LLM 学习笔记——大模型调研
这份笔记偏向大模型本身的分类、选型、价格与常用信息来源，尽量把“模型怎么选、钱怎么算、去哪里查”单独整理出来，主要回答几个问题：“该选什么模型、成本大概怎样、去哪里查资料”。
这篇笔记的内容具有明显的时效性，当前原始信息时间是 2026 年 3 月，我并没有精力去持续更新。
主要基于 OpenRouter 排行榜，表中的数据只是作为大致参考，不保证准确性，同一个表格中的顺序也没有意义，个人觉得差不多都属于同一梯队或者同一类型。
一、大模型的基本分类
大模型可以按照是否开源进行分类：
- 第一类，闭源模型，只能通过自家提供的产品或 API 访问。
- 第二类，开放权重模型（open-weights model），公开模型权重以及主要架构信息，但训练过程和训练源码并没有公开。
- 第三类，完全开源模型，其他用户可以尝试复现。
目前能力最强的大模型大多属于闭源模型，其完整架构和训练细节通常不会公开。市场上较为主流的开源模型多属于开放权重模型，例如 DeepSeek、Qwen 等，公开模型权重并允许第三方部署，但训练数据和训练过程通常不会完全公开。完全开源、可以复现训练过程的大模型主要来自研究社区，其规模和能力通常与前两类模型存在一定差距。
二、选型时主要看什么
关于大模型的选择，可以优先考虑以下维度：
- 模型定位：通用模型、编程模型、数学模型、推理模型、多模态模型。
- 任务复杂度：简单任务与复杂任务对模型能力要求差异很大。对于简单任务，目前多数主流模型都能满足需求，而且往往还能通过免费额度或免费版本使用；对于复杂任务，对模型要求更高，有时必须为此付费，而且通常是按量付费。
- 输入输出形式：文本、多模态、图像、音频、视频。
- 模型规模：决定能力上限，也直接影响训练和部署资源需求。
- 上下文窗口长度：影响长对话、长文档分析、编程等复杂任务。目前的顶级大模型，例如 GPT-5.4、Claude Opus 4.6、Gemini 3.1，可以做到最多 100 万 tokens 的上下文窗口，主流大模型，例如 Kimi K2.5、MiniMax M2.5，大概处于 20 万 tokens 左右上下文窗口的水平。
- 产品形态：是通过 Web、API、聚合平台，还是通过订阅计划来使用。
补充：
- 即使大模型厂商公开了某个模型的权重，不同平台部署的版本和体验也可能并不相同，因为推理系统、参数配置以及微调版本都会影响最终效果。
- 多模态能力也需要单独考虑。现在很多模型都强调图片、音频、视频、文本的统一输入输出能力，但即使是顶级模型，也往往只是部分完成这个目标。由于多模态模型训练需要大量非文本数据，这方面大厂通常更有优势。
- 这些模型的命名规则没有统一规定，命名非常混乱，并且需要注意的是，fast 一类的后缀通常不是指阉割版，而是加速版，因此对应的价格也会更高。
常见场景下可以粗略这样理解：
- 日常聊天、搜索和轻度内容生成：多数主流通用模型都够用，优先考虑价格和可用性。
- 编程或 agent 使用：更看重代码能力、工具调用稳定性和长上下文表现。
- 长文档分析：更看重上下文窗口和检索、缓存等配套能力。
- 低成本批量调用：更看重输入输出单价、缓存价格和平台稳定性。
三、主流厂商及其主力模型
国外顶级
| 厂商 | 主力模型 | 备注 |
|---|---|---|
| OpenAI | GPT-5.4 | OpenRouter |
| Anthropic | Claude 4.6 | OpenRouter |
| Google Gemini | Gemini 3.1 | OpenRouter |
国外其它大厂
| 厂商 | 主力模型 | 备注 |
|---|---|---|
| xAI Grok | Grok 4.1 | OpenRouter |
| Meta | Llama 4 | OpenRouter |
国内大模型厂商
| 厂商 | 主力模型 | 备注 |
|---|---|---|
| 稀宇科技 (MiniMax) | MiniMax M2.5 | OpenRouter |
| 深度求索 (Deepseek) | DeepSeek-V3.2 (DeepSeek-V4 ?) | OpenRouter |
| 月之暗面 (Moonshotai) | Kimi K2.5 | OpenRouter |
| 阶跃星辰 (Stepfun) | Step 3.5 | OpenRouter |
| 智谱 (Z.ai, BigModel) | GLM-5 | OpenRouter |
国内大厂
| 厂商 | 主力模型 | 备注 |
|---|---|---|
| 阿里巴巴 | Qwen3.5 | OpenRouter |
| 字节跳动 | 豆包2.0, Seedance 2.0 | OpenRouter |
四、价格与付费方式
4.1 API token 计费
除了订阅制（Coding Plan），通过 API 调用大模型对话一般基于 token 计费，单位一般为每百万 tokens（1M）多少美元或人民币。有的模型对输入 token 和输出 token 的计费价格不同，输出通常比输入贵很多；有的模型会存在阶梯价格，如果缓存命中，则会降低价格。
为了给出 API 的大致价位，下面列出一些代表性的文本模型价格，数据来源是 OpenRouter。
国外顶级厂商的主力大模型价格较高：
| 模型 | 发布时间 | 输入价格 (每百万Tokens) | 输出价格 (每百万Tokens) |
|---|---|---|---|
| OpenAI: GPT-5.4 | Mar 5, 2026 | $2.5 | $15 |
| OpenAI: GPT-5.4 Pro | Mar 5, 2026 | $30 | $180 |
| Anthropic: Claude Sonnet 4.6 | Feb 17, 2026 | $3 | $15 |
| Anthropic: Claude Opus 4.6 | Feb 4, 2026 | $5 | $25 |
| Google: Gemini 3.1 Pro Preview | Feb 19, 2026 | $2 | $12 |
国外其它大厂的非主力模型价格相对更低：
| 模型 | 发布时间 | 输入价格 (每百万Tokens) | 输出价格 (每百万Tokens) |
|---|---|---|---|
| xAI: Grok 4.1 Fast | Nov 19, 2025 | $0.2 | $0.5 |
| Meta: Llama 4 Maverick | Apr 5, 2025 | $0.15 | $0.6 |
国内大模型厂商的模型价格则便宜很多：
| 模型 | 发布时间 | 输入价格 (每百万Tokens) | 输出价格 (每百万Tokens) |
|---|---|---|---|
| MiniMax: MiniMax M2.5 | Feb 12, 2026 | $0.295 | $1.20 |
| DeepSeek: DeepSeek V3.2 | Dec 1, 2025 | $0.25 | $0.40 |
| MoonshotAI: Kimi K2.5 | Jan 27, 2026 | $0.45 | $2.20 |
| StepFun: Step 3.5 Flash | Jan 29, 2026 | $0.10 | $0.30 |
| Z.ai: GLM 5 | Feb 11, 2026 | $0.80 | $2.56 |
国内大厂的模型价格也差不多：
| 模型 | 发布时间 | 输入价格 (每百万Tokens) | 输出价格 (每百万Tokens) |
|---|---|---|---|
| Qwen: Qwen3.5 Plus 2026-02-15 | Feb 16, 2026 | $0.26 | $1.56 |
| Qwen: Qwen3.5 397B A17B | Feb 16, 2026 | $0.39 | $2.34 |
| ByteDance Seed: Seed-2.0-Mini | Feb 26, 2026 | $0.10 | $0.40 |
小结：对于按 token 计费的大模型，国外顶级模型的价格约为输入 $2-5、输出 $10-20；国内模型通常低得多。
补充说明：
- 这里只是文本类模型，涉及图像和视频输入输出时，价格通常更高，而且 token 消耗速度也快得多。
- 对于大模型的推理部分有时也可能被计费，有的甚至直接按照输出价格计费。
- Anthropic 的模型描述词比较特殊：Haiku 是轻量版，Sonnet 是中等或默认档，Opus 是全能版。
- 这些大模型官网也公布了 API 价格，与 OpenRouter 上的价格通常大体一致：
- OpenAI 官网价格
- Anthropic 官网价格
- Google Gemini 官网价格
- DeepSeek 官网文档：输入 $0.28（缓存命中则降低至 $0.028），输出 $0.42
4.2 国外订阅套餐
OpenAI: 通用订阅
- ChatGPT Go: $8
- ChatGPT Plus: $20
- ChatGPT Pro: $200
Anthropic: 纯粹的编程向订阅，限制于 Claude Code 中应用。
- Claude Pro: $17
- Claude Max: $100
Google: AI 全家桶服务
- Google AI Plus: $8
- Google AI Pro: $20
- Google AI Ultra: $250
注：
- 这些厂商的订阅套餐通常只能在自家的 Web 或应用中使用，与它们自家 API 的按量付费相互独立。
- API 的价格通常比订阅制显得更贵。
- Google 可能会有学生免费一年的优惠，但也可能没有。
4.3 国内 Coding Plan
一些国内厂商提供了面向编程开发者的订阅 API 服务，即 Coding Plan：不是按量付费，而是订阅制付费。
| 名称 | 价格 | 模型 | 备注 |
|---|---|---|---|
| 智谱 Coding Plan | Lite 49元/月，Pro 149元/月，Max 469元/月 | 自家模型 GLM 系列 | Lite 性价比很低，甚至不提供 GLM-5 |
| MiniMax Coding Plan | Starter 29元/月，Plus 49元/月，Max 119元/月 | 自家模型 MiniMax 系列 | 极速版套餐价格翻倍，Starter 额度偏少，偶尔使用 |
| Kimi Coding Plan | Andante 49元/月，Moderato 99元/月，Allegretto 199元/月 | 自家模型 Kimi 系列 | 性价比低 |
| 字节跳动 - 火山引擎 - 方舟 Coding Plan | Lite 40 元/月（首月优惠10元以内），Pro 200元/月 | Doubao、Kimi、GLM等 | |
| 阿里云百炼 Coding Plan | Lite 40 元/月（首月优惠10元以内），Pro 200元/月 | Qwen、GLM、Kimi、MiniMax等 |
补充：
- 这些厂商大多采用“5 小时请求数 + 周请求数 + 月请求数”的三重限制方式。对于请求数，有的按 API 调用次数计算，有的按 prompts 计算，对长对话会更友好。
- 这些 Coding Plan 提供的专用 API，与聚合平台中按量付费的通用 API 并不相同。
五、常用网站
5.1 API 聚合平台
这类平台提供统一接口，可以调用不同厂商的大模型 API，按量付费，不同模型价格也不一样。
- OpenRouter：最大的大模型聚合 API 平台
- 硅基流动 siliconflow：国内聚合 API 平台
补充：
- OpenRouter 在账户充值后，可以调用部分 free-tier 模型，并提供一定额度的免费 API 调用，还可以直接使用
openrouter/free，此时 OpenRouter 会自动选择合适的免费模型，适合简单测试。 - OpenRouter 对同一个模型还提供不同后缀，例如
Nitro更偏速度优先，Exacto更偏输出质量优先。
5.2 模型社区
这类平台主要用于发布、下载和共享开源模型。
- Hugging Face：最大的开源模型社区
- 魔搭 ModelScope：阿里推出的国内模型社区
5.3 模型评测与排行榜
这类平台用于对不同模型能力进行公开评测。
- Chatbot Arena（LMArena）：基于用户对比投票的大模型排行榜，使用类似 Elo rating 的评分方式。
- Open LLM Leaderboard（Hugging Face）：Hugging Face 提供的开源模型排行榜，基于多个标准 benchmark（如 MMLU、ARC、HellaSwag 等）进行综合评测。
- Papers with Code Leaderboards：机器学习任务排行榜网站，汇总不同 benchmark 上的最新 SOTA 模型结果。
All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.
Related Articles
2025-12-17
LLM 代码练习——在 shell 中询问大模型
一个简单的代码练习，解决编程实践中的痛点问题：直接在 shell 中询问大模型具体的 shell 命令。 类似的项目： https://github.com/TheR1D/shell_gpt https://github.com/ChenZiHong-Gavin/easy-shell 完整源码（无任何非标准库的依赖） 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091929394959697989910010110210310410510610710810911011111211311411511611711811912012112212312412512612712812913013113213313413513613713813914014114214314414514614714...
2026-03-02
LLM 学习笔记——AI agent 工具调研
这份笔记偏向 AI 工具、Agent、项目约束与实际使用问题，尽量把“工具怎么用”单独整理出来，不和模型价格、套餐、网站信息混在一起，主要回答几个问题：“有哪些 AI 工具、Agent 是怎么工作的、项目里如何给 agent 加约束和扩展”。 这篇笔记的内容具有明显的时效性，当前原始信息时间是 2026 年 3 月，我并没有精力去持续更新。 一、AI 工具的主要类型目前常见的大模型工具大致包括： Web 对话（Web Chat） IDE 插件（Plugin-Based） AI 原生 IDE CLI 桌面版应用 典型代表包括： Web：ChatGPT、Google Gemini IDE 插件：GitHub Copilot、Cline、通义灵码 Lingma AI 原生 IDE：Cursor、Windsurf、Google Antigravity、Trae / Trae CN、AWS Kiro，通义灵码也有 IDE 产品 CLI：Claude Code、Codex、Gemini CLI、OpenCode（可视作 Claude Code 的开源替代之一） 桌面应用：...
2025-10-17
LLM 代码练习——调用 API 进行简单聊天
一个简单的调用 LLM API 的大模型单次对话脚本，通过 --input 和 --prompt 参数提供输入文件和系统提示文件，输出到标准输出流。 脚本调用 LLM 的方式不依赖 openai 等提供的第三方库，完全使用 Python 标准库实现。 chat-with-prompt.py1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889909192939495969798991001011021031041051061071081091101111121131141151161171181191201211221231241251261271281291301311321331341351361371381391401411421431441451461471481491501511521531...
2026-02-01
LLM 学习笔记——理论基础
这份笔记按“大模型理论学习”的场景整理，重点覆盖基础原理、关键论文、训练流程，以及训练/推理系统与硬件资源，主要回答一个问题：“LLM 为什么能工作、是怎样训练和部署出来的”。 作者并不是大模型相关专业，这里的学习笔记仍然是非常浅显的，只是希望了解一些基本概念。 毫无疑问的是，在大模型领域，实践是远远走在理论前面的，但是基础理论的缺乏并不是致命的阻碍。一个历史上的例子是：“在蒸汽机已经大规模应用的年代，热力学的重要定理一条都还没搞出来，工程师完全凭借的是经验或错误的热质说。等到这些热力学定理终于写出来时，蒸汽机已经跑了几十年甚至上百年。” 一、先建立整体框架可以先把现代大语言模型理解成一条主线： 12345Transformer 架构→ 大规模预训练→ Scaling Laws→ 指令微调与对齐→ 部署与推理优化 如果只看最核心的几件事，大语言模型之所以成功，主要是以下因素叠加： Transformer 提供了可扩展的序列建模方式。 预训练语言模型范式让模型可以先学通用能力，再适配具体任务。 海量文本和代码数据提供了足够丰富的训练信号。 自监督学习让数据规模...
2026-01-17
LLM 代码练习——API 代理
一个单文件的 OpenAI 兼容 API 代理脚本，用来转发请求到上游服务，并记录请求与响应日志，可以用来测试大模型服务。 flowchart LR; A[OpenAI 兼容客户端] -->|HTTP 请求| B[llm-proxy] B -->|转发请求| C[上游大模型服务] C -->|返回响应| B B -->|返回响应| A B -.->|记录请求与响应| D[日志文件] 用法直接运行： 1uv run llm-proxy.py --upstream-base-url https://your-upstream.example.com/v1 常用参数： --upstream-base-url：上游服务地址 --host：监听地址，默认 127.0.0.1 --port：监听端口，默认 8000 --log-dir：日志目录，默认 ./logs --upstream-timeout：上游请求超时，默认 300 llm_proxy.py 头部已内联声明依赖，uv run 会自动处理单脚本的依赖：提...
2026-03-01
microgpt.py 源码学习
microgpt.py 是 Andrej Karpathy (@karpathy) 写的一个教学项目，约 260 行纯 Python（不依赖 PyTorch，甚至不依赖 numpy）实现完整的 GPT 训练和推理。 我对原始代码进行了一些微调——封装了 AdamOptimizer、补了类型标注、给 Value 加了 _op 字段和 print_value_tree() 方便观察计算图。 下面是学习整理的源码级逐段拆解。 准备：自动求导实现由于不依赖 PyTorch 和 Numpy，首先需要一个 Value 类来实现自动求导，为后续的训练和推理提供基础。 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263import mathclass Value: __slots__ = ("data", "grad", "_children", &...