国内大模型一览：DeepSeek、通义、文心、Kimi、智谱、豆包
2026-09-27
国内大模型发展很快，下面按厂商做一个简单的科普。信息仅供入门参考，具体能力、价格和是否开源请以各家官网为准。本文反映的是我写作时的个人理解，难免有遗漏和过时之处，也不构成任何排名或推荐。
先看总览
| 模型 / 产品 | 厂商 | 简介 |
|---|---|---|
| DeepSeek | 深度求索 | 以高性价比和开源权重著称，推理模型（R 系列）和通用模型（V 系列）受到广泛关注。 |
| 通义千问（Qwen） | 阿里云 | 开源模型系列丰富，尺寸从小到大都有，社区生态活跃；云上通过百炼平台提供服务。 |
| 文心一言（ERNIE） | 百度 | 国内较早推出的大模型产品，与百度搜索、云服务结合紧密。 |
| Kimi | 月之暗面 | 以长上下文起家，近年在代码与智能体（Agent）方向持续投入。 |
| GLM / 智谱清言 | 智谱 AI | 源自清华技术成果，GLM 系列部分模型开源，提供开放平台 API。 |
| 豆包 | 字节跳动 | 面向大众的 App 用户量大，火山引擎提供模型 API，价格较有竞争力。 |
| 混元（Hunyuan） | 腾讯 | 与腾讯云、微信生态结合。 |
需要说明，产品名称和品牌可能随时调整，表中的描述只是概括性的印象。同一厂商往往同时有多个尺寸、多个版本的模型，本文不逐一列举。
几个共同特点
- 中文理解和中文写作表现好，语料本土化。
- 不少模型开放权重，可以本地部署、微调，适合对数据安全有要求的场景。
- API 价格普遍较低，且多数提供 OpenAI 兼容接口。
- 面向公众提供服务的模型，需要按国内规定完成生成式人工智能服务的备案。
为什么国内模型值得认真对待
我自己的体会有几点。第一是可用性：国内模型在大陆可以直接访问，不需要处理网络和支付问题，对个人学习和小团队试验非常友好。第二是中文场景：无论是公文、营销文案、古诗词，还是本土化的常识问题，针对中文语料优化过的模型往往更贴近习惯。第三是成本：不少厂商的 API 定价较低，还经常有面向开发者的优惠和免费额度，具体政策请看官网。
当然，这并不意味着国内模型在所有方面都优于或劣于境外模型。不同任务、不同版本的表现差别很大，最靠谱的办法永远是用自己的数据测一测。
开放权重是什么意思
你会经常看到“开源”二字，但严格地说，多数大模型是“开放权重”：公开了模型参数文件，允许下载和使用，但训练数据、训练代码未必公开，许可证条款也各不相同。使用前要读清楚许可证：
- 是否允许商用。
- 是否有用户规模或收入的限制。
- 是否要求署名，或限制用其输出去训练别的模型。
- 衍生模型（微调后的版本）的分发规则。
开放权重的最大价值是可控：数据不出本地，可以做领域微调，也不会因为服务下线而突然用不了。代价是你需要自己准备算力、做部署和运维。
本地部署的现实情况
很多人想“把大模型装在自己电脑上”。这在技术上完全可行，但要有合理预期：
- 模型越大，对显存和内存的要求越高。个人电脑通常只能跑较小尺寸，或经过量化的版本。
- 量化可以显著降低资源占用，但可能带来一定的质量下降，需要实际体验。
- 常见的本地运行工具和推理框架很多，选择时看社区活跃度和对你硬件的支持情况。
- 如果只是偶尔使用，直接调云端 API 往往比自建更省心也更便宜；只有数据敏感、调用量大或需要深度定制时，自建才划算。
通过 API 接入
多数国内厂商都提供与 OpenAI 风格相近的接口，因此用一份通用的调用代码就能切换。概念上的示意如下，地址和模型名均为占位，请以各家官方文档为准：
POST {厂商提供的 base URL}/chat/completions
Authorization: Bearer {你的密钥}
{
"model": "（模型名，见厂商文档）",
"messages": [
{"role": "user", "content": "你好，请介绍一下你自己。"}
]
}需要注意，“兼容”不等于“完全一致”。流式输出的细节、工具调用的格式、推理过程字段的返回方式、最大上下文长度、限流规则，各家都可能不同。切换前务必跑一遍自己的测试用例。
如何挑选
- 面向国内用户的产品：优先考虑已完成备案、在境内有稳定服务的模型。
- 要私有化部署：看开放权重的模型，并确认许可证允许你的用途。
- 长文档处理：关注上下文长度和长文本下的实际表现，而不只是标称数字。
- 代码与智能体任务：关注工具调用的稳定性、指令遵循度，用真实项目试用。
- 预算敏感：对比不同档位的价格，并估算真实的输入输出 token 量。
合规与数据安全
国内对生成式人工智能服务有相应的管理规定。如果你打算对公众提供基于大模型的服务，需要关注备案、内容安全、个人信息保护等要求；如果只是企业内部使用，也要考虑数据分级，哪些数据可以发给第三方云服务，哪些必须留在内网。我不是法律专业人士，这里只是提醒，具体请咨询合规部门或查阅官方规定。
常见坑
- 只看宣传不测试：榜单分数和实际业务效果常常有差距。
- 忽略许可证：开放权重不等于随便商用。
- 硬编码厂商细节：把模型名、地址写死在代码里，换模型时到处改。
- 低估运维成本：自建推理服务要考虑并发、监控、升级和安全补丁。
- 忘记内容审核：面向公众的产品需要额外的输入输出审核。
延伸阅读
如果想了解境外的两个代表性模型家族，可以看Claude 是什么和OpenAI 的模型与产品；想要一份横向对比和选型思路，请看Claude、OpenAI 与国内大模型怎么选。Claude 与 OpenAI 的官方服务在中国大陆不直接提供，使用前请遵守相关法律法规与服务条款。
一个选型实践的例子
假设我要为一个面向国内用户的客服助手选模型。我会先挑两到三家候选，比如一个主打性价比的、一个云厂商生态内的、一个可以私有化部署的开放权重模型。然后整理一批真实的客户问题，连同期望的答复要点，用同一套提示词分别测试，记录回答是否准确、语气是否合适、响应速度如何、每千次调用大约花多少钱。
测完之后常常会发现，没有哪个模型在所有指标上都第一：有的回答最准但偏慢，有的便宜但偶尔跑题，有的适合本地部署但需要自己维护。最终选择往往是权衡的结果，比如日常问题走便宜的模型，复杂问题转给更强的模型，敏感数据只走本地模型。
关于“思考”类模型的注意点
不少国内厂商也提供会先推理再作答的模型。使用时有几点经验：它们通常更慢，也会消耗更多输出量，适合难题而不是简单问答；有的接口会把思考过程单独返回，在产品中要决定是否展示给用户；多轮对话里，不同厂商对是否需要回传思考内容的要求不一致，要仔细阅读文档，否则容易报错或效果变差。
学习与上手建议
如果你刚入门，我建议先在各家的网页或 App 里免费体验，感受不同模型的风格；再去开放平台注册，领取试用额度，用最小的脚本调用一次接口；之后可以尝试开放权重的小尺寸模型在本地运行，理解部署的基本流程。过程中遇到的问题，多半在官方文档和开源社区的讨论里能找到答案。需要提醒的是，各家平台的额度、价格与活动政策变动频繁，请始终以官网当前说明为准。
另外，学习时不要只盯着某一个品牌。大模型的使用方法有很多共通之处：提示词设计、上下文管理、工具调用、评测方法，掌握这些，换哪家模型都能很快上手。
开发者社区与工具链
国内模型的另一个优势是社区活跃。开放权重的模型通常能在主流的模型托管社区和国内镜像站找到，周边的推理框架、量化工具、微调脚本也很丰富。使用这些资源时，建议优先选择官方发布的权重与仓库，下载后核对说明文件，避免使用来源不明的修改版本，以免引入安全风险。对于企业使用，还应留意依赖库的许可证与漏洞公告。
我个人的习惯是为每个模型建立一个小的试验目录，记录它的版本来源、运行参数和测试结果，日后复现或比较时非常方便。
小结
国内大模型厂商众多，各有侧重：有的以开放权重和性价比见长，有的依托大型云或内容生态，有的在长上下文和智能体方向发力。对开发者而言，它们的共同价值是中文表现好、可直接使用、价格友好、接口兼容度高。选型时记住三件事：用自己的任务测试、认真读许可证和合规要求、在代码里留好切换模型的余地。本文只是入门笔记，请以各家官方信息为准。