KeyFrame內部研究專用

四大开源模型都有谁 | OpenRouter | DeepSeek | GLM | MiniMax | Nemotron | 闭源模型 | AI降本 | 大模型选型

Best Partners TV11 min中文
觀看原始影片

三句話摘要

2026年最值得采用的4款开源大模型选型指南——性价比、任务能力、多模态与企业部署的完整对比。 開源和商業模型的差距已經足夠薄,核心決策應該從「能不能用」轉向「我的業務最看重什麼——極低成本、頂級任務規劃、原生多模態,還是企業級部署穩定性」,然後根據需求選型並在實際場景測試。 開源模型成本優勢已成決定性因素:開源和商業前沿模型能力差距穩定在3-6個月範圍,但成本相差數十倍,使得企業在業務負載量大時有動力轉向開源方案。這個論斷的核心意義在於,開源模型已不再是「玩具」或邊緣任務的選擇,而是具有工業級落地價值。

重點整理

  1. 開源模型成本優勢已成決定性因素:開源和商業前沿模型能力差距穩定在3-6個月範圍,但成本相差數十倍,使得企業在業務負載量大時有動力轉向開源方案。這個論斷的核心意義在於,開源模型已不再是「玩具」或邊緣任務的選擇,而是具有工業級落地價值。

  2. 不同模型滿足差異化訴求:DeepSeek追求極致性價比,GLM 5.2追求任務規劃質量,MiniMax M3補充多模態空白,NVIDIA則強調企業部署穩定性。開發者應先釐清業務需求(成本優先或能力優先),而非盲目選擇。

  3. 推理成本隱藏陷阱需警惕:GLM 5.2和MiniMax M3的單位價格雖低,但因生成Token較多,實際總成本可能高於表面單價。成本控制需要在實際場景測試中才能評估準確。

  4. 政策和協議差異影響商用決策:資料隱私政策(如DeepSeek中國境內路由允許訓練)、開源協議類型(MIT vs MiniMax社區協議vs OpenMDW)都會影響商用可行性,選型時需提前規劃。

實用技巧與重點

  • DeepSeek V4 Flash
  • 發布時間:2026年4月
  • 參數規模:總參數284B,激活參數130B(混合專家)
  • 上下文窗口:百萬Token
  • SweepBench評分:97%(與Pro版差距1.6%)
  • 官方API定價:輸入 $0.14/百萬Token(含緩存折扣可至$0.029),輸出 $0.28/百萬Token
  • 永久定價:5月固定
  • 輸出成本對比:約為GPT-4.5的1/150
  • 開源協議:MIT
  • 特點:技術向、代碼能力強,對Prompt要求高,文本風格控制一般,不支持圖像
  • GLM 5.2
  • 發布時間:2026年6月中旬
  • 發佈平台上線狀態:已被多個第三方平台火速上線
  • AI2測試排名:51分(開源第一),與Claude Sonnet 5差距5分
  • 加權平均價格:輸入 $0.447/百萬Token,輸出 $3.31/百萬Token
  • 推理速度:每秒78個Token
  • 開源協議:MIT
  • 特點:純文本模型,任務規劃卓越,代碼編寫質量高,思考過程消耗Token多,不支持圖像和視頻
  • MiniMax M3
  • 參數規模:總參數428B,激活參數230B(混合專家)
  • 上下文窗口:百萬Token
  • AI2智力指數:44分(與DeepSeek V4 Pro並列)
  • 加權平均價格:輸入 $0.098/百萬Token,輸出 $1.21/百萬Token(超過512K上下文會上浮)
  • 技術創新:自研分塊吸收注意力機制
  • 開源協議:MiniMax社區協議(商用需署名,大型商用需書面授權)
  • 特點:原生多模態(圖像、圖表、視頻),上下文長度長,純代碼能力弱於GLM 5.2
  • NVIDIA NIM Llama Ultra
  • 參數規模:總參數550B,激活參數550B(混合模型)
  • 架構融合:Llama2 + Transformer,採用NVFP4精度
  • AI2智力指數:48分(開源第二)
  • 加權平均價格:輸入 $0.423/百萬Token,輸出 $2.61/百萬Token
  • 免費測試通道:可用於測試和體驗,不可用於商業產品
  • 開源協議:OpenMDW
  • 開源內容範圍:模型權重、訓練數據、訓練配方、評估工具、強化學習技術設施
  • 特點:純文本模型,不支持多模態,部署效率高,生態適配性強

結論

開源和商業模型的差距已經足夠薄,核心決策應該從「能不能用」轉向「我的業務最看重什麼——極低成本、頂級任務規劃、原生多模態,還是企業級部署穩定性」,然後根據需求選型並在實際場景測試。

完整解析

過去十八個月,開源模型與商業前沿模型的能力差距一直維持在三到六個月的相對穩定狀態。這個觀察至關重要,因為它意味著開源模型的可行性已經不再是「能不能用」的問題,而是「該不該用」的經濟決策。當企業的AI調用量上升到一定規模時,從商業模型轉向開源所能節省的成本可能高達數十萬甚至上百萬元。在這樣的背景下,OpenRouter在2026年6月篩選出的四款開源模型就獲得了特殊的價值——它們代表著目前真正具備工業級落地價值的選項。

DeepSeek V4 Flash是跨越智能體落地分水嶺的第一個開源模型。所謂「跨越分水嶺」意指開發團隊可以直接將其應用於實際智能體工作流中,無需過度適配。Flash版本保留了Pro版絕大多數核心能力,同時將性價比推向極致。在DPC官方API上,其輸出成本僅為GPT-4.5的150分之一,且在2026年5月將這個定價固定為永久價格,直接打破了該能力檔位的模型定價天花板。然而使用者需要注意,這個模型更偏向技術向任務,對Prompt要求極高,語氣風格控制能力較弱。若業務需求是以極低成本運行企業級智能體或代碼任務,DeepSeek Flash是首選。

GLM 5.2在2026年6月中旬發布,迅速獲得行業認可。它在AI2測試中達到51分,穩居開源模型第一名,與Claude Sonnet 5的差距僅五分。相比DeepSeek的價格優勢,GLM 5.2的核心競爭力在於任務規劃質量和長周期代碼編寫能力。不過開發者需要警惕隱藏成本:GLM 5.2傾向於深入思考,會消耗更多輸出Token,導致實際總成本不如單價所示那麼低廉。此外,美國最近更新的出口管制新規迫使商業模型的海外訪問受限,這使得採用MIT協議、能力接近商業前沿的GLM 5.2價值凸顯——對於看重業務連續性的企業尤為關鍵。

MiniMax M3在四個模型中走了完全不同的路線——它是唯一原生支持圖像、圖表和視頻的開源大模型。在UI自動化測試、圖表解析或視頻工作流等多模態場景中,M3是目前開源生態的首選。雖然其纯文本分數略遜於GLM 5.2,但在真實多模態測試中表現已足以應對絕大多數場景。其自研的分塊吸收注意力機制允許它在保持合理成本的同時支撐長上下文。值得注意的是,M3採用MiniMax社區協議而非MIT,商用需署名,大型商用項目還需官方書面授權。

NVIDIA NIM Llama Ultra則是唯一美國本土出品的頭部開源模型,完全面向企業級部署設計。其核心差異化優勢不在極限跑分,而在部署效率與生態適配性。NVIDIA不僅開源了模型權重,還開源了訓練數據、訓練配方、評估工具和強化學習設施——這體現了英偉達的戰略邏輯:開源模型用戶越多,市場對其計算卡、服務、生態和企業AI方案的需求就越旺盛。選擇NVIDIA方案適合那些優先考慮運行速度、私有化部署、數據管控權和供應商背景的企業,尤其是長周期智能體、RAG系統或工作流編排場景。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。