🧠 LLM 大模型全景指南：从入门到体系化认知

适用对象：刚接触 LLM 的学习者
核心目标：用 6 个维度建立 LLM 知识框架，兼顾技术深度与通俗理解
版本说明：本文档数据更新至 2026 年中（基于 SuperCLUE 2026.5、中国 AI 大模型竞争力 TOP20 等公开榜单）。LLM 领域每 2\~3 周就有新版本，版本号请以官方为准。

一、按「系列/厂商」分类 → 谁在造这些模型？

💡 先建立一个核心认知：模型 ≠ 应用。GPT-4、Claude、Qwen 是"模型层"（负责思考生成）；ChatGPT、Claude.ai、豆包 App、Cursor 是"应用层"（套在模型外面的软件）。Cursor 这类 AI 编辑器不自己造模型，而是调用 Claude/GPT 等第三方模型。本指南只讲"模型层"。

🌍 海外主要厂商

⚠️ 避坑提示：网上常把 Mixtral 误写成 Meta 的模型。Mixtral（MoE 架构代表作）是法国 Mistral AI 出品，Meta 对应的是 Llama 系列，两者完全不同。

🌏 国内主要厂商

💡 梯队速记：国内"第一梯队"公认是 字节豆包、阿里通义、DeepSeek、智谱；百度、腾讯紧随；其余走垂直细分路线（语音/医疗/视觉/端侧等）。还有美团 LongCat、京东言犀、360 智脑、面壁 MiniCPM(端侧小钢炮)、蚂蚁灵光、快手可灵(视频)等更多垂直玩家。

二、按「技术架构」分类 → 底层原理有什么区别？

🔍 通俗理解：

• Decoder-Only = "只会顺着写的写手"
• Encoder-Decoder/GLM = "先阅读理解再作文的学霸"
• MoE = "团队里每个问题只派最擅长的专家回答"
• SSM/Mamba = "靠短期记忆快速扫完全文，不回头回忆"
• Agentic/Reasoning = "先想清楚步骤再动手的解题大师"

三、按「开源 vs 闭源」分类 → 谁能免费用？谁更强？

⚖️ 趋势判断：开源疯狂追赶——SuperCLUE 2026.5 中 DeepSeek-V4-Pro、Qwen3.7-Max、豆包 Seed 已与海外闭源第一梯队（Gemini-3.1-Pro、GPT-5.5、Claude-Opus-4.8）同处"70+ 分"区间。但闭源在多模态融合、超长上下文、生态整合上仍有代差。"闭源打体验，开源打成本/可控"是现阶段格局。

四、按「国内 vs 海外」分类 → 中英文环境怎么选？

🎯 选型建议：

• 中文产品/客服/政务 → Qwen3 / GLM-5 / 文心
• 短视频/内容创作/C 端 → 豆包(字节生态 + 性价比)
• 超长文档(合同/研报/论文) → Kimi / Gemini 3.x
• 编程助手/开发者 → DeepSeek-V4 / GPT-5 / Claude 4
• 数学推理/Agent → o3 / DeepSeek-R1 / GLM-5
• 出海/多语言/欧盟合规 → Mistral / GPT-5

五、按「热度与趋势」分类 → 现在该关注什么？

📊 综合榜参考（SuperCLUE 2026 年 5 月，满分 100）

🔥 热度解读：海外三强（Google/OpenAI/Anthropic）稳居综合榜首；国内"开源双子星"DeepSeek + 通义千问已追平闭源第一梯队，豆包凭多模态与 C 端规模跻身前列。

📈 发展关键节点（2023→2026）

2023初   GPT-3.5/ChatGPT 引爆全球
2023中   LLaMA 2 开源 → 社区爆发
2024初   Claude 3 + Gemini 1.0 → 多模态元年
2024中   Qwen2/DeepSeek-V2 → 中国模型崛起
2024底   o1 → 推理革命(CoT)
2025初   Kimi 长上下文 → 企业落地加速
2025中   DeepSeek-R1/QwQ → 推理开源化
2026中   GPT-5.5 / Claude 4.8 / Gemini 3.1 / Llama 4 / DeepSeek-V4 → 多强并存、端侧爆发

🔮 未来三大趋势：

1. 端侧部署普及：手机/PC 本地跑 7B\~30B 模型成标配（量化 INT4/INT8）
2. 推理分层："快思考"(GPT-5 级) + "慢思考"(o3/R1 级) 成行业标配
3. Agent 生态爆发：从"对话工具"升级为"自主执行任务的操作员"

六、按「Token 费用」分类 → 到底要花多少钱？

💡 Token 是 AI 时代的"计量货币"。调用 API 时按 token 计费（1 个中文约 1\~2 个 token，1 亿 token ≈ 7500 万字）。价格通常分输入价（你发的提示词）和输出价（模型生成的回答），输出更贵。各厂商还有缓存/批量折扣，实际价格浮动很大。

💰 主流模型 API 参考价（元 / 百万 tokens，2026 年中，输入 / 输出）

⚠️ 价格说明：上表为 2026 年中官方标准价换算（汇率 ≈7.2），仅供参考。真实成本因以下因素差异巨大：

• 缓存折扣：DeepSeek 缓存命中输入可低至 ¥0.03/M（约 40 倍）；OpenAI 缓存输入 10 倍便宜
• 批量(Batch)：Anthropic/Gemini 批量调用常 5 折
• 上下文长度：Gemini 长提示单价上浮
• 促销：厂商新模型常有限时半价

🔢 震撼结论：最贵的 Claude Opus 与最便宜的国产模型，单价差可达 100\~500 倍。对高频调用（Agent、智能体）场景，国产模型（豆包/DeepSeek/通义）成本优势近乎碾压。但对 90% 日常任务，国产模型效果已与海外旗舰无明显差距——用错模型，你可能多花上百倍的钱。

💡 省钱心法：不要"从一而终"。日常闲聊用免费的豆包/通义；写代码交给 DeepSeek；超长文档用 Kimi/Gemini；只有深度推理/极致质量才上 GPT-5/Claude。多模型组合才是 2026 年最聪明的用法。

📋 速查总表：一张图看懂 LLM 世界

📚 学习路径建议 (从零到上手)

第1周：基础概念 → Transformer、Tokenization、Temperature/Top-P采样
第2周：跑通模型 → 下载 Qwen3-7B 或 Llama 4，用 Ollama/vLLM 本地运行
第3周：调用API → OpenAI/Claude/Qwen/Mistral 官方文档，练 Prompt 工程
第4周：微调入门 → LoRA、HuggingFace Transformers 实战
进阶：MoE架构、Agent工具调用、RAG检索增强生成、端侧量化部署

📌 核心记忆点：LLM 不是单一产品而是一个"家族"。选择时先看场景（中文/英文/代码/多模态），再看预算（开源免费/API 计费），最后看部署条件（云端 API/本地 GPU/手机端）。记住"模型层 vs 应用层"的区别，就不会把 Cursor、豆包 App 和 GPT 搞混了。

文档生成时间：2026-08-04 | 数据基准：2026 年中公开榜单 | 适用版本：LLM 入门至进阶学习者