本文來自微信公眾號：AIGC從0到1，作者：王零壹，原文標(biāo)題：《別再問追沒追上：中美大模型的真實差距在這里（1.5萬字）》，題圖來自：視覺中國

截至 2026 年 6 月 7 日，在哪些場景里，中國模型已經(jīng)追上了？在哪些場景里，差距仍然真實存在？

我的結(jié)論很明確：中國頭部模型已經(jīng)不再是全面落后一代，但也不能說已經(jīng)全面追平。

真實世界里的答案，是“場景分裂”。

中國模型在開源、本地部署、中文語境、成本效率、部分 OCR/文檔理解、短視頻生成上，已經(jīng)接近甚至局部領(lǐng)先。

但在高穩(wěn)定性的長程 agentic coding、復(fù)雜工具調(diào)用、企業(yè)級低故障率、多模態(tài) GUI 自動化、全球信任和產(chǎn)品生態(tài)上，美國/西方頭部閉源模型仍有明顯實用優(yōu)勢。

探索這個問題的過程中，沒按廠商發(fā)布會的說法判斷，也不只看 benchmark。

我更看重真實采用和真實使用反饋：誰真的在用，誰長期用，誰愿意付費(fèi)，誰會在復(fù)雜任務(wù)里放心交給模型。

01 先說證據(jù)邊界

這份判斷以真實采用與真實使用反饋為主，公開 benchmark 只作為輔助。

證據(jù)權(quán)重大致是：

-開源平臺下載與 API/路由用量。

-開發(fā)者社區(qū)長期使用反饋。

-GitHub / Hugging Face 問題單。

-企業(yè)和產(chǎn)品部署披露。

-媒體報道。

-廠商自測。

這里有一個限制必須先說清楚。

Reddit、GitHub、Hugging Face、OpenRouter、Hacker News、X 的內(nèi)容相對可查；知乎文章可檢索，但評論粒度有限；Bilibili 評論、Discord 私域群、國內(nèi)企業(yè)內(nèi)網(wǎng)部署反饋，可見度都很低。

所以，對“國內(nèi)真實使用情緒”的判斷，置信度低于對 Hugging Face / Reddit / GitHub 生態(tài)的判斷。

02 核心判斷：不是“一代差”，而是“場景分裂”

總體判斷可以壓縮成一句話：

中國模型在 base/open model 層已經(jīng)很強(qiáng)；美國/西方在閉源前沿、產(chǎn)品化 RL、agent harness、企業(yè)部署閉環(huán)上仍強(qiáng)。

最強(qiáng)證據(jù)來自開源生態(tài)。

Hugging Face 2026 年開放模型報告顯示，中國模型在開放模型下載中已經(jīng)形成顯著份額：過去一年中國模型占下載量約 41%，而且 2025 年以來，大量熱門新模型來自中國，或者基于中國模型派生。

更重要的是，獨(dú)立量化、適配器、微調(diào)者的下載占比也在上升。

這說明真實使用并不只是原廠模型，而是圍繞 Qwen、DeepSeek 等形成了社區(qū)飛輪。

Qwen3 在 Hugging Face 上從 0.6B 到 235B 的多個尺寸都有百萬級甚至千萬級下載。Qwen3-0.6B、4B、8B 這些小模型下載尤其高。DeepSeek R1 / R1-0528 與多個 distill 版本，也有數(shù)十萬到數(shù)百萬級下載。

但“開放模型下載領(lǐng)先”，不等于“全球 AI 應(yīng)用采用領(lǐng)先”。

a16z 2026 年消費(fèi) AI 應(yīng)用榜顯示，ChatGPT 仍是最大消費(fèi) AI 產(chǎn)品，網(wǎng)頁月流量約為第 2 名 Gemini 的 2.7 倍，移動端 MAU 約為 Gemini 的 2.5 倍。Claude 和 Gemini 的美國付費(fèi)用戶增長很快，但仍被 ChatGPT 遠(yuǎn)遠(yuǎn)甩開。

中國國內(nèi)是另一個格局。

Reuters 引 QuestMobile 數(shù)據(jù)稱，豆包是中國最常用 AI 聊天應(yīng)用，周活 1.55 億；DeepSeek 第二，周活 8160 萬。春節(jié)期間豆包 DAU 一度破 1 億，Qwen 依靠“下單、代理功能”等實用功能留存相對更好。

所以，“中國模型全球采用領(lǐng)先”只在開放權(quán)重和開發(fā)者生態(tài)中更接近成立。

在全球消費(fèi)者、企業(yè)付費(fèi)、閉源前沿模型調(diào)用中，并不成立。

03 真正的代差：穩(wěn)定性，不是聰明度

很多討論會把問題說成“誰更聰明”。

但真實用戶的反饋不是這樣。

Reddit / LocalLLaMA / Hugging Face 上反復(fù)出現(xiàn)的模式是：

Qwen、DeepSeek、Kimi、GLM 在單輪問題、短程編碼、局部任務(wù)、中文材料、私有部署中非常強(qiáng)。

但任務(wù)一旦變成長程，差距就出來了。

-跨文件修改。

-工具鏈循環(huán)。

-上下文壓縮。

-反復(fù)測試。

-GUI 操作。

-多小時 agent 任務(wù)。

這些場景里，用戶對 Claude / GPT / Gemini 的“少出意外”仍然更信任。

一個 Qwen3.6 用戶說，本地 Qwen 約有 Claude 工作流“95% 好”，但更啰嗦、更蠻干，需要更明確的完成定義。另一些用戶則明確說，復(fù)雜 agentic 任務(wù)中“definitely no Claude Sonnet 4.6”。

這就是核心差距。

中國模型不是不聰明。

而是在復(fù)雜真實工作流里，還不夠穩(wěn)定。

最樂觀的中國追趕場景，是視頻生成、中文普通對話、開源本地小模型、文檔 OCR。

最慢的場景，是高可靠長程編程代理、企業(yè)級全球部署、復(fù)雜 GUI/瀏覽器自動化，以及需要極低政治/合規(guī)不確定性的跨國使用。

04 一張表看全局

05 小模型：中國已經(jīng)非常強(qiáng)

先說小模型。

這里的小模型，指通常 <30–40B 激活參數(shù)，或者可在單卡、消費(fèi)級多卡、Mac 統(tǒng)一內(nèi)存上部署的蒸餾、MoE、邊緣模型。

例如 Qwen3-0.6B/1.7B/4B/8B/14B、Qwen3-30B-A3B、Qwen3.6-27B/35B-A3B、DeepSeek R1 distill、Phi-4、Gemma、Llama 4 Scout/Maverick、Mistral Small 等。

大/前沿模型則包括 70B+ dense、大型 MoE、閉源 API 前沿模型，例如 DeepSeek V3/V4、Qwen3-235B-A22B、Kimi K2.x、GLM-5、GPT-5.5、Claude Opus/Sonnet 4.x、Gemini 3.x。

Qwen3 技術(shù)報告顯示，Qwen3 覆蓋 0.6B 到 235B，并同時提供 dense 與 MoE 架構(gòu)，目標(biāo)就是性能、效率、多語能力的組合。

DeepSeek-V3 則是 671B 總參數(shù)、37B 激活參數(shù)的 MoE，采用 MLA、DeepSeekMoE、無輔助損失負(fù)載均衡、多 token prediction，并聲稱 14.8T token 預(yù)訓(xùn)練、2.788M H800 GPU 小時完成訓(xùn)練。

真實用戶為什么選小模型？

不是因為它“最聰明”。

而是因為：可控、便宜、夠用。

在 LocalLLaMA 里，Qwen3-30B-A3B 被反復(fù)稱為“以前 SOTA 級的智能現(xiàn)在可以跑在普通游戲機(jī)/單卡上”。有用戶在 12GB VRAM 上跑 Q6，速度約 12 tok/s；也有用戶用 8GB VRAM + LM Studio 跑 30B-A3B，靠 offload 達(dá)到可用速度。

這類反饋說明，小 MoE 的實用價值不是打敗 GPT-5.5，而是在本地、隱私、低成本場景里，把“可用智能”下沉。

用戶選擇小模型的典型場景包括：

小模型層面，中國模型相對西方開放模型的差距已經(jīng)很小。

甚至在中文、代碼、本地部署熱度上更強(qiáng)。

Qwen3-0.6B、4B、8B、30B-A3B 的下載量顯示，真實開發(fā)者并不只盯 235B 大模型，小尺寸模型反而是本地生態(tài)的主力。

西方小模型如 Phi-4、Gemma、Llama 4、Mistral Small 仍很強(qiáng)，尤其在英文、工具文檔、企業(yè)合規(guī)、Google/Microsoft/Meta 生態(tài)中有優(yōu)勢。Meta 的 Llama 4 Scout/Maverick 是開放權(quán)重、多模態(tài)、MoE 模型，Google Gemma 4 也定位于面向高級推理和 agentic 工作流的開放模型。

但從 LocalLLaMA 的實際熱度看，Qwen / DeepSeek / Kimi 在 2025–2026 的“本地可用智能”敘事里非常強(qiáng)。

前沿大模型層面，差距主要體現(xiàn)在長程穩(wěn)定性。

OpenAI 對 GPT-5.5 的定位是復(fù)雜推理、編碼、專業(yè)知識工作和工具使用，API 文檔也明確把 gpt-5.5 作為復(fù)雜推理和 coding 的起點，1M context，128K 最大輸出。

Anthropic 的 Sonnet 4.6 明確強(qiáng)化 coding、computer use、long-context reasoning、agent planning，并有 1M context beta；Claude Opus 4.8 被定位為強(qiáng)瀏覽器/電腦代理模型。

Google Gemini 3.1 Pro model card 也強(qiáng)調(diào) agentic performance、advanced coding、long context、多模態(tài)理解。

真實用戶反饋與廠商定位相互印證：

Qwen / DeepSeek / Kimi 可以非常接近，但當(dāng)任務(wù)變成長程、多工具、多文件、多小時，Claude / GPT / Gemini 的“少失控”仍更強(qiáng)。

一個本地 Qwen3.6-35B 用戶在 Mac 32GB 上嘗試復(fù)現(xiàn) Claude Code + Opus 完成過的任務(wù)，模型能抓住重點，但 32K context 下 compaction 丟信息，甚至忘記當(dāng)前目錄；換到 128K context 才能一次完成。

這說明差距不只是參數(shù)。而是上下文管理、記憶壓縮、工具循環(huán)、agent harness。

06 開放權(quán)重：中國已經(jīng)進(jìn)入全球主流選擇

在開放模型生態(tài)中，“中國領(lǐng)先采用”有較強(qiáng)證據(jù)。

Hugging Face 2026 報告稱，中國在月度和總體下載上超過美國，過去一年中國模型占 41% 下載。2025 年中國機(jī)構(gòu)發(fā)布模型數(shù)量暴增，DeepSeek R1 后，Baidu、ByteDance、Tencent 等組織倉庫也明顯增加。

另一個路由/API 側(cè)信號來自 OpenRouter。

其 100T token 使用研究顯示，2024-11 到 2025-11 期間，按模型作者聚合的 token 量中，DeepSeek 為 14.37T，Qwen 為 5.59T，超過 Meta LLaMA、Mistral、OpenAI、Google 等在 OpenRouter 上的量。

這不是全網(wǎng)調(diào)用量，但對“開發(fā)者通過聚合路由試用/部署開放或低價模型”的趨勢很有參考價值。

同時，Microsoft 把 DeepSeek R1 納入 Azure AI Foundry 與 GitHub model catalog，并強(qiáng)調(diào)可在企業(yè)級平臺上集成、評估和部署，還計劃讓 distilled R1 在 Copilot+ PCs 本地運(yùn)行。

這說明中國開放模型已經(jīng)進(jìn)入西方企業(yè)云的模型目錄，不只是國內(nèi)熱鬧。

開放模型的真實優(yōu)勢與痛點，可以看這張表：

LocalLLaMA 用戶的典型工作流是：

強(qiáng)推理模型做規(guī)劃，小模型或快模型執(zhí)行。

例如有用戶說 R1 適合復(fù)雜推理，但長 CoT 里工具調(diào)用不可靠、會忘事、速度慢；Qwen3 Coder 更適合 Cline 這種工具調(diào)用場景。

另一個用戶把 Qwen3 Coder 30B 跑在 LM Studio + Cline 中，用 Sonnet 做推理、Qwen 執(zhí)行，認(rèn)為慢但在 M4 Pro 64GB 上可用。

也有強(qiáng)烈正反饋。

Qwen3.6-35B-A3B Q8 在 M5 Max 128GB 上通過 OpenCode 跑，有用戶認(rèn)為長研究任務(wù)、多工具、代碼隱私場景“像 Claude 一樣好”；但同一討論中也有人反駁“不如 Claude，只是相當(dāng)好”，還有用戶指出復(fù)雜 agentic 任務(wù)差距仍明顯。

這類爭議本身很有價值。

它說明中國開放模型已經(jīng)能進(jìn)入真實工作流，但體驗高度依賴硬件、上下文長度、量化質(zhì)量和 agent 框架。

07 工具鏈問題，是實用代差的一部分

很多時候，差距不只是模型本身。

GitHub / vLLM / Hugging Face 反饋顯示，問題不只是模型“答錯”，還包括 parser、streaming、chat template、量化版本帶來的工具調(diào)用錯誤。

vLLM issue 中有人報告，Qwen3 streaming tool call 會把50306截成503。

另一個 Qwen2.5-Coder issue 里，模型生成了正確的 XML 工具調(diào)用，但 parser 沒把它填入 OpenAI-compatible 的tool_calls數(shù)組。

Hugging Face 上 Qwen3.6-35B-A3B GGUF 討論也出現(xiàn) UD-Q6/Q8 工具調(diào)用失敗、輸出不穩(wěn)定、doom loop、chat template 修復(fù)后改善等反饋。

這正是“實用代差”的核心：

benchmark 里模型可能很聰明，但生產(chǎn)里一次 parser bug、一次 context compaction、一次錯誤工具調(diào)用，就會讓用戶回到 Claude / GPT。

中美開放權(quán)重對比，可以這樣看：

Zhipu GLM-5 的 Reuters 報道尤其能說明外部因素：GLM-5 聲稱強(qiáng)化 coding 和長程 agent 任務(wù)，并使用華為 Ascend、摩爾線程、寒武紀(jì)、昆侖芯等國產(chǎn)芯片做推理，背后是美國出口管制下的自給壓力。

08 多模態(tài)：中國最強(qiáng)的是 OCR 和文檔，不是萬能視覺 agent

多模態(tài)里，中國模型最強(qiáng)的真實場景不是“萬能視覺 agent”，而是文檔、OCR、表格、中文圖文理解。

Qwen2.5-VL 官方強(qiáng)調(diào)文檔、圖表、視覺 agent 能力；DeepSeek-VL2 采用 MoE VLM、動態(tài) tiling、MLA KV 壓縮，覆蓋 VQA/OCR/文檔/表格/圖表任務(wù)；GLM-4.5V/GLM-5V 則強(qiáng)調(diào)圖像、視頻、文檔、GUI 操作和多模態(tài) agent。

真實用戶證據(jù)也支持 Qwen-VL 的實用性。

Reddit 上有人用 1000 份文檔做 JSON 抽取評估，稱 Qwen2.5-VL 72B/32B 約 75% 準(zhǔn)確率，接近 GPT-4o，并超過 Mistral OCR 和 Gemma-3 27B；評論里還指出 32B 與 72B 接近，性價比更高。

另一個用戶在 Qwen3-VL-30B 上做手機(jī)照片庫存/配方提取，稱在 3060 上約 20 秒一張圖，能識別多張真實世界圖片中的物體、量化信息并輸出結(jié)構(gòu)化數(shù)據(jù)。

但當(dāng)任務(wù)從 OCR 變成 GUI agent，問題明顯增多。

一個用戶嘗試用 Qwen2.5-VL 7B 做 UI 自動化，發(fā)現(xiàn)模型能描述屏幕、輸出 UI 元素 JSON 坐標(biāo)，但 agent 進(jìn)入 endless loop；評論中還提到坐標(biāo)接近但不準(zhǔn)確、Ollama 圖像 resize 可能影響效果。

手寫 OCR 討論里也有人說，VLM 確實比傳統(tǒng) OCR 更適合手寫內(nèi)容，但 Qwen2.5-VL 7B 對 prompt/設(shè)置很敏感，會漏段落、字母級準(zhǔn)確率不穩(wěn)定，暫時不能無人工校驗長期使用。

與此相比，西方前沿模型在“視覺 + 工具 + GUI”閉環(huán)上仍更成熟。

OpenAI GPT-5.5 官方展示了 OSWorld-Verified、電腦使用、文檔/表格/幻燈片生成等能力；Anthropic Opus 4.8 被合作方稱為強(qiáng) browser-agent / computer-use 模型；Gemini 3.1 Pro model card 明確定位于 long context、多模態(tài)理解和 agentic performance。

多模態(tài)對比可以這樣看：

09 視頻生成：中國最接近“無代差”

視頻生成是中國最接近西方前沿的領(lǐng)域之一。

Kling、Vidu、Minimax/Hailuo、ByteDance Seedance 在創(chuàng)作者社區(qū)和短視頻場景中表現(xiàn)很強(qiáng)。

Kling 官方已經(jīng)把 KlingAI 3.0 定位為包含視頻、圖像、聲音、特效、Canvas 的一體化創(chuàng)作平臺。

Reuters 也報道，2026 年初 Kling 3.0、Seedance 2.0、MiniMax 新模型等密集發(fā)布，說明中國視頻模型競爭強(qiáng)度很高。

西方這邊，Google Veo 3.1 明確主打視頻 + 音頻生成，Runway Gen-4 主打世界一致性、角色/物體一致性和生產(chǎn)級視頻。

OpenAI Sora 2 曾在 2025 年發(fā)布，但 OpenAI Help 明確顯示 Sora 網(wǎng)頁/app 于 2026-04-26 停止，API 也有停止時間表。因此到 2026 年中，不能把 Sora 當(dāng)作活躍領(lǐng)先消費(fèi)產(chǎn)品。

Reddit / AI video 社區(qū)里的主流反饋是：

Kling 在 image-to-video、臉部保持、運(yùn)動、成本效率上很強(qiáng)，但 Veo 3 因為音頻和整體質(zhì)量常被排第一。

一個 9 模型比較帖的用戶總結(jié)是：Veo 3 “best by far because audio”，Kling 2.1 第二，且比 Veo 便宜；Seedance / Hailuo 也被認(rèn)為有性價比，但 Hailuo 慢。

另一個 Kling vs Wan 的用戶反饋說，Kling 在動畫化參考圖、prompt following、維持臉部方面非常好，但“costs fortune”。

相比之下，Luma Dream Machine 等西方競品也不是沒有問題。

有用戶購買訂閱后抱怨 hit-or-miss，14 次里 7 次像垃圾輸出，只是放大靜圖，想退款。

這說明視頻生成仍是高方差領(lǐng)域，不能簡單說西方全局碾壓。

視頻生成對比表：

10 幾種常見敘事，逐條校驗

敘事 A：中國模型已經(jīng) good enough 了

部分正確。

對中文普通對話、學(xué)習(xí)、摘要、低成本 API、本地部署、小型 coding 輔助、OCR 抽取、短視頻生成，中國模型已經(jīng)足夠好。

很多用戶會因為免費(fèi)、便宜、隱私或中文體驗而切換。

Reddit 上有用戶說 DeepSeek 更適合學(xué)習(xí)，因為它不是直接給摘要，而是更像幫助自己理解；也有政治老師說 DeepSeek 更適合做長邏輯的 sounding board，但其電氣工程背景的女友仍更偏好 ChatGPT，因為 DeepSeek 在圖示和工程細(xì)節(jié)上表現(xiàn)差。

但不能泛化。

對復(fù)雜工程、長程 agent、跨工具工作流，“good enough”經(jīng)常變成：還差最后 10%。

但那 10% 決定能不能放心交給它。

有用戶說 DeepSeek 免費(fèi)但經(jīng)常 server busy，自己仍為 ChatGPT 付費(fèi)，因為一致性更重要。

敘事 B：中國模型已經(jīng)全球采用領(lǐng)先

只在開放模型生態(tài)里接近正確。

Hugging Face 下載、OpenRouter token、Qwen / DeepSeek 派生模型數(shù)量，確實顯示中國開放模型影響力巨大。

但消費(fèi)產(chǎn)品上，ChatGPT 仍巨大領(lǐng)先。

中國國內(nèi)則是豆包、DeepSeek、Qwen、Kimi、元寶等自成生態(tài)，不能直接等同于全球領(lǐng)先。

敘事 C：benchmark 已經(jīng)說明中國追上了

不夠。

Benchmark 不能捕捉 compaction 丟信息、工具 parser 出錯、chat template bug、量化引發(fā)的 tool call 失敗、長程任務(wù)中的自我糾錯。

Cursor 對 Composer 2/2.5 的技術(shù)報告反而說明了真正的差距：

它不是只繼續(xù)預(yù)訓(xùn)練 Kimi K2.5，而是用真實 Cursor 環(huán)境、長程 coding 任務(wù)、大規(guī)模 RL、synthetic tasks、behavior shaping 來提升 end-to-end agent performance。

這正是很多中國模型“裸模型很強(qiáng)、產(chǎn)品穩(wěn)定性差一截”的根源。

敘事 D：中國仍落后一整代

也不準(zhǔn)確。

Cursor 官方披露 Composer 2 是在 Kimi K2.5 開源基座上繼續(xù)預(yù)訓(xùn)練和 RL 得到的，Composer 2.5 也基于同一 Kimi K2.5 checkpoint。

如果一個美國頭部 coding IDE 的低價前沿 coding 模型可以建立在中國開源基座上，就不能說中國模型還停留在上一代。

更準(zhǔn)確的是：

中國在 base/open model 層已經(jīng)很強(qiáng)；美國/西方在閉源前沿、產(chǎn)品化 RL、agent harness、企業(yè)部署閉環(huán)上仍強(qiáng)。

11 差距為什么存在，又為什么在縮小？

第一，技術(shù)路線在收斂。

DeepSeek-V3 的 MLA、DeepSeekMoE、FP8 訓(xùn)練、MTP、低成本訓(xùn)練敘事，以及 Qwen / Kimi / GLM 的 MoE 化，都是在算力受限背景下追求“每 token 成本”和“每激活參數(shù)智能”的路線。

這條路線非常適合開放模型擴(kuò)散：

-模型可以大，但激活參數(shù)相對小。

-可以量化。

-可以在消費(fèi)級硬件或私有云中跑。

-可以被 Cursor、OpenClaw、OpenRouter、Unsloth、llama.cpp、vLLM 等二次開發(fā)。

美國/西方頭部實驗室的優(yōu)勢，則在大規(guī)模閉環(huán)后訓(xùn)練。

-長程工具使用。

-真實環(huán)境 RL。

-復(fù)雜 agent benchmark。

-自家產(chǎn)品的用戶數(shù)據(jù)回流。

-企業(yè)客戶任務(wù)分布。

Cursor Composer 2/2.5 的報告非常典型：

Kimi K2.5 是強(qiáng)基座，但真正讓它變成 coding agent 的，是繼續(xù)預(yù)訓(xùn)練、真實 Cursor session RL、上十萬沙箱環(huán)境、synthetic harder tasks、針對錯誤工具調(diào)用的局部文本反饋。

第二，數(shù)據(jù)結(jié)構(gòu)不同。

中國模型在中文表達(dá)、中文文檔、中文 OCR、國內(nèi)應(yīng)用場景上天然更貼近用戶。

豆包的成功也說明，國內(nèi)消費(fèi)者不只追求“最強(qiáng)模型”，還需要語音、視頻、圖像、Douyin 集成、低門檻 UI。

WIRED 報道稱豆包超過 DeepSeek 的關(guān)鍵不只是模型強(qiáng)，而是 ByteDance 懂產(chǎn)品、懂分發(fā)、懂病毒式傳播；豆包有聊天、音視頻、圖像、表格、PPT、短視頻、agent 平臺，并與抖音深度集成。

但英文技術(shù)文檔、GitHub issue、Stack Overflow、企業(yè)代碼庫、SaaS 工具軌跡、瀏覽器/IDE 操作軌跡等，仍然更利于美國/西方閉源模型通過產(chǎn)品閉環(huán)積累。

中國模型可以通過 synthetic data 和蒸餾快速追趕，但在“真實用戶長程 agent 軌跡”的規(guī)模和質(zhì)量上仍有疑問。

第三，生態(tài)位置不同。

中國模型的開放策略帶來了巨大擴(kuò)散。

Qwen / DeepSeek / Kimi / GLM 被 Hugging Face、Ollama、LM Studio、OpenRouter、vLLM、llama.cpp、Unsloth 迅速包裝、量化、微調(diào)。

Hugging Face 報告指出，獨(dú)立開發(fā)者、量化者、adapter 發(fā)布者在下載中占比上升，說明社區(qū)中間層對采用很關(guān)鍵。

美國/西方優(yōu)勢在“從模型到產(chǎn)品”的閉環(huán)。

Claude Code、Codex、Cursor、Gemini Workspace、GitHub、JetBrains、Replit、企業(yè) agent 平臺，這些產(chǎn)品能把模型能力轉(zhuǎn)化為低摩擦體驗，并不斷用真實工作流訓(xùn)練和評估。

Anthropic Sonnet 4.6 的發(fā)布資料中，GitHub 產(chǎn)品負(fù)責(zé)人強(qiáng)調(diào)它在大代碼庫復(fù)雜修復(fù)中有一致性；OpenAI GPT-5.5 發(fā)布資料中，Cursor、NVIDIA 等也強(qiáng)調(diào)長程 coding 和工具使用。

第四，芯片、監(jiān)管和信任仍是外部變量。

美國出口管制迫使中國模型更重視效率和國產(chǎn)芯片適配。

GLM-5 使用國產(chǎn)芯片推理，DeepSeek V4 被 AP 報道稱部分由華為芯片支持，并有 1M context。

這會加速中國在“低成本/非 NVIDIA”部署上的創(chuàng)新，但也可能限制最前沿訓(xùn)練擴(kuò)展速度。

監(jiān)管是另一個真實差距。

DeepSeek 官方服務(wù)的內(nèi)容審查、數(shù)據(jù)存儲在中國、政治敏感話題限制，會影響國際用戶信任。

開源權(quán)重可緩解 app 層過濾，但模型訓(xùn)練與對齊中的偏置不一定完全消失。

Microsoft / Reuters 報道也提到，DeepSeek 數(shù)據(jù)存儲在中國可能成為美國采用阻礙。

12 分場景追平時間表

這里的“穩(wěn)定態(tài)”，按這個定義：

在復(fù)雜真實工作流中低摩擦、低驚訝、少意外失敗，接近 Claude 4.6 Sonnet 時代被用戶稱贊的穩(wěn)定感，或 2026 年5月 Claude/GPT/Gemini 高端模型的 agent 穩(wěn)定水準(zhǔn)。

普通對話，很多場景已經(jīng)追上。

對中文用戶，DeepSeek、豆包、Qwen、Kimi 已經(jīng)足夠強(qiáng)。真正差別是產(chǎn)品入口、穩(wěn)定性、敏感話題、聯(lián)網(wǎng)/工具能力，而不是“能不能聊天”。

豆包的案例說明，中國消費(fèi)者采用更受 UI、語音、視頻、抖音入口、社交傳播影響，而不是純 benchmark。

編程必須分層看。

簡單 coding、單文件、腳本、bug fix，中國模型已經(jīng)接近。Qwen、Kimi、DeepSeek 的真實用戶反饋很多是正面的，尤其當(dāng)成本、隱私、本地部署重要時。

復(fù)雜 agentic coding，仍有明顯差距。

中國模型經(jīng)常需要更強(qiáng) harness、更長 context、更好的 compaction、更穩(wěn)定 tool calling。Reddit 用戶對 Qwen3.6 的“95% Claude”評價和“復(fù)雜任務(wù)絕對不是 Claude Sonnet 4.6”的反向評價同時存在，說明它接近但不穩(wěn)。

真正的追平信號不是 SWE-bench 分?jǐn)?shù)。

而是用戶大規(guī)模取消 Claude / Codex，把真實工作長期交給 Qwen / Kimi / GLM / DeepSeek，并且事故率不升。

多模態(tài)則是 OCR 近，GUI 遠(yuǎn)。

OCR / 文檔抽取可能已經(jīng)在不少場景達(dá)到穩(wěn)定可用，尤其中文材料。

但 GUI agent、復(fù)雜屏幕操作、多步驟視覺規(guī)劃仍落后。用戶能讓 Qwen-VL 識別 UI，但 agent 循環(huán)、坐標(biāo)誤差、狀態(tài)管理問題說明，距離“穩(wěn)定態(tài)”還有一段。

視頻是 parity 最快的方向。

Kling / Seedance / Minimax / Vidu 與 Veo / Runway 的差距，比 LLM 前沿差距小。

短視頻、營銷素材、I2V、中文 prompt 創(chuàng)作里，中國模型已非常接近；專業(yè)影視級長鏡頭、音頻、角色跨鏡頭一致性、可控編輯工作流，Veo / Runway 仍更強(qiáng)。

13 未來 6–12 個月，最值得看什么？

如果要判斷中國模型是不是進(jìn)一步追上，不要只盯新模型發(fā)布會。

我會看這 9 個指標(biāo)。

1. 真實用戶切換行為：Reddit/LocalLLaMA/OpenClaw/Cursor/Claude Code 社區(qū)是否出現(xiàn)持續(xù)、大規(guī)模“我取消 Claude，用 Qwen/Kimi/GLM/DeepSeek 完成真實工作”的帖子，而不只是 demo。

2. 長程 agent 指標(biāo)：Terminal-Bench 2、SWE-bench Pro、OSWorld-Verified、WebArena、BrowseComp、OfficeQA Pro，以及更重要的私有企業(yè) agent eval。OpenAI/Anthropic/Google 都已把這類 benchmark 作為核心敘事。

3. 工具調(diào)用事故率：vLLM、llama.cpp、OpenCode、Cline、OpenClaw 中 Qwen/DeepSeek/Kimi/GLM 的 tool_call parser、streaming、JSON、function schema、compaction bug 是否明顯下降。

4. 上下文與記憶壓縮：中國模型是否能在 128K/256K/1M context 下保持穩(wěn)定，不因 compaction 丟目錄、丟目標(biāo)、丟約束。

5. 低比特量化保持能力：Q4/Q5/Q8 對 coding agent 的影響能否縮小。當(dāng)前用戶反饋顯示量化會顯著影響 tool calling 和 reasoning。

6. 中國模型被西方產(chǎn)品“隱形采用”：Cursor 基于 Kimi K2.5 的案例非常重要。若更多 IDE、agent 平臺、客服平臺、RAG 平臺在底層采用中國 open checkpoint，說明中國 base model 的實用價值被全球產(chǎn)品承認(rèn)。

7. 國產(chǎn)芯片推理/訓(xùn)練進(jìn)展：Ascend、寒武紀(jì)、摩爾線程、昆侖芯在大 MoE 推理和訓(xùn)練中的穩(wěn)定性、成本、開發(fā)者工具鏈。如果國產(chǎn)芯片只適合推理，前沿訓(xùn)練差距仍會存在；如果訓(xùn)練棧也成熟，時間線會前移。

8. 視頻模型的音頻與可控性：Kling/Seedance/Minimax 是否能在原生音頻、多鏡頭一致性、導(dǎo)演控制、長視頻穩(wěn)定性上追上 Veo/Runway。

9. 審查與全球信任：中國模型是否能提供可信的海外部署、透明安全策略、可審計數(shù)據(jù)邊界，以及對敏感/政治/企業(yè)合規(guī)場景的可預(yù)測行為。

14 最后的判斷

2026 年中，中國大模型與美國/西方模型之間，已經(jīng)不是傳統(tǒng)意義的“整體落后一代”，而是進(jìn)入了“開放模型強(qiáng)勢追平、閉源前沿和穩(wěn)定 agent 仍落后、視頻和 OCR 局部接近或領(lǐng)先”的階段。

更細(xì)分地說：

普通中文對話：中國已基本追上，甚至在國內(nèi)入口、語音、短視頻、多功能消費(fèi)應(yīng)用上更貼近本土用戶。

小模型/本地模型：中國已達(dá)到全球第一梯隊，Qwen / DeepSeek / Kimi / GLM 是真實開發(fā)者會主動選擇的模型，不只是民族品牌敘事。

復(fù)雜編程智能體：仍未穩(wěn)定追平 Claude / GPT / Gemini / Cursor 這類閉源產(chǎn)品化體系。聰明度接近，穩(wěn)定性、工具鏈、長程行為還差。

多模態(tài)文檔/OCR：中國非常強(qiáng)，Qwen-VL 是開放模型中最有實用含金量的方向之一。

GUI agent：仍有明顯差距，尤其是持續(xù)狀態(tài)管理和低錯誤率。

視頻生成：中國接近最快，Kling / Seedance / Minimax / Vidu 已經(jīng)是全球競爭者；但 Veo / Runway 在專業(yè)音畫、長鏡頭、工作流可控性上仍領(lǐng)先。

全球企業(yè)采用：技術(shù)差距之外，合規(guī)、數(shù)據(jù)、審查、地緣政治和產(chǎn)品生態(tài)，會讓中國模型追趕更慢。

所以，對“中國何時追上美國水準(zhǔn)”的答案必須分場景。

普通對話和本地小模型，很多已經(jīng)追上。

短視頻和 OCR，正在局部追上。

復(fù)雜 agentic coding，大概率還需要 1–2 年。

企業(yè)級全球穩(wěn)定采用，可能需要 2–4 年，甚至更久。

中國已經(jīng)在開放模型和成本效率上進(jìn)入第一梯隊，但美國/西方仍掌握高穩(wěn)定 agent、產(chǎn)品閉環(huán)和全球信任的關(guān)鍵優(yōu)勢。

本文來自微信公眾號：AIGC從0到1，作者：王零壹

本內(nèi)容由作者授權(quán)發(fā)布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4865177.html?f=wyxwapp