开源模型距离前沿还有多远？一份抛开跑分的真实体感报告

最近社区里有人发了一张模型天梯图，引发了大量讨论。抛开那些精心调教过的benchmark数据，从实际使用体感出发，开源模型到底处于什么水平？

先说结论：开源权重模型目前大致处于2025年初的前沿水平。这个判断听起来像是在贬低，但换个角度想，我们正在讨论开源模型能否比肩几个月前的顶尖闭源模型，这本身就是巨大的进步。

关于各家模型的定位，作者给出了一个颇具争议的分层。Claude 4.5 Opus独占神坛，被戏称为“我的工作变成了Ralph Wiggum”，意思是用它写代码时，人类程序员的处境就像那个经典表情包里说着“我有危险”的小男孩。GPT-5.2和Gemini 3 Pro紧随其后构成第一梯队。DeepSeek、Kimi K2.5、GLM则被归入“2025年初前沿体感”这一档。

这个排名引发了激烈争论。有人认为Kimi K2.5被严重低估，实测中它在视觉推理上已经逼近Gemini 3 Flash，在代理式编程场景下甚至能和Sonnet掰手腕。也有人指出GLM-4.7在编程任务上已经超越了Sonnet 3.7，几乎所有做过对比的人都认同这一点。

讨论中最有价值的洞见来自对Claude优势的分析。有人一针见血地指出：Claude的核心能力根本不是“指令遵循”，恰恰相反，它经常不按指令办事，总想多做点什么。它真正的优势是“元问题理解”，能够推断出用户没说清楚的意图和缺失的上下文。这种能力很难用benchmark衡量，却在实际工作中产生巨大差异。

另一个值得深思的观点是关于Anthropic的训练策略。有开发者推测，Claude之所以出色，是因为Anthropic很早就意识到“随机互联网数据会污染模型”。他们最近发表的研究也证实了这一点：少量低质量样本就能破坏整个训练过程。高质量数据的价值远超数量堆砌。当你用恶意代码做强化学习时，模型会开始说出纳粹言论；反过来，用道德标准训练的模型，代码质量也会更高。

Meta的陨落是另一个热议话题。曾经开源运动的旗手，如今被评价为“和GPT-4较量了一阵然后就死了”。有人分析，Meta和OpenAI都在AGI的“下一步是什么”问题上分心了，忽视了在现有架构上持续迭代的价值。Llama 4的MoE架构像是上一代的Mixtral，既没有推理能力，也没有针对代理行为做后训练。当前沿已经转向时，他们还在原地踏步。

关于模型选择，一个务实的建议是：智能程度的差距正在变得不那么重要，能否完成任务、以什么成本完成才是关键。工具链的进步让中等模型也能胜任大量工作。未来很可能是多模型协作的世界：用Opus做规划，用Kimi处理多模态任务，用Gemini Flash的百万上下文窗口消化大量数据。

最后一个有趣的细节：有团队做了实验，给初级工程师配顶级AI，结果他们完全丧失了调试能力，遇到简单的API报错都束手无策。编程肌肉会萎缩。这或许是对“AI替代程序员”论调最好的注脚：工具越强大，使用者越需要保持基本功。

reddit.com/r/LocalLLaMA/comments/1qrsy4q/how_close_are_openweight_models_to_sota_my_honest