“最强模型”的保鲜期正在变短。
定焦One（dingjiaoone）原创
作者 | 雷晶
编辑 |金玙璠
短短一个月，9款旗舰级大模型集中亮相，这在行业里并不多见。
从月初腾讯混元Hy3发布正式版并开源，到月末Anthropic推出Claude Opus 5，中间Kimi K3、Qwen3.8-Max预览版、Grok 4.5等模型也陆续登场。7月成了近一年来少有的发布高峰。
各家选的时间点各有讲究。有的厂商借竞品更新后的空档期跟进，有的趁着世界人工智能大会前后亮相，还有的通过调整价格来应对市场博弈。
但7月的意义不止在于数量多，更在于这轮发布折射出的两个趋势。
其一，头部模型间的性能鸿沟在缩小。Artificial Analysis最新综合智能指数显示，前列模型的分差已明显收窄。随着版本迭代加速，“最强模型”的位置越来越难长期稳固，大家开始围绕特定任务寻找优势，而非单纯追求单一维度的绝对领先。
其二，开源模型正跻身第一梯队。7月发布的新模型中，腾讯混元Hy3、Kimi K3等都选择了开放权重。其中，Kimi K3在Code Arena前端编程榜单中夺魁，超越了GPT-5.6 Sol和ClaudeFable 5。过去两年，开源模型常被视为闭源模型的追赶者，而这轮竞争表明，开源模型已在部分开发场景中具备与闭源模型正面交锋的实力。
那么，这一个月的密集发布究竟带来了哪些实质变化？又预示着什么？
01.不再只比谁更聪明
过去几年，大模型行业的较量主要集中在通用能力上：谁的知识库更广，谁的回答更精准。如今，竞争的维度已经转移。
代码能力成为最激烈的争夺焦点。
OpenAI继续强化编程及复杂推理能力，并不断拓展Codex生态，试图通过开发工具绑定程序员用户。Anthropic押注代码理解与安全审计，协助开发者处理大型项目中的复杂工程难题。Grok 4.5则主打速度与低成本，并与AI编程工具Cursor深度绑定，覆盖日常开发场景。
大模型研究者姚宇航向「定焦One」透露，各家公司均在重点投入编程能力，差距迅速缩小。例如Kimi K3的代码能力提升显著，正逐步逼近头部闭源模型的水平。
图源 / pexels
Agent（智能体）是另一处必争之地。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展示连续运行以完成复杂任务的能力，腾讯混元Hy3则尝试结合微信生态探索智能体应用。
但在实际工作中，Agent仍显稚嫩。独立开发者北城指出，目前部分智能体产品的短板不在于能否调用工具，而在于任务调度能力。比如，Codex的Ultra模式会开启多个子代理，不同子代理重复读取同一文件进行类似分析，导致Token消耗激增，有效工作量却未增加。他认为，提升智能体能力不能仅靠堆砌子代理数量，关键在于判断哪些任务值得分析、哪些步骤可以省略。
姚宇航的观点相近。他认为智能体是目前最值得关注的方向，但距离真正成熟尚有时日。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，不仅是模型本身的能力，更在于智能体在具体场景中是否易用、客户是否愿意买单。
国产模型则通过强化不同能力寻找突破口。Kimi K3侧重增强长上下文、前端编程和产品设计能力，在多项编程测试中跻身头部，实力接近国外闭源旗舰模型。
参数规模与推理效率之间的博弈，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，但参数规模已不再简单等同于能力高低。随着MoE架构的发展，模型可拥有更大的参数容量，同时仅激活一小部分来完成推理，从而降低实际计算成本。
行业由此分化出两条路线：一是继续扩大规模，用更大参数换取更强能力；二是强调效率，用更少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。
海外厂商多采取差异化定价策略。OpenAI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度选择对应模型；Anthropic维持高性能旗舰路线，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，并借助与Cursor的绑定吸引开发者。
国内厂商更强调成本优势。过去半年，多家国内模型厂商持续下调API价格，旨在通过低成本降低使用门槛，扩大开发者和企业用户规模。
简言之，7月的大模型竞争已从单一能力比拼，扩展至代码、智能体、参数效率和价格等多个维度。
02.谁超出预期，谁评价两极？
综合前代变化、榜单表现及开发者反馈，7月发布的模型水平大致可分为三类。
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，总参数量达万亿级别，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即以1679分登上Code Arena前端编程榜榜首，相比前代Kimi K2.6的第18名，跃升17个位次。一周后的Arena综合榜上，Kimi K3首次进入全球Top 10。
但Kimi K3也有明显的能力边界。在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。
开发者的实际体验也印证了这种“偏科”。北城认为Kimi K3相比上一代确有显著提升，优势集中在前端开发、UI设计和产品表达。例如在优化网站UI、设计APP界面等任务中，Kimi K3能产出更佳方案，但涉及复杂工程任务时，表现不够稳定。
图源 / pexels
同样受关注的是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，被不少开发者视为高性价比之选。
北城的体感与此一致。他认为Grok 4.5的最大优势是速度快，同一需求用它可能三五分钟搞定，而用GPT-5.6有时需二十分钟甚至半小时，加之价格较低，适合有快速开发需求的场景。姚宇航认为，Grok 4.5的编程能力经过专门优化，搭配Cursor使用整体体验良好。背景方面，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，也被认为有助于优化Grok 4.5的编程体验。
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分仍有明显差距，说明复杂代码修复能力仍需追赶。
姚宇航认为，混元Hy3相比腾讯之前的模型是有进步的，加上开源和小尺寸设计，是中等体量里的不错选择。
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，但未带来重大变化。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，只是缺乏重大突破。
北城提到，GPT-5.6已能覆盖他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。开发者社区较一致的反馈是，这一代相比前代无显著提升，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，虽编程能力不突出，但多模态理解仍较出色。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”，最终未给出有效解决方案。卡普迪姆则认为Qwen3.8-Max预览版低于预期，他用自己制作的前端审美测评集进行测试时发现，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，有几个问题值得剖析：模型迭代为何越来越快？为何集中在7月？以及开源为何冲击现有商业模式？
首先，模型迭代方式正在改变。过去，大模型能力提升主要依靠重新训练更大规模模型，周期长、成本高。但随着强化学习、后训练（在基础模型训练完成后，通过微调、强化学习等方式继续优化模型表现）等技术成熟，模型升级开始更多依赖训练后的优化。
姚宇航告诉「定焦One」，近两年模型发布速度明显加快，一个重要原因是行业已掌握更成熟的后训练方法。现在很多模型的提升无需重新训练，而是在已有基础模型上继续优化，通过强化学习、自我迭代等方式提升能力。
这意味着，模型竞争的周期正在缩短。过去，一个领先模型可能保持数月优势；现在，版本更新带来的领先窗口可能只有几周。发布节奏跟不上，就可能很快被新版本覆盖。对厂商而言，发布模型不只是技术展示，发布时间本身也成为竞争的一部分。
图源 / pexels
其次，7月是多个节点叠加的时间。对于国内厂商而言，世界人工智能大会（WAIC）在7月举行，厂商集中在此前后发布模型、展示技术进展。对海外厂商而言，多家头部公司也选择在这一阶段更新模型，希望在开发者生态和商业竞争中占据主动。
再者，行业的竞争规则正在变化。模型能力够强不再是唯一目标，竞争已延伸至模型如何被使用、如何转化为收入。
这也是为什么开源和闭源之争在7月再次升温。长期以来，开源模型与闭源模型之间存在能力差距。但随着部分开源模型进入第一梯队，一个更现实的问题出现：当高性能模型可以免费获得，模型公司的API调用和订阅收入会不会被分流？
支持开源的一方认为，开放权重能够降低技术门槛，让更多企业和开发者参与AI创新。开源意味着技术提供方主动让渡部分利益，推动生态发展；而闭源阵营则担心自己的用户会被开源模型分流。Anthropic等公司认为，随着模型能力提升，开放权重可能带来安全风险，需要更严格的治理。
这场争论背后，其实对应着不同公司的利益诉求。对于英伟达等基础设施企业而言，模型开放意味着更多部署需求，也意味着更大的算力市场。对于OpenAI、Anthropic等模型公司而言，闭源模式能够维持API调用和订阅收入。不过也要看到另一面：开源确实会扩大部署需求，但随着参数效率提升，单位任务的算力消耗也可能被摊薄，算力市场的增量未必与模型开放程度同步。对国内厂商而言，开放权重不只是技术路线的选择，也是在争取开发者生态、云服务和后续商业化的入口。
7月之后，大模型竞争还会继续。开发者社区普遍预计，DeepSeek V4正式版、Fable 5.1、GPT-6等新模型将在8月陆续发布。
模型能力差距正在缩小，单靠发布一个更强的模型，越来越难建立长期优势。接下来值得观察几个具体指标：DeepSeek V4正式版能把开源模型的能力上限推到哪里，API价格是否继续下探，智能体能否出现稳定的付费场景，以及开源模型能否进入更多企业的私有化部署。这些问题的答案，会比榜单名次更能说明这一轮混战真正改变了什么。
*题图来源于pexels。
【站点差异】本稿将发布到 baodaotoday.com。请换一种措辞、句式与段落节奏，避免与发往其他站点的版本雷同；事实与数字仍必须与原文一致。