一个月9款旗舰，大模型进入“月抛”时代？

（本文作者为 定焦One，钛媒体经授权发布）文 | 定焦One（dingjiaoone），作者 | 雷晶，编辑 | 金玙璠一个月内，9款旗舰模型扎堆发布，这在大模型行业并不常见。从月初腾讯混元Hy3发布正式版并开源，到月末Anthropic发布Claude Opus 5，其间Kimi K3、Qwen3.8-Max预览版、Grok 4.5等模型陆续登场。7月成为近一年少见的发布高峰。各家选择的时间点并不相同。有的厂商借竞品更新后的间隙跟进发布，有的厂商选在世界人工智能大会前后亮相，也有厂商通过价格调整回应市场竞争。但7月不只是模型发布的数量多，更值得注意的是这轮发布反映出的两个变化。第一，模型之间的能力差距正在缩小。Artificial Analysis最新综合智能指数显示，头部模型之间的分差已经明显收窄。随着版本快速迭代，“最强模型”的位置越来越难长期保持，各家开始围绕不同任务寻找优势，而不是追求单一维度的绝对领先。第二，开源模型正在进入第一梯队。7月发布的新模型中，腾讯混元Hy3、Kimi K3等选择开放权重（开放模型参数，允许开发者自行下载和部署）。其中，Kimi K3在Code Arena前端编程榜单中排名第一，超过GPT-5.6 Sol和Claude Fable 5。过去两年，开源模型更多被视为闭源模型的追赶者，而这一轮竞争显示，开源模型已经开始在部分开发场景中与闭源模型直接竞争。那么，这一个月的密集发布究竟带来了哪些变化，又意味着什么？01.不再只比谁更聪明过去几年，大模型行业主要比拼通用能力，谁的知识面更广、谁的回答更准确。但现在，竞争维度已经变了。这一轮，代码能力成为最明显的争夺方向。OpenAI继续强化编程和复杂推理，并持续扩展Codex生态，希望通过开发工具绑定程序员用户。Anthropic押注代码理解和安全审计，帮助开发者处理大型项目中的复杂工程问题。Grok 4.5则强调速度和低成本，并与AI编程工具Cursor绑定，覆盖日常开发场景。大模型研究者姚宇航告诉「定焦One」，各家公司都在重点投入编程能力，差距也在快速缩小，比如Kimi K3的代码能力提升明显，正在接近头部闭源模型的水平。 Agent是各家争夺的另一个方向。GPT-5.6 Sol配合Codex探索自动化编程，Opus 5强调长程任务执行，Kimi K3展示连续运行完成复杂任务的能力，腾讯混元Hy3则试图结合微信生态探索智能体应用。但Agent在实际工作中仍不成熟。独立开发者北城表示，目前部分智能体产品的短板不在能不能调用工具，而在任务调度能力。例如，Codex的Ultra模式会开启很多子代理，不同的子代理重复读取同一个文件，进行类似分析，最后Token消耗增加，但真正有效的工作并没有增加。在他看来，智能体能力提升不能只靠增加子代理数量，关键在于能否判断哪些任务值得分析、哪些步骤可以省略。姚宇航的看法类似。他认为智能体是目前最值得关注的方向，但离真正成熟还有距离。在他看来，医疗、金融等垂直领域的智能体仍有较大机会；下一阶段拉开差距的关键不只是模型能力本身，还在于智能体在具体场景中好不好用、客户愿不愿意买单。国产模型则通过不同能力的提升寻找突破口。Kimi K3选择强化长上下文、前端编程和产品设计能力，在多个编程测试中进入头部位置，能力接近国外闭源旗舰模型。参数规模与推理效率之间的竞争，也成为另一条主线。7月发布的多款模型进入了万亿甚至数万亿参数区间，但参数规模已经不能简单等同于能力高低。随着MoE架构的发展，模型可以拥有更大的参数容量，同时只激活其中一小部分来完成推理，降低实际计算成本。行业由此形成两条路线：一是继续扩大规模，用更大参数换更强能力；二是强调效率，用更小的激活参数实现接近旗舰模型的效果。价格也成为7月模型竞争中最直接的变量。海外厂商更多采取差异化定价策略。OpenAI选择进一步细分市场，将GPT-5.6拆分为不同版本，让用户根据任务复杂程度选择对应模型；Anthropic则继续维持高性能旗舰模型路线，通过Opus系列覆盖高价值开发和企业场景；Grok 4.5则采取低价策略，输出价格仅为Opus系列的四分之一，并通过与Cursor的绑定吸引开发者。国内厂商则更强调成本优势。过去半年，多家国内模型厂商持续下调API价格，希望通过低成本降低使用门槛，扩大开发者和企业用户规模。一句话总结，7月的大模型竞争已经从单一能力比拼，扩展到代码、智能体、参数效率和价格多个维度。02.谁超出预期，谁评价两极？综合相比前代的变化、榜单表现和开发者反馈，7月发布的模型的水平大致可以分为三类。先看超出预期的一类：Kimi K3、Grok 4.5、混元Hy3。其中最受关注的是Kimi K3。该模型采用MoE架构，总参数规模达到万亿级别，重点强化了长上下文、前端编程和产品设计能力。发布当天，Kimi K3就以1679分登上Code Arena前端编程榜第一，相比前代Kimi K2.6的第18名，提升17个位次。在一周后的Arena综合榜上，Kimi K3则首次进入全球Top 10。但Kimi K3也有明显的能力边界。Artificial Analysis的知识可靠性测试中，其幻觉率从Kimi K2.6的39%升至51%，输出速度约33 Token/s，远低于同类模型。开发者的实际使用感受也印证了这种“偏科”。北城认为Kimi K3相比上一代确实有明显提升，优势主要集中在前端开发、UI设计和产品表达。例如在优化网站UI、设计APP界面这类任务中，Kimi K3能产出更好的产品，但涉及复杂工程任务时，表现不够稳定。 同样受关注的还有Grok 4.5。7月9日发布后，它进入Artificial Analysis智能指数前列，并在部分工具调用测试中表现突出，被不少开发者视为性价比较高的选择。北城的体感与此一致，他认为Grok 4.5最大的优势是速度，同一个需求用它可能三五分钟就做完了，用GPT-5.6有时候要二十分钟甚至半小时，加上价格较低，适合有快速开发需求时使用。姚宇航认为，Grok 4.5的编程能力经过专门优化，搭配Cursor使用整体体验很好。一个背景是，SpaceX此前宣布收购Cursor母公司Anysphere，交易预计三季度交割；xAI与Cursor展开的数据合作，也被认为帮助Grok 4.5优化了编程体验。混元Hy3则代表了效率路线的突破。该模型总参数295B、激活参数仅21B，以不到旗舰模型五分之一的参数规模，在多个公开基准中的成绩接近体量更大的竞品模型。不过在SWE-Bench Pro中，混元Hy3的57.9分与Claude Opus 4.8的69.2分还有明显差距，说明复杂代码修复能力仍需追赶。姚宇航认为，混元Hy3跟腾讯之前的模型相比是有进步的，加上开源和小尺寸设计，是中等体量里还不错的选择。再看稳定在第一梯队、但惊喜有限的一类：GPT-5.6 Sol和Claude Opus 5。GPT-5.6 Sol和Claude Opus 5依然保持第一梯队位置，但并没有带来重大变化。GPT-5.6 Sol强化了复杂推理和智能体编程能力，在Terminal-Bench（测试模型在命令行环境中完成实际任务能力的基准）2.1测试中达到88.8%，Ultra模式进一步提升至91.9%。Claude Opus 5则继续保持复杂任务优势，更强调模型在复杂工程、代码理解和安全分析等场景中的可靠性。Opus 5的优势是性能接近Fable 5，而价格只有后者的一半。两款模型仍处于第一梯队，只是没有带来重大突破。北城提到，GPT-5.6已经能够覆盖他的大部分日常开发需求，但遇到特别复杂的问题时，会调用Opus 5来解决。不过，更强的能力也意味着更高成本。对他而言，Opus 5的定位更接近解决关键问题时调用的“专家”。最后是反馈分化、仍待验证的一类：Gemini 3.6 Flash和Qwen3.8-Max预览版。最典型的是Gemini 3.6 Flash。它在Artificial Analysis智能指数榜单上得分为50，与前代3.5 Flash持平。开发者社区比较一致的反馈是，这一代相比前代没有明显提升，表现也不如同期竞品。不过也有人认为，作为一款轻量化的模型，Gemini 3.6 Flash的输出质量基本过关。在独立开发者卡普迪姆看来，Gemini 3.6 Flash日常使用体验不错，虽然编程能力不突出，但多模态理解仍然比较出色。它支持输入任何格式的文件，日常聊天的文风和体验也好过很多竞品。Qwen3.8-Max预览版在7月上线后，模型效果不稳定，市场反馈有所差异。北城最大的感受是Qwen3.8-Max预览版的思考深度较高，但有时会陷入长时间推理，“好像自己把自己绕进去”，但最终没有给出有效解决方案。卡普迪姆则认为Qwen3.8-Max预览版低于预期，他用自己的前端审美测评集进行测评时发现，实际能力与宣传存在明显差距。作为一款仍在调整中的预览版产品，最终表现还需要等正式版发布后再验证。7月没有出现一个在所有维度都领先的模型，不同模型开始围绕具体场景形成分工。以北城为例，他会根据任务选择工具：GPT-5.6负责日常开发，Grok 4.5用于快速完成需求，Kimi K3用来做产品和前端场景，Claude Opus 5负责解决复杂问题。卡普迪姆的搭配则不同，他会使用Claude的Fable 5或Opus 5模型进行规划，再通过GPT-5.6 Sol执行。03.发布越来越快，开源闭源之争升温这轮密集发布背后