上个月帮一个家电品牌赶618会场文案，我把同一个产品 brief 丢给7个国产模型，要求输出可以直接替换详情页的段落。跑完第一轮，7份结果里只有1份没出现“采用先进压缩机技术”“完美融入现代家居”这种废话。另外6份要么自己加戏，要么把34dB噪音写成“图书馆级静音”，品牌方看完差点把我拉黑。
后来我把国内主流模型按任务场景重新拉了一遍评测，不看跑分，只看能不能把活干好，结果和你在各种榜单上看到的差挺多。
别迷信综合排名，那东西是针对刷榜设计的
现在你去搜“国产大模型排名”，出来的基本是 C-Eval、CMMLU 这类知识评测集上的准确率。但做过 SEO 内容的人都知道，知识类多选题得分高，不代表模型能写出一段不会触发用户跳出率的 H2。我自己的习惯是把模型按三类任务拆开看：强推理、强写作、强指令跟随。
推理能力最强的，第一梯队仍然是 DeepSeek-V3 和 Qwen2.5-72B。 DeepSeek 在需要多步逻辑拆解的任务上明显更稳，比如我让它分析一段竞品文案的转化漏洞，它能自动拆出“信任信号缺失”“信息层级混乱”这些点，而且每点后面会跟一个可以直接执行的修改建议。Qwen2.5-72B 在小样本推理上表现也不错，但在需要保持长上下文一致性的任务里偶尔会崩，比如分析一篇文章的三层结构，跑到第三层时它会忘记第一层自己的判断。如果你在做 AI 落地产品，对响应时间有要求，那推理这一步的延迟差距会被放大。我测过，在相同任务下，未经量化优化的开源模型一次复杂推理延迟可能超过3秒，用户早就关闭页面了。关于怎么把延迟从3秒压到800ms，我之前踩过一套完整的坑，这篇 大模型推理延迟优化 里有每一步的验证数据，这里不展开。
写作任务：别让模型自由发挥，它一定会把稿子写废
写作这件事，排名最高的模型反而最容易翻车。我测下来，Claude 3.5 Sonnet 在中文非虚构写作上依然是断层第一，其次是豆包（字节版），然后是通义千问 2.5。但有个前提：你必须用极端详细的 prompt 把它��死，包括指定信息密度、禁用词汇表、句子长度限制。
举个例子，我让这几个模型写一篇“扫地机器人避障能力”的小红书种草文。Claude 给的正文第一句是：“这台机器在我家猫面前猛刹车的样子，比科目二教练还胆小。” 而另一个主流模型给的是：“随着智能家居的普及，扫地机器人已成为现代家庭的必备好物。” 后者这种开头，在真实流量环境里打开率会直接腰斩。
这就是为什么很多 SEO 团队上了 AI 写作工具后，排名不升反降。你让通用模型写文章，它会默认生成那种“安全但没人读”的东西。我在用 Claude 做 SEO 内容优化的过程里，靠5条 GEO 关键词的排名变化硬碰硬验证过哪些策略真的有效，这部分实战记录在 Claude SEO优化实战 里，大家可以对照自己的数据看是不是同一个模式。
所以，如果以写作为核心需求，我的排名是：
1. Claude 3.5 Sonnet（需强约束 prompt）
2. 豆包（中文网感最好，但偶尔踩雷）
3. 通义千问 2.5（稳定性高，创造力弱）
4. 文心一言 4.0（超长文本结构强，短文案容易油腻）
指令跟随：这件事做不好，别的都白搭
去年我测试过一个场景：让模型按照给定的 JSON 结构输出 SEO 标签数据。很多模型跑几轮之后就开始自作主张加字段，比如我让它输出 `title, description, keywords`，它突然多了一个 `og:image`，理由是“我猜你可能需要”。
现在各个厂商的指令跟随能力提升很快，但差距仍然明显。MiniMax 和 GLM-4 在严格格式跟随上表现最好；DeepSeek 和 Qwen 偶尔会在长对话的后段忽略早期指令；文心一言 4.0 在复杂嵌套指令里容易丢失层级。
如果你是做流程自动化，比如要把每日热榜生成一份固定结构周报，那指令跟随的稳定性比文采重要的多。我现在的做法是：把模型输出后结构验证这一步写死在流程里，用 `jsonschema` 直接校验，格式不对就立刻打回重跑，绝不依赖模型自觉。
多模态和长上下文：各家路线不一样
多模态这事目前国内没有绝对的王者。图文理解上，Step-2 和通义千问 VL 版本能看复杂的表格和流程图，但真到拍一张货架照片让它数有多少瓶饮料，错误率还不低。视频理解还停留在“描述这个6秒片段”的阶段，没法做跨镜头逻辑分析。
长上下文这边，Kimi 依然在第一梯队，百万级 token 下信息召回准确率我测出来能保持85%以上。通义千问和 DeepSeek 也追得很快，但 Kimi 在“大海捞针”测试里对藏在中间偏后位置的关键信息抓得最稳。
别盯着排名，要盯着你要干的活
回到最开头那个618案例。最后我用的方案是：Claude 生成初稿，豆包做网感润色，DeepSeek 做竞品逻辑拆解。三个模型串成一条流水线，文案转化率比去年纯人工写的还高了14%。
所以如果有人问我“国内大模型哪个最强”，我会反问一句：你要拿它干什么？写小红书、拆数据报告、写代码、做长文档问答……答案都不一样。把场景拆到最小粒度，拿自己业务的真实数据去跑一轮 A/B 测试，比任何第三方排名都有用。
现在这个时间点，国内大模型备案通过的数量已经是北京一个城市就有242个，具体分析可以看 北京AI大模型备案分析，这意味着基础能力正在变成水电煤，真正拉开差距的，是你用这个水电煤做出了什么菜。