混元Hy4免费两周后，我重新捋了国产模型选型：别问谁最强

 

 

我的结论先放前面：模型升级应该由任务失败触发，别由排行榜触发。这句话是我最近一个月踩了各种坑之后才敢写下来的。下面讲讲我是怎么一步步走到这个结论的。

 

 

▲ 模型供给过剩之后，选型反而成了新问题

 

事情起点是腾讯发了 Hy4 preview。总参数 770B、激活 49B、上下文 1M+，主打通码、Office 和科研。同时 WorkBuddy / CodeBuddy 上 Hy4 限时免费两周，Hy3 免费延长到 9 月 30 日。搁以前我会先去查“Hy4 是不是最强”，这次没有，因为摆在我面前的问题早就变了：WorkBuddy 里 Kimi、GLM、Qwen、DeepSeek、混元、MiniMax、Seed 一字排开，每家还分 Max / Pro / Flash，高推理低推理。以前愁没模型用，现在愁不知道点哪个。

 

我过去选模型的逻辑很糙：新的比旧的好，大的比小的好，贵的比便宜的好。真正拿去干Coding、PPT、Workflow、Excel、查资料的活之后，我发现这套逻辑基本站不住。

 

Web Coding：27B 挤进了第一梯队附近

 

先说我用得最多的场景。Arena WebDev 到 8 月 21 日累计 603,789 次投票，开放模型里 Kimi K3 Max 第一，但排第三的是 Qwen3.8-27B，GLM-5.2 Max 第四，和 DeepSeek V4 Pro High 分数咬得很近。

 

 

▲ 27B 在特定任务里已经能贴近旗舰梯队（数据：Arena WebDev，2026-08-21）

 

所以我现在做 Web Coding 还在用 GLM-5.2。原因不是它新，是这活它现在依然干得好，我没理由换。Qwen3.8-27B 更有意思，27B 的体量照样在明确的 Web Coding 任务里打进了第一梯队附近。参数量描述的是模型本身，场景才决定这个模型对你值多少钱。2T、770B、27B 这些数字，回答不了“今天这活该叫谁”。

 

Workflow 和 Skill：真正让我开始降模型的场景

 

真正的转折点不是 Coding，是我在 Dify、Coze、ADP 上搭工作流的时候。典型的一条链：

 

读取数据 → 判断类型 → 调接口 → 写入结果 → 自动校验

 

搭好之后我发现，模型原来要做的“思考”已经被流程吃掉了。下一步干什么，流程写死了；模型往往只负责中间一个节点，判断输入属于 A、B 还是 C，判完后面还有程序兜底验证。这种节点我关心的只剩：准不准、快不快、结构化输出稳不稳、并发扛不扛得住、一次调用多少钱。要是还默认挂最大最贵的模型，就好比一道公式都列好的题，每次请一个专家组重新推导一遍。

 

所以这类任务我现在反着来：先上 Flash、Lite、低 reasoning 或者轻量模型试，够用就停，不够再升。

 

Skill 的感受更直接。一句“帮我把这事做完”，确实需要很聪明的模型，它得自己理解目标、拆任务、选工具、失败了重新规划。但如果方法已经沉淀成 Skill + Harness + 程序 + 校验规则，那部分“智能”其实已经从模型迁移到了工程系统里。SkillsBench 1.1（2026）的测试数据：人工整理的 Skills 把平均解决率从 33.9% 拉到 50.5%，涨了 16.6 个百分点。这对我刺激挺大，模型不是 AI 系统里唯一能买“智能”的货架。

 

 

▲ 工程化程度越高，模型要扛的不确定性越少

 

我现在把最终效果拆成：模型能力 + Skill + Harness + 工具 + 校验机制。这不是严格的数学公式，但比“换个更大的模型试试”更贴近我实际做 Agent 的体验。

 

PPT 和 Excel：按软件选模型也是坑

 

另一个典型误区是问“PPT 用哪个模型、Excel 用哪个模型”。我拿 PPT Master 做汇报举例子：模板现成、页面组件固定、视觉不归模型管，模型只需要理解资料、搭结构、写内容，然后把结构化结果交给程序。这种活我根本用不到旗舰模型那部分视觉能力，凭什么为它付费？

 

PPTAgent / PPTEval 的研究本来就把 PPT 拆成三个维度：Content 内容、Design 设计、Coherence 连贯性。只负责 Content 的话，视觉能力就不是核心指标。但如果任务是“看我的旧 PPT，识别图表、判断页面层级、重新设计”，那 Design 和视觉理解就回到了核心。正确的问法是：这次我让模型负责 PPT 的哪一部分。

 

 

▲ 同一个软件，对应的模型需求可能完全不同

 

Excel 同理。“帮我核对两张表”和“看完十几张业务表自己找出异常并解释原因”，都在 Excel 里，但一个是规则执行，一个是数据理解加业务判断加推理，两码事。

 

SpreadsheetBench 2 给的提醒更狠。它测的不是会不会写公式，是 321 个端到端真实业务任务，平均每个任务 11.8 个工作表、改约 593.5 个单元格。统一 Agent 框架下，最好的模型总体准确率只有 34.89%，Debug 任务只有 12%。大量失败出在很土的工程问题上：没充分检查工作簿、定位错单元格。所以在真实办公任务里，多加一次检查、加一个 Python 校验、上一个 verifier，经常比把模型再升一档管用。

 

Deep Research：我反而不省这份钱

 

看到这你可能以为我在劝大家全用便宜模型。不是。Deep Research 和开放性研究问题，我一点模型能力都不想省。

 

比如“研究未来三年寿险行业的 AI 转型会怎么变”。它跟核对 Excel 的区别不在字数，在于：路不清楚，模型得自己决定搜什么、先研究什么；任务链很长，搜索、阅读、判断、再搜索、处理矛盾信息、形成观点；最要命的是错了我也未必知道错了，没有哪个公式会弹一个 Research Failed 出来。这时候真正贵的成本是：一条错误事实混进推理链，最后产出一个看起来逻辑完整的错误结论。

 

 

▲ 旗舰模型处理不确定性，轻量模型消化确定性

 

旗舰模型值钱的地方，我现在的理解是处理不确定性，不是把简单任务做得更豪华。

 

我把选型压成了三个问题

 

绕了一圈，普通人不用背十几个模型的名字，我每次就问三个问题：

 

路清不清？任务已经有 Workflow、Skill、SOP 了，还是只有一个目标要模型自己想办法？

 

错了能不能验？代码能跑测试，Excel 能做规则校验，结构化数据能验证；行业判断、战略分析、研究结论很难自动判断对错。

 

它要自己干多久？“改一个按钮”和“理解整个代码库、自主修改、测试、失败恢复、继续干活”都叫 Coding，任务链越长，错误累积越狠。

 

压成一句人话：先看路清不清，再看错了能不能验，再看它要自己干多久。然后才问这次我最在乎什么：成本速度优先、均衡，还是效果优先。

 

 

▲ 10 秒选型决策树：先定能力档，再挑模型

 

按“能力预算”分区，比大小模型二分法好用

 

⚡ 执行区：消化确定性。Workflow、成熟 Skill、字段提取、固定格式 Excel、简单办公。不确定性已经被流程和程序提前吃掉了，该关心的是速度、稳定性、吞吐、成本。

 

⚖️ 工程区：理解、判断、有限规划。Web Coding、PPT 内容、多文件办公、复杂 Excel、普通资讯分析。目标大体明确但模型还得动脑，这是中型模型和 Flash 模型打得最凶的区域。

 

🚀 探索区：处理不确定性。Deep Research、长程 Coding Agent、复杂 Agent、战略分析、创新讨论。没有现成的路，答案也没法自动验证，你买的是模型找路径、持续推理、自我纠错的能力。

 

 

▲ 国产模型工作场景地图：当候选池用，别当排名用

 

落到具体名字上，我的候选池长这样

 

不排 Top 10，按方法给候选池。确定性强的任务（固定 Workflow、成熟 Skill、日常办公），GLM-5.3-Flash、DeepSeek V4 Flash、Qwen 的 Flash 系列，加上 Hy3 这种能力够用但成本低的，先进验证池。工程型场景（Web Coding、PPT 内容、多文件办公、普通分析），我更看 Qwen3.8-27B、MiniMax M3、DeepSeek V4 Pro 这种能力强但不必每次顶格的。Deep Research、复杂 Coding Agent、开放分析，Kimi K3、GLM-5.3 Max、Qwen3.8 Max、DeepSeek V4 高 reasoning 档才值得砸。

 

这张表保质期最多几个月。今天的旗舰半年后就是普通模型，长期管用的是前面那套判断方法。

 

 

▲ 8 条选型心法：先匹配能力，再选模型

 

回头看混元免费这件事

 

Hy4 不是小模型，770B 总参数、49B 激活、1M+ 上下文，定位就是 Coding、Office、科研生产力。它免费不代表它弱；它参数大也不代表所有活都该默认用它。免费是一种价格状态，不是能力等级。免费窗口真正值钱的地方，是把验证一个新模型的试错成本压到了足够低：拿真实 Coding 项目跑一次，拿真实 PPT 跑一次，把原来的 Workflow 切过去试一次，行就留着，不行就换。这比先采购一套最强模型再琢磨它能干什么健康多了。先验证，再投入。

 

Auto Router 能不能替我干这些？

 

理论上能。成熟的 Model Router 应该把这篇文章里的选择工作自动化，普通人不用记 Kimi 哪个版本最大、GLM 哪个是 Flash、DeepSeek 开 low 还是 high。理想产品就三个按钮：效率优先、均衡、效果优先，背后系统自己选。

 

但至少现在我还不会全交给黑盒 Router。倒不是我抓到了哪个 Router 的商业偏向，是用户通常不知道 Router 到底在优化什么：质量？成本？延迟？还是三者的某种组合？LLMRouterBench（ACL 2026）用 40 万+ 数据、21 个数据集、33 个模型、10 类 Router 做了统一比较，结论是模型间确实互补，但不少 Router（包括一些商业 Router）稳定跑不赢简单基线。所以今天人还不能完全退出模型选择。不过人要学的也不是背排行榜，是学会描述自己的任务。

 

最后

 

这篇文章的结论不是“多用混元”，不是“全用便宜模型”，也不是“旗舰没用”。我只想说一件事：不同的工作，本来就不该购买同样多的“智能”。被 Workflow、Skill、程序和规则写清楚的事，交给快、便宜、刚够用的模型去消化确定性；路径未知、错误难发现、要长时间探索的事，再把旗舰能力真正用起来。现在打开那一长串模型列表，我第一反应已经从“哪个最强”变成了“这件事到底需要多强”。

 

如果你正在为团队评估企业级 AI Agent 的选型与落地，可以直接找云巴巴聊聊。云巴巴是腾讯云 AI 智能体示范伙伴、腾讯 WorkBuddy 核心伙伴及官方授权服务中心，汇聚了 WorkBuddy、千问办公、TRAE Work 等多家主流 Agent 工具与方案，能结合你的数据边界、任务形态和团队能力，从选型对比、方案验证到陪跑落地提供一站式服务。欢迎咨询云巴巴，获取专属的 Agent 实施落地方案。