商。
• 学多模态时，一次只测试一种输入类型：图像、文档、音频或视频。
• 学开源权重时，先明确为什么需要可迁移、本地控制或许可证灵活性，再选择模型。
• 做中国相关部署时，从一开始就检查 Qianfan、Model Studio 和 Kimi，而不是最后才把它们当替代项。

​

常见错误

• 把最新模型名称直接等同于所有任务上的最好选择。
• 把应用功能和 API 功能当成同一个产品来比较。
• 等原型完成后才检查价格、速率限制、区域可用性、安全政策和数据控制。
• 因为想要可迁移性而选择开源权重，却没有预算托管、评估、监控和更新成本。
• 只因为语言覆盖选择区域平台，却没有检查部署、计费和支持要求。

​

课堂练习建议

选择一个任务，例如“总结课程阅读材料并生成复习测验”。让学生比较三种访问模式：

• 消费级助手
• 托管 API
• 开源权重或区域云选项

输出应该是一张短表：任务质量、设置难度、成本或使用限制，以及生产团队下一步需要验证什么。

​

引用

• 当前官方模型与平台阅读材料列在 external_readings 中。

​

延伸阅读

• 智能体平台与低代码构建器
• 智能体系统的 LLM 基础
• 评估与可观测性

​

更新日志

• 2026-05-19：根据 issue #27 添加入门模型生态地图。