“最强模型”的保鲜期正在加速缩短。

定焦One（dingjiaoone）原创

作者 | 雷晶

编辑 |金玙璠

大模型行业鲜少见到一个月内扎堆发布9款旗舰模型的景象，但7月确实发生了这样的事。

从月初腾讯混元Hy3正式发布并开源，到月末Anthropic推出Claude Opus 5，中间Kimi K3、Qwen3.8-Max预览版、Grok 4.5等型号相继亮相。这一年里，7月成了罕见的发布高峰。

各家厂商选用的节奏各不相同。有的盯着竞品更新后的空档期跟进，有的借着世界人工智能大会的热度登场，还有的直接用价格调整来应对市场厮杀。

不过，7月不仅是因为数量多才引人注目，更关键的是这轮密集发布折射出两个深层变化。

其一，头部模型间的能力鸿沟在收窄。Artificial Analysis最新发布的综合智能指数显示，顶尖模型之间的分数差距已明显缩小。随着版本迭代速度加快，“最强”头衔越来越难长期固守，厂商们不再执着于单一维度的绝对领先，而是转向在不同任务场景中寻找各自的长板。

其二，开源模型正强势挤入第一梯队。7月的新品中，腾讯混元Hy3、Kimi K3等都选择了开放权重——即公开模型参数，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ClaudeFable 5。过去两年，开源往往被视为闭源的追随者，但此番角逐表明，开源模型已在部分开发场景中具备了与闭源巨头正面交锋的实力。

这一个月的密集动作，究竟带来了什么实质改变？又预示着怎样的未来？

01. 告别唯智力论

曾几何时，大模型行业的较量聚焦于通用能力：谁的百科知识更渊博，谁的回复更精准。如今，竞争的维度早已重构。

代码能力成为当前最激烈的战场。

OpenAI持续加码编程与复杂推理，并不断扩充Codex生态，意图通过开发工具锁定程序员群体。Anthropic则押注代码理解与安全审计，协助开发者攻克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，差距迅速拉近。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平。

图源 / pexels

Agent（智能体）是另一处争夺高地。GPT-5.6 Sol结合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则尝试结合微信生态探索智能体应用。

但在实际落地层面，Agent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，这些子代理重复读取同一文件进行类似分析，导致Token消耗激增，而有效产出并未增加。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分析、哪些步骤可以省略。

姚宇航的观点与之相近。他认为智能体虽是目前最值得关注的方向，但距离真正成熟尚有距离。他预测，医疗、金融等垂直领域的智能体仍有巨大机会；下一阶段拉开差距的关键，不仅取决于模型本身的能力，更在于智能体在具体场景中是否好用、客户是否愿意买单。

国产模型则试图通过差异化能力的提升寻找突破口。Kimi K3着力强化长上下文、前端编程及产品设计能力，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区间，但参数量已不再直接等同于能力强弱。随着MoE（混合专家）架构的发展，模型虽拥有庞大参数容量，却只需激活其中一小部分即可完成推理，从而降低实际计算成本。

业界由此分化出两条路径：一是继续扩大规模，试图用更大参数换取更强性能；二是强调效率，以更小的激活参数实现接近旗舰的效果。

价格也成为7月竞争中最直接的变量。

海外厂商多采用差异化定价。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，并凭借与Cursor的绑定吸引开发者。

国内厂商更凸显成本优势。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？

综合前代对比、榜单表现及开发者反馈，7月发布模型的水平大致可归为三类。

先看超出预期的一类：Kimi K3、Grok 4.5、混元Hy3。

最受瞩目的无疑是Kimi K3。该模型采用MoE架构，总参数规模达万亿级别，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综合榜上首次闯入全球Top 10。

但Kimi K3也存在明显的短板。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”。北城认为，Kimi K3较上一代确有显著提升，优势集中在前端开发、UI设计和产品表达领域。例如在优化网站UI、设计APP界面等任务中，Kimi K3能产出更优结果，但在涉及复杂工程任务时，表现尚不稳定。

图源 / pexels

同样备受关注的还有Grok 4.5。7月9日发布后，它迅速跻身Artificial Analysis智能指数前列，并在部分工具调用测试中表现抢眼，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经过专门的编程优化，搭配Cursor使用体验良好。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，也被认为助力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。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，表明其在复杂代码修复能力上仍需追赶。

姚宇航评价称，混元Hy3相较腾讯过往模型有进步，加上开源和小尺寸设计，是中体量模型中的不错选择。

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。

这两款模型依旧稳居第一梯队，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。

两款模型仍处于第一梯队，只是缺乏重大突破。

北城提到，GPT-5.6已能满足他大部分日常开发需求，但遇到极复杂问题时，会调用Opus 5解决。不过，更强的能力意味着更高成本。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。

最具代表性的是Gemini 3.6 Flash。它在Artificial Analysis智能指数榜单上得分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，表现亦不及同期竞品。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日常使用体验尚可，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7月上线后，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。卡普迪姆则认为其低于预期，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差距。作为一款仍在调整中的预览版产品，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，他会依任务选用工具：GPT-5.6负责日常开发，Grok 4.5用于快速完成需求，Kimi K3处理产品和前端场景，Claude Opus 5解决复杂问题。卡普迪姆的搭配则不同，他使用Claude的Fable 5或Opus 5进行规划，再通过GPT-5.6 Sol执行。

03. 发布提速，开源闭源之争加剧

这轮密集发布背后，有几个核心问题值得剖析：模型迭代为何日益加速，为何集中发生在7月，以及开源如何冲击现有商业模式。

首先，模型迭代方式正在转变。过去，大模型能力提升主要依赖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。如今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、自我迭代等方式增强能力。

这意味着模型竞争的周期在缩短。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或许只有几周。发布节奏一旦跟不上，就可能很快被新版本覆盖。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环。

图源 / pexels

其次，7月是多重节点叠加的时间。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，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演变。模型能力强劲不再是唯一目标，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，一个更现实的问题浮现：当高性能模型可免费获得，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会被开源模型分流。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。

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，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，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，大模型竞争还将持续。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。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 zonglanpress.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。