上一篇把14个模型家族认全了，但"认识"和"选对"是两回事。很多人挑模型的方式就两种：谁火选谁，或者谁参数大选谁。这两种做法，大概率会选到"不是最合适"的那一个。
这篇换一条思路：先定你的任务，再反查该用哪家。整理了两样东西：12个常见场景的推荐表，和5个能自己验证的中立评测网站。看完你就可以自己判断，不用再等别人安利。
一、12个场景，对号入座
读表之前先说清楚：这里的推荐不是"唯一答案"，而是"大概率合适的起点"。选之前先给自己定三个约束——预算、隐私、部署方式（云端API还是本地跑），约束定了，候选范围就小一大半。
| | |
|---|
| | Cookbook + Courses 是社群公认最完整的 |
| | |
| | |
| 广度查询 + function calling 框架 | | |
| | Kimi 长上下文能塞整本书；DeepSeek 成本最低；GLM 对 agent 友好 |
| | |
| DeepSeek V4-Pro / Hunyuan T1 / OpenAI o系列 | |
| Llama 3.3 / Gemma 4 / Qwen 开源版 | |
| Gemma 4 / Phi-4 / qwen3-3B 及以下 | |
| Gemini（2M 窗口）/ Kimi K3（1M） | |
| | |
| | |
最后一行是我自己加进去的，不算推荐，是个经验：API 的调用方式大同小异，先拿任何一家把流程跑通，比纠结选谁重要得多。
二、5个中立评测网站，自己验证
推荐表是"别人替你总结的结论"，如果你想自己看数据，下面5个中立资源值得收藏。它们不是同一家出的，用途也不一样（状态为2026年5月）：
| | |
|---|
| 第三方 benchmark + 价格/延迟整合，含中国模型 | |
| Arena AI（原 LMSYS Chatbot Arena） | | |
| | |
| | 偶尔 runtime error，可改用 Arena 的开源 tab |
| | |
原则就一条：不靠单一 source 下结论。两三个网站交叉看，比盯着一家排行榜强。
说个实际用法：拿 Artificial Analysis 举例，查的顺序一般是先筛价格、再看性能、最后自己跑——第一步用价格把候选砍到两三家（预算约束），第二步看性能分定最终候选，第三步回到第一节的"小实验"环节，用你自己的 prompt 做最后裁决。这样整个选型过程，别人的榜单只负责缩小范围，决定权始终在你手里。
三、4条警语，比任何推荐都重要
1. 榜单 ≠ 真实表现。模型在你的具体任务上好不好，要自己跑小实验：贴10个你真实的 prompt，看哪家答得最像你要的。只看通用指标就下单，大概率买错。
2. 半年洗一次牌。上面所有数字都是2026年5月的快照，之后请以官方文档和 Artificial Analysis 为准。
3. "强项"是相对的。所有旗舰模型完成基本任务都没问题，差别只出现在困难情境：超长文件、复杂推理、多语言。
4. 中文任务看 SuperCLUE。国际 benchmark（如 MMLU）以英文为主，中文表现可能跟英文不一致——英文榜单高，不代表中文好用。
一句话总结
选模型的正确姿势不是追热门，是先定任务再反查，最后用10个真实 prompt 做小实验验证。
—— 完 ——
如果这篇文章对你有帮助，点个关注。下一篇开始动手：用 Python 亲手调一次大模型 API，看看 temperature 从 0 调到 1，输出到底怎么变。
有任何问题或者想看的主题，欢迎留言。
