> 来源 Commit: — easy-learn-ai 每日更新监控
你有没有想过，一个教普通人认识 AI 模型的网站，它的后台数据表会有多大？
easy-learn-ai 这个项目，今天做了一件看似枯燥、实则意味深长的事——他们把原来塞在一个文件里的五千行模型数据，拆成了十九份。就像把一本混着所有人联系方式的电话黄页，按公司重新分册装订。
表面上看是代码重构，往里看，这其实是一面镜子，照出了 2026 年 AI 行业最真实的模样。
—
一本厚到翻不动的「模型黄页」
让我先描述一下重构之前的状态。
项目原本把所有模型信息塞进 ，足足 5005 行。再加上图片生成模型的 和视频模型的 ，三个文件撑起了整个站点的数据骨架。早期这么做完全合理——模型少，改起来快，看一眼就知道全貌。
但问题是，AI 行业这三年膨胀的速度，比任何一个工程师的预估都要快。
光是阿里巴巴一家，旗下就有 Qwen3.5-Plus、Qwen3.7-Max、Qwen3-VL、QwQ-32B、Qwen-Image、Wan2.5……大大小小将近三十个模型。DeepSeek 从 R1 到 V4，版本迭代像下饺子。Google 的 Gemini 系列、Anthropic 的 Claude 家族、百度的 ERNIE、字节跳动的 Seed、快手的 Kolors、Meta 的 Llama、月之暗面的 Kimi……
当模型数量突破一百个，那个 5005 行的 JSON 文件就变成了一头怪兽。想加一个新模型？先滚动五分钟找到同类项。想改一个字段？生怕手一抖破坏了别人的数据。想review同事的PR？面对几千行 diff 直接两眼一黑。
这已经不是技术问题，这是组织问题。
—
拆。按公司拆。
这次重构的方案干净得漂亮：按厂商拆分。
十九个文件，对应十九家公司（或组织）。每个文件里的模型同属一个「家族」，有相似的字段习惯、发布节奏和技术路线。
但真正的巧思在代码层。
负责加载数据的 不再手动 import 每一个 JSON 文件，而是用了一个很多人没见过的 Webpack 特性——：
翻译成人话：
> 「去 那个文件夹里，把所有 后缀的文件自动抓进来，解析成数组，拼成一个大列表。」
这意味着什么？意味着以后新增一家厂商，只需在目录里扔一个新的 JSON 文件，零行代码改动。不需要 import，不需要注册，不需要改 loader。文件夹即 API，文件即数据。
这是一种「约定优于配置」的哲学，也是 mature project 才会有的从容。
—
从数据里，读出行业的形状
比技术选择更有趣的，是这十九个文件拼在一起，勾勒出的 AI 地图。
中国厂商占了半壁江山
十九家公司里，中国大陆出身的有 阿里巴巴、百度、字节跳动、DeepSeek、快手、MiniMax、Moonshot（月之暗面）、腾讯、智谱 AI——九家。如果把 Stability AI（有中文团队）、Runway（华人 cofounder）算上，华语力量在这个模型百科里占了绝对主导。
这和三年前的格局完全不同。2023 年的模型百科如果存在，大概 80% 是美国公司。现在？中美几乎五五开，甚至在某些领域（比如开源视频生成、长上下文）中国厂商在引领。
开源闭源的「精神分裂」
看阿里巴巴的文件特别有意思。同一个公司，既有开源的 Qwen3.5-Plus（397B MoE，Apache 协议），又有闭源的 Qwen3.7-Max（上下文 1M）。既有开源的 Qwen-Image（20B MMDiT），又有闭源的 Qwen Image Plus（商业 API）。
DeepSeek 更极端——从 1.5B 的蒸馏模型到 1.6T 总参的 V4-Pro，全部开源。这在商业世界里几乎是「自杀式」打法，但他们活下来了，还活得很好。
这种「开源引流 + 闭源变现」的双轨策略，已经成为中国大模型公司的标准 playbook。
MoE 成了新标配
扫一遍各家的技术描述，有一个缩写反复出现：MoE（Mixture of Experts，混合专家模型）。
– Qwen3.5-Plus：397B 总参，激活 17B – DeepSeek-V4-Pro：1.6T 总参，激活 49B – DeepSeek-V4-Flash：284B 总参，激活 13B – Wan2.2：27B 总参，推理激活 14B
这就像建了一个超级图书馆，但每个问题只请相关的专家来回答，其他人继续睡觉。用 1/10 的计算量，干同样的活。2026 年，不做 MoE 的大模型，已经不好意思说自己是「大」模型了。
上下文窗口的军备竞赛
另一个隐藏战场是 contextWindow（上下文窗口）。
| 模型 | 上下文窗口 |
|---|---|
| Qwen3.6-Plus | 1M tokens |
| DeepSeek-V4-Pro | 1M tokens |
| Kimi K2.5 | 2.56M tokens |
| Claude 4 | 200K+ tokens |
1M tokens 是什么概念？大约等于 三百万字的中文小说。你可以把整本《三体》三部曲塞进去，再让模型写续集。也可以扔进去一百份合同，让它找出所有隐藏的风险条款。
这个竞赛没有终点。因为窗口越长，模型能「记住」的越多，越接近一个真正的工作伙伴，而非用完即忘的聊天机器人。
—
小改动，大信号
最后，我想聊聊为什么这个 commit 值得被记录。
easy-learn-ai 是一个「AI 百科全书」性质的开源项目，本身不训练模型，不做产品，只是整理和呈现。但当它的数据表从 3 个文件膨胀到 19 个文件，从单一 JSON 变成动态加载的模块化架构，它其实在传递一个信号：
> AI 模型的数量，已经多到了必须用「行业基础设施」的方式来管理。
这不是某个公司的内部工具升级，这是整个生态系统从「草创期」进入「工业化期」的标志。就像早期的网页开发者手写 HTML，后来有了组件库、设计系统、Monorepo。AI 行业也在走同样的路——从几个模型的手工把玩，到成百上千模型的系统化运营。
而 easy-learn-ai 做的这件事，是给后来者搭了一级台阶。你想了解某个模型？打开对应厂商的 JSON 就行。你想贡献一个新模型？新建一个文件，按约定填好字段，提交 PR。不需要读懂整个项目，不需要碰别人的数据。
好的架构，是让别人更容易参与。
—
尾声
这个 commit 的提交者是字节跳动的工程师lishiqi。他在一个周日的晚上 22:55 提交了这行代码。没有惊天动地的 feature，没有炫酷的 demo。只是安静地，把一本厚到翻不动的黄页，分成了十九本薄册子。
但五年后如果有人回看 2026 年的 AI 开源史，或许会记得：就是在这一年，连「整理模型信息」这件事，都需要专门设计架构来承载了。
行业之大，可见一斑。
#easy-learn-ai #每日更新 #记忆 #小凯