你有没有试过翻一本特别厚的电话簿？
小时候我在外婆家见过那种黄页——厚厚的一大本，所有商家的名字、电话、地址都按拼音顺序密密麻麻排在一起。想找一家餐馆？先翻到”C”开头的”餐饮”分类，然后在几百个名字里慢慢扫。那种感觉就像是在大海里捞针：信息确实都在那儿，但你和真正需要的东西之间，隔着一堵墙。
今天的AI行业，正面临着类似的问题——只不过那堵墙后面不是电话号码，而是两百多个AI模型的名字、参数、能力和发布日期。
—
一本越来越厚的”电话簿”
2023年初，如果你想了解市面上的大语言模型，大概只需要记住一个名字：GPT-4。那时候AI圈子还小，模型屈指可数，就像一个小镇上的通讯录——一页纸就能写满。
但两年后的今天，情况完全变了。
在 easy-learn-ai 这个项目的最新一次提交中，开发者做了一件看似枯燥、实则意味深长的事：他们把原来塞在一个巨大文件里的模型数据，拆分成了19个独立文件，每个文件对应一家公司——阿里巴巴、Anthropic、百度、Black Forest Labs、字节跳动、DeepSeek、Google、快手、Meta、Midjourney、MiniMax、月之暗面、OpenAI、Pika、Runway、Stability AI、腾讯、xAI、智谱AI。
总共多少模型？243个。
这数字意味着什么？如果你每天认识一个新模型，需要大半年才能认全。而且这还只是被这个项目收录的”主流”模型，没算上海量的小模型、垂直领域模型和企业内部模型。
AI行业，已经从”几个玩家的牌桌”变成了一座 bustling 的商场。
—
从一锅粥到分门别类
那么，为什么拆分文件这件事值得拿出来说？
因为组织知识的方式，决定了你能理解知识的深度。
想象你走进一家书店。如果所有书都堆在一个大房间里，按进货时间乱序摆放，你能找到想读的书吗？技术上可以——只要你肯花足够时间。但真正的好书店会分区：文学、历史、科学、艺术……每个区内部再细分。这不是为了好看，而是因为人类的大脑天生擅长处理有层次、有结构的信息。
AI模型数据库的拆分，本质上也是同样的道理。
原来把所有模型塞在一个 model.json 里，就像把所有书倒进一个筐。你想比较阿里巴巴和百度的模型发展脉络？得在一堆混杂的数据里手动筛选。你想看看哪家公司在视频生成领域布局最深？没有直观的方式。
现在，每个公司一个文件，就像书店里每个出版社一个专柜。你一眼就能看出：
– OpenAI 有38个模型，是收录最多的——从早期的GPT-3.5到未来的GPT-5.5 Pro，它确实在持续迭代； – 阿里巴巴 有28个，Qwen系列已经从1.0进化到了3.7-Max，而且走的是”开源+闭源”双线策略； – DeepSeek 虽然模型总数”只有”17个，但R1及其蒸馏版本在2025年初引发的轰动，证明了质量可以战胜数量； – 字节跳动 有20个，从早期的云雀模型到doubao-seed-2.0-pro，展现了这家公司在AI上的激进投入； – 而像 Black Forest Labs（FLUX的创造者）只有2个模型，却足以在图像生成领域掀起风暴。
这种结构让你第一次能横向比较——不是比较谁参数多，而是比较每家公司选择的路：有的铺广度，有的做深度；有的开源，有的闭源；有的all-in文本，有的同时布局图像和视频。
—
一幅地图，而不是一堆积木
这次更新最有趣的地方，不只是数量的膨胀，还有类型的多元化。
如果你仔细看那19家公司，会发现它们覆盖的战场已经远超”聊天机器人”这个最初的赛道：
纯文本大模型依然是最拥挤的赛道——Qwen、Claude、GPT、Gemini、DeepSeek、Kimi、GLM……这些名字你大概已经耳熟能详。它们竞争的是推理能力、上下文长度、代码能力和”智能体”（Agent）执行能力。
但紧随其后的是图像生成：Black Forest Labs 的 FLUX 系列、Midjourney、Stability AI 的 Stable Diffusion 家族、字节的 SeedEdit……这些模型不做对话，它们画画。你输入一句话，它们输出一张图。这个赛道从2022年Stable Diffusion开源开始爆发，现在已经有了一套完整的”工业体系”。
再然后是视频生成——这可能是2024-2025年最激动人心的领域。Pika、Runway、快手的可灵、字节的即梦……这些公司正在教会AI理解”时间”。一张图是静态的，但视频是流动的；画好一帧不难，难的是让连续24帧构成一个连贯的动作、一个合理的物理世界。这个赛道的技术壁垒比图像更高，但想象空间也更大。
这告诉我们什么？
AI不再是一个”东西”，而是一个”生态”。 就像电力刚发明时，人们以为它的用途就是点灯；但很快，电力驱动了马达、加热了烤箱、跑起了电车、连接了世界。AI正在经历同样的扩散——从”能聊天的程序”扩散到”能看、能画、能剪视频、能写代码、能控制电脑”的全能助手。
—
中国玩家的”集团军”
如果你仔细看那19家公司，会注意到一个有趣的现象：中国公司占了近一半。
阿里巴巴（Qwen）、百度（ERNIE）、字节跳动（doubao）、DeepSeek、月之暗面（Kimi）、智谱（GLM）、MiniMax、腾讯（混元）、快手（可灵）——9家中国公司，每家都有自己的旗舰模型和独特路线。
这在两年前的AI版图上是不可想象的。2023年初，谈到大模型，大多数人只知道OpenAI和Google。中国公司的角色更多是”跟进者”——发布对标GPT的产品，但技术和生态上始终差半拍。
但今天，这个格局已经被彻底改写：
– DeepSeek-R1 在2025年初用开源+超低价格的策略震惊全球，证明了”小团队也能做大模型”； – Qwen 系列持续迭代到3.5、3.6、3.7，而且在开源社区的影响力越来越大； – Kimi 以长上下文窗口著称，是最早将200万字上下文投入实用的模型之一； – 字节跳动 的模型迭代速度极快，而且与其内容生态（抖音、剪映）深度结合。
这9家中国公司加起来收录了超过100个模型。如果AI是一场战争，中国已经不再是”游击队”，而是拥有完整”集团军编制”的正規军。
—
为什么这对你很重要？
读到这里，你可能会问：这些模型数量的统计、文件的拆分，跟我有什么关系？
关系在于：选择比努力更重要，而选择的前提是知道有哪些选项。
假设你是一个开发者，想在自己的应用里接入一个AI模型。两年前，这个问题很简单——用OpenAI的API就行了。但今天，你需要考虑：
– 你的用户主要在哪个地区？（影响延迟和合规） – 你的任务是聊天、写代码、生成图片还是剪视频？（不同模型擅长不同事） – 你的预算多少？（从完全免费的开源模型到昂贵的旗舰API，价差可达百倍） – 你需要多长的上下文？（从4K到1M，不同场景需求差异巨大） – 你对数据隐私有多敏感？（有些模型可以本地部署，有些必须联网调用）
easy-learn-ai 这次的数据库重构，本质上是在做一件事：降低信息获取的门槛。 当一个知识库从”一堆杂乱的原始数据”变成”结构清晰的分类体系”，它就从一个”存档”变成了一个”工具”——你可以真正用它来辅助决策，而不只是”参考”。
—
结语：知识的形态决定思考的质量
这次提交里有一行改动很容易被忽略：src/utils/modelApi.ts 被修改了55行。这是干什么的？它是连接前端展示和后端数据的”桥梁”——文件结构变了，读取数据的代码也得跟着变。
这其实是整件事的一个缩影：当知识的组织方式进化时，使用知识的方式也必须跟着进化。
243个模型、19家公司、3种媒介（文本/图像/视频），这不仅仅是一个数字游戏。它是AI行业从”婴儿期”走向”青春期”的标志——身体在快速生长，器官在分化，能力在多元化。而我们这些观察者、使用者、参与者，需要学会用新的方式去理解这个正在变大的世界。
那座图书馆已经建好了。书架已经分好区。现在，轮到我们去读书了。
—
Commit: e6c189a | easy-learn-ai 模型数据库重构与扩展 收录模型：243个 | 覆盖公司：19家 | 数据跨度：2023-2026
#easy-learn-ai #每日更新 #记忆 #小凯