“最強模型”的保質期正在縮短。

文章作者、來源：定焦

在一個月內，9 款旗艦模型集中發布，這在大模型行業並不常見。

從月初騰訊混元 Hy3 發布正式版並開源，到月末 Anthropic 發布 Claude Opus 5，期間 Kimi K3、Qwen3.8-Max 預覽版、Grok 4.5 等模型陸續登場。7 月成為近一年少見的發布高峰。

各家選擇的時間點並不相同。有的廠商借競品更新後的間隙跟進發布，有的廠商選在世界人工智慧大會前後亮相，也有廠商通過價格調整回應市場競爭。

但7月不僅模型發布數量多，更值得注意的是這輪發布反映出的兩個變化。

第一，模型之間的能力差距正在縮小。Artificial Analysis 最新綜合智能指數顯示，頭部模型之間的分差已經明顯收窄。隨著版本快速迭代，「最強模型」的位置越來越難長期保持，各家開始圍繞不同任務尋找優勢，而不是追求單一維度的絕對領先。

第二，開源模型已進入第一梯隊。在7月發布的新模型中，騰訊混元Hy3、Kimi K3等選擇開放權重（開放模型參數，允許開發者自行下載和部署）。其中，Kimi K3在Code Arena前端程式設計榜單中排名第一，超越GPT-5.6 Sol和Claude Fable 5。過去兩年，開源模型更多被視為閉源模型的追趕者，而這輪競爭顯示，開源模型已開始在部分開發場景中與閉源模型直接競爭。

那麼，這一個月的密集發佈究竟帶來了哪些變化，又意味著什麼？

01. 不再只比誰更聰明

過去幾年，大模型行業主要比拼通用能力，誰的知識面更廣、誰的回答更準確。但現在，競爭維度已經變了。

在這一輪中，代碼能力成為最明顯的爭奪方向。

OpenAI 繼續強化編程和複雜推理，並持續擴展 Codex 生態，希望透過開發工具綁定程式員用戶。Anthropic 押注代碼理解和安全審計，協助開發者處理大型項目中的複雜工程問題。Grok 4.5 則強調速度和低成本，並與 AI 編程工具 Cursor 綁定，覆蓋日常開發場景。

大模型研究者姚宇航告訴「定焦One」，各家公司都在重點投入編程能力，差距也在快速縮小，例如 Kimi K3 的代碼能力提升明顯，正在接近頭部閉源模型的水平。

圖源 / pexels

Agent 是各家爭奪的另一個方向。GPT-5.6 Sol 配合 Codex 探索自動化程式設計，Opus 5 強調長程任務執行，Kimi K3 展示連續運行完成複雜任務的能力，騰訊混元 Hy3 則試圖結合微信生態探索智能體應用。

但 Agent 在實際工作中仍不成熟。獨立開發者北城表示，目前部分智能體產品的短板不在能不能調用工具，而在任務調度能力。例如，Codex 的 Ultra 模式會開啟很多子代理，不同的子代理重複讀取同一個文件，進行類似分析，最後 Token 消耗增加，但真正有效的工作並沒有增加。在他看來，智能體能力提升不能只靠增加子代理數量，關鍵在於能否判斷哪些任務值得分析、哪些步驟可以省略。

姚宇航的看法類似。他認為智能體是目前最值得關注的方向，但離真正成熟還有距離。在他看來，醫療、金融等垂直領域的智能體仍有較大機會；下一階段拉開差距的關鍵不只是模型能力本身，還在於智能體在具體場景中好不好用、客戶願不願意買單。

國產模型則透過不同能力的提升尋找突破點。Kimi K3 選擇強化長上下文、前端編程和產品設計能力，在多個編程測試中進入頭部位置，能力接近國外閉源旗艦模型。

參數規模與推理效率之間的競爭，也成為另一條主線。

7 月發布的多款模型已進入萬億甚至數萬億參數區間，但參數規模已不能簡單等同於能力高低。隨著 MoE 架構的發展，模型可以擁有更大的參數容量，同時僅激活其中一小部分來完成推理，降低實際計算成本。

行業由此形成兩條路線：一是繼續擴大規模，用更大參數換取更強能力；二是強調效率，用更小的激活參數實現接近旗艦模型的效果。

價格也成為7月模型競爭中最直接的變量。

海外廠商更多採取差異化定價策略。OpenAI 選擇進一步細分市場，將 GPT-5.6 拆分為不同版本，讓用戶根據任務複雜程度選擇對應模型；Anthropic 則繼續維持高性能旗艦模型路線，透過 Opus 系列覆蓋高價值開發和企業場景；Grok 4.5 則採取低價策略，輸出價格僅為 Opus 系列的四分之一，並透過與 Cursor 的綁定吸引開發者。

國內廠商則更強調成本優勢。過去半年，多家國內模型廠商持續下调 API 價格，希望透過低成本降低使用門檻，擴大開發者和企業用戶規模。

一句總結，7 月的大模型競爭已從單一能力比拼，擴展至代碼、智能體、參數效率和價格多個維度。

02. 誰超出預期，誰評價兩極？

綜合相比前代的變化、榜單表現和開發者反饋，7 月發布的模型的水平大致可以分為三類。

先看超出預期的一類：Kimi K3、Grok 4.5、混元 Hy3。

其中最受關注的是 Kimi K3。該模型採用 MoE 架構，總參數規模達到萬億級別，重點強化了長上下文、前端編程和產品設計能力。發布當天，Kimi K3 便以 1679 分登上 Code Arena 前端編程榜第 1 名，相比前代 Kimi K2.6 的第 18 名，提升 17 個位次。在一周後的 Arena 綜合榜上，Kimi K3 則首次進入全球 Top 10。

但 Kimi K3 也有明顯的能力邊界。在 Artificial Analysis 的知識可靠性測試中，其幻覺率從 Kimi K2.6 的 39% 升至 51%，輸出速度約為 33 Token/s，遠低於同類模型。

開發者的實際使用感受也印證了這種「偏科」。北城認為 Kimi K3 相比上一代確實有明顯提升，優勢主要集中在前端開發、UI 設計和產品表達。例如在優化網站 UI、設計 APP 界面這類任務中，Kimi K3 能產出更好的產品，但涉及複雜工程任務時，表現不夠穩定。

圖源 / pexels

同樣受關注的還有 Grok 4.5。於 7 月 9 日發布後，它進入 Artificial Analysis 智能指數前列，並在部分工具調用測試中表現突出，被不少開發者視為性價比較高的選擇。

北城的體驗與此一致，他認為 Grok 4.5 最大的優勢是速度，同樣的需求用它可能三五分鐘就完成了，而用 GPT-5.6 有時需要二十分鐘甚至半小時，加上價格較低，適合有快速開發需求時使用。姚宇航認為，Grok 4.5 的編程能力經過專門優化，搭配 Cursor 使用整體體驗很好。一個背景是，SpaceX 此前宣布收購 Cursor 母公司 Anysphere，交易預計於第三季度交割；xAI 與 Cursor 展開的數據合作，也被認為有助於 Grok 4.5 優化編程體驗。

混元 Hy3 則代表了效率路線的突破。該模型總參數為 295B，激活參數僅為 21B，在參數規模不到旗艦模型五分之一的情況下，多個公開基準的成績接近體量更大的競爭模型。然而，在 SWE-Bench Pro 中，混元 Hy3 的 57.9 分與 Claude Opus 的 69.2 分仍有明顯差距，顯示其複雜代碼修復能力仍需追趕。

Yao Yuhang believes that Hunyuan Hy3 represents an improvement over Tencent’s previous models, and with its open-source nature and compact design, it is a decent choice among mid-sized models.

再看穩定在第一梯隊、但驚喜有限的一類：GPT-5.6 Sol 和 Claude Opus 5。

GPT-5.6 Sol 和 Claude Opus 5 仍保持在第一梯队，但並未帶來重大變革。GPT-5.6 Sol 強化了複雜推理與智能體編程能力，在 Terminal-Bench（測試模型在命令行環境中完成實際任務能力的基準）2.1 測試中達到 88.8%，Ultra 模式進一步提升至 91.9%。Claude Opus 5 則繼續保持在複雜任務上的優勢，更強調模型在複雜工程、代碼理解與安全分析等場景中的可靠性。Opus 5 的優勢在於性能接近 Fable 5，但價格僅為後者的一半。

Both models remain in the top tier, but have not delivered major breakthroughs.

北城提到，GPT-5.6 已經能夠滿足他大部分的日常開發需求，但在遇到特別複雜的問題時，會調用 Opus 5 來解決。不過，更強大的能力也意味著更高的成本。對他而言，Opus 5 的定位更接近於解決關鍵問題時調用的「專家」。

最後是反饋分化、仍待驗證的一類：Gemini 3.6 Flash 和 Qwen3.8-Max 預覽版。

最典型的是 Gemini 3.6 Flash。它在 Artificial Analysis 智能指數榜單上得分为 50，與前代 3.5 Flash 持平。開發者社區較一致的反饋是，這一代相比前代沒有明顯提升，表現也不如同期競品。不過也有人認為，作為一款輕量化的模型，Gemini 3.6 Flash 的輸出質量基本過關。

在獨立開發者卡普迪姆看來，Gemini 3.6 Flash 的日常使用體驗不錯，雖然程式設計能力不突出，但多模態理解仍然比較出色。它支援輸入任何格式的檔案，日常聊天的文風和體驗也優於許多競爭對手。

Qwen3.8-Max 預覽版於 7 月上線後，模型表現不穩定，市場反饋不一。北城最大的感受是 Qwen3.8-Max 預覽版的思考深度較高，但有時會陷入長時間推理，“好像自己把自己繞進去”，但最終未提供有效解決方案。卡普迪姆則認為 Qwen3.8-Max 預覽版低於預期，他在使用自己的前端美學評測集進行測評時發現，實際能力與宣傳存在明顯差距。作為一款仍在調整中的預覽版產品，最終表現仍需等待正式版發布後再驗證。

7 月沒有出現一個在所有維度都領先的模型，不同模型開始圍繞具體場景形成分工。

以北城為例，他會根據任務選擇工具：GPT-5.6 負責日常開發，Grok 4.5 用於快速完成需求，Kimi K3 用來做產品和前端場景，Claude Opus 5 負責解決複雜問題。卡普迪姆的搭配則不同，他會使用 Claude 的 Fable 5 或 Opus 5 模型進行規劃，再通過 GPT-5.6 Sol 執行。

03. 發布速度越來越快，開源與閉源之爭升溫

在這輪密集發佈背後，有幾個問題值得分析：模型迭代為何越來越快，為何集中發生在7月，以及開源為何會衝擊現有的商業模式。

首先，模型的迭代方式正在發生變化。過去，大模型能力的提升主要依賴重新訓練更大規模的模型，週期長、成本高。但隨著強化學習、後訓練（在基礎模型訓練完成後，通過微調、強化學習等方式繼續優化模型表現）等技術成熟，模型升級開始更多依賴訓練後的優化。

姚宇航告訴「定焦One」，近兩年模型發布速度明顯加快，一個重要原因是行業已掌握更成熟的後訓練方法。現在很多模型的提升並不需要重新訓練一個模型，而是在已有基礎模型上繼續優化，通過強化學習、自我迭代等方式提升能力。

這意味著模型競爭的週期正在縮短。過去，一個領先模型可能保持數月優勢；現在，版本更新帶來的領先窗口可能只有幾週。發布節奏跟不上，就可能很快被新版本覆蓋。對廠商而言，發布模型不只是技術展示，發布時間本身也成為競爭的一部分。

圖源 / pexels

其次，7月是多個節點疊加的時間。對於國內廠商而言，世界人工智慧大會（WAIC）於7月舉行，廠商集中在此前後發布模型、展示技術進展。對於海外廠商而言，多家頭部公司也選擇在這一階段更新模型，希望在開發者生態和商業競爭中佔據主動。

此外，行業的競爭規則正在變化。模型能力足夠強大已不再是唯一目標，競爭已延伸至模型如何被使用以及如何轉化為收入。

這也是為什麼開源與閉源之爭在7月再次升溫。長期以來，開源模型與閉源模型之間存在能力差距。但隨著部分開源模型進入第一梯隊，一個更現實的問題出現：當高性能模型可以免費獲得，模型公司的API調用和訂閱收入會不會被分流？

支持開源的一方認為，開放權重能降低技術門檻，讓更多企業和開發者參與 AI 創新。開源意味著技術提供方主動讓渡部分利益，推動生態發展；而閉源陣營則擔心自己的用戶會被開源模型分流。Anthropic 等公司認為，隨著模型能力提升，開放權重可能帶來安全風險，需要更嚴格的治理。

這場爭論背後，其實對應著不同公司的利益訴求。對於英偉達等基礎設施企業而言，模型開放意味著更多部署需求，也意味著更大的算力市場。對於OpenAI、Anthropic等模型公司而言，閉源模式能夠維持API調用和訂閱收入。不過也要看到另一面：開源確實會擴大部署需求，但隨著參數效率提升，單位任務的算力消耗也可能被攤薄，算力市場的增量未必與模型開放程度同步。對國內廠商而言，開放權重不只是技術路線的選擇，也是在爭取開發者生態、雲服務和後續商業化的入口。

7月之後，大模型競爭仍會繼續。開發者社區普遍預期，DeepSeek V4 正式版、Fable 5.1、GPT-6 等新模型將於 8 月陸續發布。

模型能力的差距正在縮小，單靠發布一個更強的模型，越來越難建立長期優勢。接下來值得觀察的是幾個具體指標：DeepSeek V4 正式版能把開源模型的能力上限推到哪裡，API 價格是否繼續下探，智能體能否出現穩定的付費場景，以及開源模型能否進入更多企業的私有化部署。這些問題的答案，會比榜單名次更能說明這一輪混戰真正改變了什麼。

*封面圖片來源於 Pexels。