说实话，如果你真的在关注国内大模型这个行业，就会发现它已经不是两年前那个各家比谁参数大、比谁跑分高的阶段了。现在这场仗打的东西更复杂——既要有真本事，又得能活下去。
基础能力这条线，国内还没追上
先不讲商业化，就说基础模型的纯技术水平，国内厂商整体上还比不过Anthropic。Kimi、智谱、MiniMax这几家差距其实不大，本质上的路子都差不多——MoE架构、在Agent和Coding上做强化学习，再借鉴一些国外模型的做法。说白了，大差不差。 多模态这块是个老大难问题，一直被吹，但实际上没几家真正做到了。真正的多模态，标准应该是同一个基座模型，既能理解图文，又能直接输出图文，不靠外挂别的模型拼凑。就连Google的Gemini，输出时也需要调用Imagen模型，算不上完全的原生多模态。GPT-4o做到了输入输出统一，但输出端用的也不是最顶尖的生成模型。国内的情况更别提了，千问3.5算是形式上迈出了一步，但还不是端到端的架构。 顺带说一句，跟多模态类似的难题还有RAG知识库里的PDF解析。复杂排版的PDF——扫描件、多栏、密集表格、公式这种——到现在还没有哪家能拿出一个通用的成熟方案，MinerU和PaddleOCR商业化了，但复杂场景依然要靠混合方案凑合。
国内各家在干什么
先说几个大方向：商业化能不能跑通，很大程度上取决于两件事。一是有没有原有业务输血，字节、阿里这种大厂能用主业利润补贴AI投入，创业公司就只能靠融资扛着；二是有没有数据飞轮，你的产品能不能持续产出高质量的行业数据，直接决定模型能不能越用越好。
千问做的是生态广度，覆盖从小到大全尺寸的可微调模型，跟国产算力适配也做得比较到位。在B端企业市场占了大约三分之一的份额。它走的是平台路线，有点像B端的安卓——你做完POC测试，发现长文本可能不如Kimi，Coding可能不如智谱，但最后还是会部署千问，因为落到实处的时候你要的是整套解决方案。
Kimi在C端做的扎实，长文本处理和深度研究Agent是真正的强项。它的用户群主要是咨询投研的研究员，以及需要快速出前端demo的产品经理，这两类人付费意愿强，出海做得也不错。劣势是算力依赖外部租赁，视觉和语音生成模块还不完整。
智谱主攻B端企业交付，私有化部署、企业代码助手、行业Agent，客户是政府、能源、金融这些。编程能力在国内属于顶尖水准，GLM系列在多个权威榜单上跟Anthropic、OpenAI并列过第一。它正在把重心从项目制往API订阅制转移，GLM Coding Plan上线两个月ARR就突破了一亿元，这个数字说明开发者愿意为好用的Coding工具持续付钱。不过算力资源一直比较紧张，偶尔会出现套餐售罄的情况。
MiniMax早期用低价策略和C端陪伴产品打开市场，现在主要押注在视频生成和多模态方向，MiniMax M2.7在OpenRouter上的消耗量一度排全球第一。它的稳定性在几家里是最好的，服务可用性比较扎实。 豆包的C端流量是最大的，日活破亿，视频生成也处于第一梯队。2025年下半年整体性能提升明显，已经坐稳国内第一梯队。但AI编程这块刚起步，跟智谱、Kimi还有差距。 DeepSeek不太在乎商业化，偏技术型，架构创新能力强，开源影响力大，推理成本是行业最低。算法人才走了不少，下一代模型的发布节奏受到一些影响。 数据飞轮，这才是长期壁垒
比模型架构和算力更难复制的，其实是各家的数据飞轮。AI Coding的飞轮转速是最快的——程序员每次让AI写代码、看报错、决定要不要提交，都在产出极高质量的反馈。代码对不对是相对客观的，判定标准清晰，模型能学得快。
视频生成的飞轮也不慢，字节和快手靠着创作者调整prompt的过程积累垂直数据，抖音每天有海量的用户行为在不知不觉中做着数据标注。
通用聊天的飞轮最慢，用户群体太杂，数据密度低，效果甚至不如精心设计的合成数据。
从数据资源的角度划分，字节和快手因为有现成的视频生态，飞轮更强一些；智谱靠着B端编程场景积累高质量代码数据；阿里有电商和Agent交易数据，但转化周期长；MiniMax的C端陪伴数据信噪比相对低，飞轮效应弱一点。
国内大模型的竞争，从"百模大战"到现在，已经进入了一个更现实的阶段：技术要能打，商业化要跑通，数据要能持续产出，三件事缺一不可。这场仗还没打完，但格局正在快速清晰起来。
AI 速览
