模型分类学：读懂 AI 模型的三个维度

为什么需要模型分类学

「GPT 能做吗？」「我们该用哪个模型？」——如果讨论停留在型号名上，选型就会被厂商营销牵着走。更稳的做法是先建立坐标系：任何一个模型，都可以从模态、开放性、用途三个维度定位。先明确你的需求落在坐标系的哪个格子里，再看哪个型号填得最好。

维度一：按模态分类

模态指模型处理的信息形态，它直接决定产品的输入和输出形态。

模态	输入 → 输出	典型产品场景
文本	文字 → 文字	对话助手、文案生成、摘要
图像理解	图片 → 描述/结构化数据	发票识别、截图分类、质检
图像生成	文字 → 图片	素材生成、设计草图
语音	语音 → 文字或语音	会议转写、语音客服
视频	视频/文字 → 分析或视频	内容审核、视频脚本
多模态	混合输入输出	截图问答、看图对话

产品视角：先确认你的场景是「理解」还是「生成」。理解类能力（OCR、图像分类、截图解读）成熟度高，可以直接生产化；生成类能力（图像、视频）效果惊艳，但可控性与成本仍需逐案评估。

另一个 2026 年的背景：主流旗舰（如 Gemini 3.8、DeepSeek-V4.1 Flash、Qwen3.8-Flash）已普遍原生支持多模态输入，不必再为「能不能看图」单独选型号。但「原生支持」不等于「每项视觉任务都强」，具体任务仍要实测。

维度二：按开放性分类

类型	含义	使用方式
API 闭源	权重不公开，只能调用厂商接口	注册即用，按 token 计费
开放权重	权重可下载（如 Llama、Qwen3.8、DeepSeek-V4、GLM-5）	自部署或托管，可微调

注意「开源」与「开放权重」并不完全等同：多数开放模型的许可协议允许商用，但不同协议在商用条件、部署要求上有差异，企业采用前应过一遍协议条款。

产品含义：开放性直接决定数据是否出域、能否深度定制、成本是按量付费还是固定投入。合规敏感场景（金融、医疗、政企）往往一开始就锁定开放权重自部署路线。

维度三：按用途分类

同为文本模型，用途分化已经非常细：

用途	干什么	选型关注点
通用对话	问答、写作、改写	综合能力、中文表现
推理模型	数学、逻辑、多步规划	先思考后回答，延迟与成本更高
代码模型	写代码、修缺陷	代码准确率、工具调用稳定性
嵌入（embedding）	把文本变成向量，用于搜索	语言覆盖、检索效果
重排序（reranker）	对检索结果精排	与向量检索搭配使用
语音/图像生成	生成媒体内容	风格可控性、版权归属

顺带一提，专用模型仍在细化：编程场景有 Kimi K2.7-Code、DeepSeek-V4 Flash 这类为编码与 Agent 优化的型号，Agent 能力本身也成为 2026 年各家旗舰的主打方向，选型时值得单独列为评测维度。

产品决策提示：一个 RAG 产品至少涉及三类模型——生成模型、嵌入模型、（可选的）重排序模型。把它们当成三次独立选型，而不是「选一个模型解决全部」。还要注意联动成本：嵌入模型一旦更换，向量库需要全量重建，这类依赖要提前写进技术方案。

三步选型流程

1. 定格子：写下场景的模态（文本理解还是图像理解？）、开放性约束（数据能出域吗？）、用途（对话生成还是检索？）；
2. 列候选：在该格子里列 2-3 个候选，国际与国产各占一席，避免单一厂商锁定；
3. 跑评测：用自己的真实数据做小规模评测，榜单排名只当初筛依据。

📊 信息时效：模型版本迭代极快，本节数据以 2026 年 9 月为基准。选型时请以各厂商官网与最新基准测试为准，关注「能力匹配 > 版本新旧」。

本节要点

• 模态、开放性、用途三个维度构成模型选型坐标系：先定位需求，再挑型号，避免被营销话术带偏。
• 理解类多模态（OCR、截图分类）已可生产化，生成类（图像、视频）要重点评估可控性与成本。
• 开放性决定数据合规、定制深度与成本结构；「开源」与「开放权重」不完全等同，商用前看协议。
• 用途分化意味着一个产品常需多种模型：生成、嵌入、重排序是三次独立选型，注意向量库重建等联动成本。
• 榜单只做初筛，最终用自己的评测集说话。