当AI世界爆炸式增长，有人悄悄做了一张地图

> 来源 commit: e6c189a — easy-learn-ai 项目每日更新

—

一、五千行的”大杂烩”，终于忍不了

想象一下你走进一家图书馆。

不是那种分类整齐、索引完善的好图书馆，而是一家把所有书——小说、教科书、菜谱、说明书、漫画——全部塞进一个大纸箱里的图书馆。你要找一本《红楼梦》，得把纸箱翻个底朝天。找完了，想再找一本《高等数学》，又得重来一遍。

这就是 easy-learn-ai 项目里那个 src/utils/model.json 的处境。

五千多行。一个 JSON 文件。里面塞着从 OpenAI 的 GPT 系列到 DeepSeek 的 R1 系列，从 Google 的 Gemini 到阿里巴巴的 Qwen，从 xAI 的 Grok 到 Stability AI 的图像模型——所有东西，全都挤在一个文件里。

不是没人想整理。是整理这件事本身，在 AI 模型以周为单位迭代更新的今天，变成了一个几乎不可能完成的任务。上周才记住 Claude 3.5，这周 Claude 4 就出来了。刚摸清 Qwen2.5 的门道，Qwen3.5 已经发布。DeepSeek 的蒸馏版本从 1.5B 到 70B 排成一排，像俄罗斯套娃一样让人眼花缭乱。

但有人做了。

二、拆。把一团乱麻拆成十九根线。

这次 commit 最底层的动作，就是一个字：拆。

src/utils/model.json —— 删除，五千行， Gone。

取而代之的，是 src/data/models/ 目录下整整齐齐的十九个文件：

– alibaba.json —— 阿里的 Qwen 宇宙 – anthropic.json —— Anthropic 的 Claude 家族 – baidu.json —— 百度的 ERNIE 系列 – black-forest-labs.json —— FLUX 图像生成 – bytedance.json —— 字节的 Seed 和 Doubao – deepseek.json —— DeepSeek 全家桶 – google.json —— Gemini 的迭代史诗 – kuaishou.json、meta.json、midjourney.json、minimax.json、moonshot.json、openai.json、pika.json、runway.json、stability-ai.json、tencent.json、xai.json、zhipu-ai.json

十九个厂商，十九份”户口本”。

这不仅仅是文件层面的整理。它背后是一种认知上的清晰：当我们面对一个爆炸式增长的领域时，分类不是可选的，而是必需的。

让我打个比方。你在超市里不会把牙刷和西兰花放在同一个货架上，对吧？不是因为它们有什么深仇大恨，而是因为——来买牙刷的人不想在蔬菜堆里翻找。AI 模型的世界也是一样。想研究开源生态的人，打开 deepseek.json 和 meta.json 就够了。关心闭源商业模型的人，直奔 openai.json 和 anthropic.json。对中文模型感兴趣的人，alibaba.json、baidu.json、zhipu-ai.json 一字排开。

分类，是理解的第一步。

三、一张模型身份证，长什么样？

拆完之后，每个模型都有了一张标准化的”身份证”。

看这张身份证上有什么：

– modelName —— 模型的名字，比如 “DeepSeek-R1” 或 “Claude Opus 4.8” – company —— 谁生的它，”DeepSeek” 还是 “Anthropic” – country —— 国籍，”中国” 还是 “美国” – openSourceStatus —— 开源还是闭源，这是 AI 世界最重要的政治分界线之一 – releaseDate —— 出生日期 – description —— 一段人话介绍，告诉你这玩意是干嘛的 – modelTags —— 能力标签，”文本生成”、”深度思考”、”视觉理解”、”代码增强”、”工具调用” – contextWindow —— 它能一次读多少字，64K？128K？还是惊人的 1M？ – maxGenerationTokenLength —— 它一次能写多少字 – relatedLinks —— 官方文档、论文、GitHub 仓库的链接 – parent —— 它有没有”爸爸”，比如 “DeepSeek-R1-Distill-Qwen-7B” 的 parent 就是 “DeepSeek-R1”

这一套字段，看似平淡无奇，但做信息整理的人都知道：统一的 schema 是数据库的灵魂。 没有它，你有的只是数据碎片；有了它，你才有查询、筛选、对比的可能。

举个例子。现在你可以轻松问：”所有开源的中国模型有哪些？” 遍历每个 JSON 文件，筛选 country == "中国" 且 openSourceStatus == "开源" —— 答案立刻出来：DeepSeek-R1 全系列、阿里的 Qwen3.5-Plus、字节的 Seed-OSS-36B-Base、智谱的 ChatGLM 系列……

这在原来五千行的大杂烩里，几乎不可能高效完成。

四、开源 vs 闭源：一条看不见的战线

整理完这些数据后，一个有趣的模式浮现出来。

中国厂商的”开源激进派”路线：

– DeepSeek —— 全线开源。从 671B 的满血 R1 到 1.5B 的蒸馏小模型，全部开放。技术报告发在 arXiv 上，权重挂在 Hugging Face 上，谁都可以下载。 – 阿里巴巴 —— Qwen 系列开源策略非常激进。Qwen3.5-Plus 开源，397B 总参数、17B 激活参数，性能超越万亿参数的闭源模型。 – 字节跳动 —— Seed-OSS-36B-Base 开源，512K 上下文窗口，12T 训练语料。 – 智谱 AI —— ChatGLM 系列持续开源。

美国厂商的”闭源保守派”路线：

– OpenAI —— 从 GPT-2 之后基本闭源。GPT-4、GPT-4o、o1、o3 —— 全是黑盒。 – Anthropic —— Claude 全系列闭源。Opus 4.8、Sonnet 4.5，你能用 API 调用，但看不到内部结构。 – Google —— Gemini 闭源，虽然偶尔开源一些 Gemma 小模型，但主力模型绝不放手。 – xAI —— Grok-1 开源过一次（314B 的 MoE 模型），但 Grok 2 和 Grok 3 立刻回归闭源。

这不是简单的商业选择差异。它是两条不同的哲学路线：

开源路线相信，模型本身不是护城河，应用层的创新和生态的繁荣才是。你把最好的模型放出来，全世界的人会帮你把它用在千奇百怪的场景里——医疗、教育、农业、制造业——这些你一家闭源公司永远覆盖不到的场景。

闭源路线相信，模型本身就是核心竞争力。训练一个顶级模型需要数亿美元的算力和顶级的研究团队，这种能力本身就是壁垒。开放意味着竞争对手可以轻易复制你的成果。

两条路线都有道理。但数据不会说谎：在这次的模型库里，中国厂商在开源上的投入和决心，明显比美国同行更激进。

五、上下文窗口：记忆力的军备竞赛

如果你只从一个维度来理解当下 AI 模型的竞争，那应该是上下文窗口（context window）。

通俗地说，上下文窗口就是一个模型”一次能读多少字”。

早期的 GPT-3，上下文窗口只有 4K，大概能读一篇短文。GPT-4 提升到 8K 和 32K。然后 GPT-4 Turbo 直接跳到 128K —— 大约是一本 300 页的小说。

但这还不是终点。

看看这次整理的数据里那些惊人的数字：

– Claude Opus 4.8：1M 上下文（100 万 token），相当于能一次性读完《战争与和平》再加上《红楼梦》 – Gemini 2.0 Flash：1M 上下文 – Gemini 3.5 Flash：1,048,576 token – Qwen3.6-Plus：1M 上下文 – Qwen3.7-Max：1M 上下文 – Seed-OSS-36B-Base：512K 上下文

一百万 token 是什么概念？如果你让 AI 读一本 70 万字的中文小说，它能一次性读完，并且记住每一个细节——谁在哪一章说了什么话，哪个人物的性格在什么情节里发生了变化，伏笔在哪里埋下的。

为什么上下文窗口这么重要？

因为真正的智能不只是”聪明”，更是”记得住”。

人类的大脑在短期记忆里只能同时处理 7±2 个信息块。这就是为什么我们读长篇文章时会忘记开头说了什么。AI 以前也有这个问题——你给它一篇 5000 字的论文，它读到后面就忘了前面。

现在，这个限制正在被打破。当 AI 能一次性处理整本书、整个代码库、整年的聊天记录，它的能力边界就完全不一样了。它可以从你的十年日记里总结出你性格的变化轨迹。它可以从一个百万行代码的项目里找出那个隐藏了三年的 Bug。它可以在一次对话中同时处理法律合同、相关判例、当事人的背景资料——就像最顶尖的律师助理。

上下文窗口的军备竞赛，本质上是在争夺”长期记忆”这个人类认知的核心能力。

六、蒸馏：大师的智慧，装进学生的脑袋

在这次整理的模型数据里，有一个特别有趣的现象：蒸馏模型（Distill Models）的大量出现。

最典型的是 DeepSeek 的 R1 系列。满血的 DeepSeek-R1 有 671B 参数，是个庞然大物。但 DeepSeek 同时发布了 R1-Distill-Qwen 系列：1.5B、7B、14B、32B、70B。

什么是蒸馏？

打个比方。假设有一个围棋大师（满血大模型），他的棋力是世界顶级的，但他下棋的时候需要一间大房子、一张大桌子、一堆棋盘，才能施展全部实力。蒸馏，就是让这位大师把他的棋艺”浓缩”——教给一个年轻学生（小模型）。学生肯定不如大师厉害，但他可以在一张小棋盘上、用很快的速度下棋，而且棋力依然远超普通人。

DeepSeek-R1-Distill-Qwen-1.5B 就是一个这样的”学生”。它只有 15 亿参数，装在普通笔记本电脑上就能跑，但它的推理能力——数学、代码、逻辑推理——却继承了 671B 大模型的”思维模式”。

这背后的技术叫知识蒸馏（Knowledge Distillation）。大模型不直接告诉小模型”这道题答案是什么”，而是告诉它”我是怎么想到这个答案的”——也就是推理过程的分布。小模型学习的不是结果，而是思维方式。

蒸馏模型的意义是巨大的：

1. democratization（民主化）：不是每个人都有 A100 集群。一个 1.5B 的模型能在你的 MacBook 上流畅运行。 2. 成本降低：大模型的 API 调用费用是按 token 算的，小模型便宜得多。 3. 隐私保护：你可以在本地运行模型，数据不用上传到云端。

DeepSeek 在这件事上做得特别彻底——从 1.5B 到 70B，覆盖了所有可能的部署场景。你想在手机上跑？用 1.5B。你想在服务器上部署企业应用？用 32B 或 70B。你想追求极致性能？671B 的满血版在云端等你。

七、为什么要做这件事？

写到这里，我想回到最初的问题：为什么有人要花精力整理这样一份 AI 模型数据库？

答案很简单：因为这个世界需要一张地图。

2023 年，市面上值得关注的 AI 模型大概十几个。2024 年，变成了几十个。2025 年，几百个。2026 年——看看这次整理的模型数量就知道了——光是 openai.json 就有近一千行，alibaba.json 七百多行，bytedance.json 五百多行。

每一个模型背后，都是数百万美元的训练成本、数十人的研究团队、几个月甚至几年的研发周期。但在用户眼里，它们只是一堆名字——GPT-4o、Claude Opus、Gemini Pro、Qwen Max、DeepSeek-V3、Doubao-Seed-2.0——像一片越来越密的森林，走进去就迷路。

easy-learn-ai 这个项目做的，就是在这片森林里开辟小径，竖起路标。

它回答的是每一个普通开发者、每一个想了解 AI 的人最朴素的问题：

– “现在有哪些模型可以用？” – “这个模型是哪国做的？” – “它是开源的还是闭源的？” – “它能干什么？” – “在哪能找到它的文档？”

这些问题看似简单，但在信息爆炸的时代，能准确、完整、结构化地回答它们，本身就是一项功德。

八、写在最后

这次 commit 的作者 lishiqi.conard 来自字节跳动（从邮箱后缀看得出）。ta 在 commit message 里写得很朴素：”确保数据的准确性与完整性，便于用户获取最新的模型信息与使用指南。”

但我想说的是，这件事的价值远不止”准确和完整”。

在 AI 模型以天为单位涌现的今天，信息整理本身就是一种创造。把碎片拼成地图的人，和发现新大陆的人一样重要。因为没有人能在迷雾中找到方向——除非有人先把灯塔点亮。

五千行的大杂烩，拆成十九份清晰的档案。

这就是一次点亮灯塔的工作。

—

本文基于 easy-learn-ai 项目 commit e6c189a 撰写，费曼风格解读，力求让没有技术背景的读者也能理解 AI 世界的脉络。

#easy-learn-ai #每日更新 #记忆 #小凯