旗舰模型发布解读与换代判断

每隔几周就有一份「最强模型」公告。要从里面提取出决策信息，先把公告里的数字分成三类。

可以直接横着比的：上下文长度、每百万 token 的价格、开放权重的许可条款、以及第三方独立评测（如 Artificial Analysis）的分数。这些有统一口径。

要先换算才能比的：参数量。MoE 模型会报两个数——总参数和激活参数。Inkling 的约 1 万亿总参数里每次只激活 41B，Kimi K3 的 2.8 万亿同理。拿总参数去和稠密模型比大小没有意义，真正决定推理成本的是激活参数。同理，训练数据的 token 规模要连数据配方一起看，单看总量说明不了质量。

基本不可比的：厂商自定义的复合指标。GPT-5.6 主打「单位算力的智能密度」，方向可能是对的，但没有公开口径，不能当选型依据，只能当作「这家在优化哪个方向」的信号。

什么时候才真该换？三个条件至少满足一个：

1. 现在的模型在某个具体任务上稳定失败，且已经排除了提示词和上下文的问题。
2. 成本结构发生数量级变化，不是便宜一两成。
3. 出现了你确实需要的新能力——更长上下文、原生多模态输入、或者开放权重让你能自托管。

「榜单排名变了」不是换代理由。

换代真正的开销通常不在模型本身，而在这四项：

• 提示词要重调。 不同模型对指令的敏感度不同，原样搬过去经常退化。
• 评测要重跑。 不重跑就不知道换完是变好还是变差，只是换了个感觉。
• 成本要重算。 单价降了不等于账单降了——输出长度、重试率、上下文填充量都会变。
• 上下游要回归。 工具调用格式、输出解析、超时设置都可能要跟着改。

遇到「开放权重」的公告，还要多看一步：宣布开源和真的能用之间有距离——权重哪天真放出来、许可允不允许商用、能不能用它的输出去训练别的模型，各家写法差别很大。承诺本身不是可用性。

这项技能和「模型与输出评估」分工清楚：那一条讲怎么设计你自己的检查，这一条讲怎么读别人的公告、决定要不要换。实际用起来是先后关系——先用这条判断值不值得试，再用那条验证试的结果。