“最强模型”的保质期，正在加速缩水。
定焦One（dingjiaoone）原创
作者 | 雷晶
编辑 | 金玙璠
短短三十天里，九款旗舰级大模型密集亮相，这在以往的大模型行业并不多见。
从月初腾讯混元Hy3发布正式版并同步开源，到月末Anthropic推出Claude Opus 5，中间Kimi K3、Qwen3.8-Max预览版以及Grok 4.5等模型轮番登场。7月，成了近一年来罕见的发布洪峰期。
各家厂商抢占的时间窗口各不相同。有的趁竞品更新后的空档期迅速跟进；有的借世界人工智能大会的热度集中发声；还有的则通过调整价格策略来回应市场的激烈竞争。
但7月的意义，绝不止于发布数量的堆砌。这轮密集动作背后，折射出两个值得关注的趋势。
其一，头部模型间的性能鸿沟正在填平。根据Artificial Analysis最新发布的综合智能指数，顶尖模型之间的分数差距已显著收窄。随着版本迭代节奏加快，“最强模型”的头衔越来越难以长期稳固，厂商们不再执着于单一维度的绝对碾压，而是转而围绕特定任务场景寻找差异化优势。
其二，开源模型正式跻身第一梯队。在7月发布的新品中，腾讯混元Hy3和Kimi K3均选择了开放权重，允许开发者自行下载部署。其中，Kimi K3在Code Arena前端编程榜单上拔得头筹，力压GPT-5.6 Sol和Claude Fable 5。过去两年，开源模型多被视为闭源巨头的追赶者，而此次竞争表明，开源力量已在部分开发场景中具备了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？其背后的行业信号又是什么？
01. 告别“唯智商论”，多维战场全面开启
过去几年，大模型行业的竞争焦点主要集中在通用能力上：谁的知识库更庞大，谁的回答更精准。如今，这一评价维度已经重构。
代码能力，成为本轮争夺最激烈的阵地。
OpenAI持续深耕编程与复杂推理，不断扩张Codex生态，意图通过开发工具链锁定程序员群体。Anthropic则将重心放在代码理解与安全审计上，助力开发者应对大型项目中的工程难题。Grok 4.5主打速度与低成本，并与AI编程工具Cursor深度绑定，覆盖日常开发全流程。
大模型研究者姚宇航向「定焦One」透露，各家公司均在编程能力上重金投入，且差距迅速缩小。以Kimi K3为例，其代码能力提升显著，正逐步逼近头部闭源模型的水准。
图源 / pexels
Agent（智能体）是另一个必争之地。GPT-5.6 Sol配合Codex探索自动化编程，Opus 5侧重长程任务执行，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的新路径。
然而，Agent在实际落地中仍显稚嫩。独立开发者北城指出，当前部分智能体产品的短板并非工具调用能力，而是任务调度逻辑。例如，Codex的Ultra模式会开启大量子代理，这些子代理往往重复读取同一文件进行相似分析，导致Token消耗激增，但有效产出并未增加。在他看来，提升智能体能力不能仅靠堆砌子代理数量，核心在于能否精准判断哪些任务值得深入、哪些步骤可以省略。
姚宇航的观点与之相近。他认为智能体是当前最具潜力的方向，但距离真正成熟尚有时日。他指出，医疗、金融等垂直领域仍存在巨大机会；下一阶段拉开差距的关键，不仅取决于模型本身的能力，更取决于智能体在具体场景中的易用性以及客户的付费意愿。
国产模型则通过强化特定能力寻找突破口。Kimi K3聚焦长上下文、前端编程及产品设计能力的提升，在多项编程测试中跻身头部，实力接近国外闭源旗舰。
参数规模与推理效率的博弈，构成了另一条主线。
7月发布的多款模型参数规模迈入万亿甚至数万亿级别，但参数多少已不再直接等同于能力高低。随着MoE（混合专家）架构的普及，模型虽拥有海量参数容量，却只需激活其中一小部分即可完成任务，从而大幅降低实际计算成本。
业界由此分化出两条路线：一是继续扩大规模，试图用更大的参数量换取更强的能力上限；二是强调效率，追求以更小的激活参数实现接近旗舰模型的效果。
价格，成为7月市场竞争中最直观的变量。
海外厂商倾向于差异化定价。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坚守高性能旗舰路线，通过Opus系列覆盖高价值开发与企业场景；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。
国内厂商则更凸显成本优势。过去半年，多家国内模型厂商持续下调API价格，意在通过低成本降低使用门槛，扩大开发者与企业用户基数。
简而言之，7月的大模型竞争已从单一能力比拼，扩展至代码、智能体、参数效率及价格等多个维度。
02. 谁超预期？谁两极分化？
综合对比前代升级、榜单表现及开发者反馈，7月发布的模型水平大致可划分为三类。
首先是超出预期的一类：Kimi K3、Grok 4.5、混元Hy3。
其中，Kimi K3关注度最高。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。发布当日，Kimi K3即以1679分登顶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，它在Arena综合榜上也首次闯入全球Top 10。
但Kimi K3的能力边界同样明显。在Artificial Analysis的知识可靠性测试中，其幻觉率从Kimi K2.6的39%上升至51%，输出速度约为33 Token/s，远低于同类模型水平。
开发者的实际体验印证了这种“偏科”现象。北城认为，Kimi K3较上一代确有显著提升，优势集中于前端开发、UI设计和产品表达。例如在优化网站UI或设计APP界面时，它能产出更优方案；但在涉及复杂工程任务时，表现则不够稳定。
图源 / pexels
同样备受瞩目的还有Grok 4.5。7月9日发布后，它迅速进入Artificial Analysis智能指数前列，并在部分工具调用测试中表现亮眼，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的最大优势在于速度，同一需求用它可能三五分钟就能搞定，而用GPT-5.6有时需耗时二十分钟甚至半小时。加之价格低廉，非常适合快速开发场景。姚宇航也指出，Grok 4.5的编程能力经过专门优化，搭配Cursor使用体验良好。值得注意的是，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，在多个公开基准测试中成绩接近体量更大的竞品。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，显示其在复杂代码修复能力上仍需追赶。
姚宇航评价称，混元Hy3相比腾讯过往模型确有进步，加上开源和小尺寸设计，在中等体量产品中是个不错的选择。
其次是稳定在第一梯队、但惊喜有限的一类：GPT-5.6 Sol和Claude Opus 5。
这两款模型依然稳居第一梯队，但未带来颠覆性变化。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的优势在于性能接近Fable 5，而价格仅为后者的一半。
两款模型虽处第一梯队，却缺乏重大突破。
北城提到，GPT-5.6已能覆盖他大部分日常开发需求，但遇到特别棘手的问题时，他会调用Opus 5来解决。不过，更强能力伴随更高成本。对他而言，Opus 5更像是一个解决关键问题的“专家”角色。
最后是反馈分化、尚待验证的一类：Gemini 3.6 Flash和Qwen3.8-Max预览版。
典型代表是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。开发者社区普遍反馈，这一代相比前代无明显提升，表现也不如同期竞品。但也有观点认为，作为一款轻量化模型，Gemini 3.6 Flash的输出质量基本达标。
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，但多模态理解依然出色。它支持输入任意格式文件，日常聊天的文风和体验也优于许多竞品。
Qwen3.8-Max预览版自7月上线以来，模型效果波动较大，市场反馈不一。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，“仿佛把自己绕进去了”，最终却未给出有效解决方案。卡普迪姆则认为其表现低于预期，他用自有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落差。作为一款仍在调整中的预览版，最终表现还需等待正式版发布后再行验证。
7月并未出现一款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，他会根据任务灵活切换工具：GPT-5.6负责日常开发，Grok 4.5用于快速响应需求，Kimi K3专攻产品和前端场景，Claude Opus 5则解决复杂难题。卡普迪姆的搭配则不同，他习惯使用Claude的Fable 5或Opus 5进行规划，再通过GPT-5.6 Sol执行。
03. 迭代加速，开源闭源之争再升温
这轮密集发布背后，隐藏着几个值得深思的问题：模型迭代为何越来越快？为何集中在7月爆发？开源又是如何冲击现有商业模式的？
首先，模型迭代方式正在发生根本性转变。过去，大模型能力提升主要依赖重新训练更大规模的模型，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手段。
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。如今许多模型的提升无需从头训练，而是在已有基础模型上继续优化，通过强化学习、自我迭代等方式增强能力。
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仅有几周。若发布节奏跟不上，便很快会被新版本覆盖。对厂商而言，发布模型不仅是技术展示，发布时间本身也成为竞争的一部分。
图源 / pexels
其次，7月是多重节点叠加的时间窗口。对于国内厂商，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。对于海外厂商，多家头部公司也选择在这一阶段更新模型，旨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重塑。模型能力强大不再是唯一目标，竞争已延伸至模型如何被使用、如何转化为收入。
这也是为什么开源与闭源之争在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鸿沟。但随着部分开源模型进入第一梯队，一个更现实的问题浮现：当高性能模型可免费获取，模型公司的API调用和订阅收入是否会被分流？
支持开源的一方认为，开放权重能降低技术门槛，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；而闭源阵营则担心用户被开源模型分流。Anthropic等公司指出，随着模型能力提升，开放权重可能带来安全风险，需要更严格的治理机制。
这场争论背后，实则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，进而带动更大的算力市场。对于OpenAI、Anthropic等模型公司而言，闭源模式能维持API调用和订阅收入。但也需看到另一面：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，开放权重不仅是技术路线的选择，更是争取开发者生态、云服务和后续商业化入口的关键。
7月之后，大模型竞争仍将延续。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，单靠发布一款更强的模型，越来越难建立长期优势。接下来值得观察的具体指标包括：DeepSeek V4正式版能将开源模型的能力上限推至何处，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。对这些问题的回答，会比榜单名次更能揭示这一轮混战究竟改变了什么。
*题图来源于pexels。
【站点差异】本稿将发布到 kuaixianchao.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。
