首页/AI 常见问题

AI 常见问题

读榜口径、模型选型、工具使用、成本部署与术语误区,共 70 条,答案只引用本站已收录的数据。

读榜与口径模型选型术语误区工具与使用成本与部署

读榜与口径

15
为什么 v5 和 v4.3.2 的分数不能混着比?

Artificial Analysis Intelligence Index 于 2026-10-27 升到 v5,题目变难,同一模型的分数整体下移。本站用列头版本号区分两套口径,跨版本比较没有意义。 方法论与数据源 →

表格里的「—」是 0 分吗?

不是。「—」表示该基准尚未收录这个模型,不代表能力为零。新模型、开源模型与小众语种模型的收录率更低,直接按综合分排序会系统性低估它们。 方法论与数据源 →

混合价 3:1 是怎么算的?

按输入 3 份、输出 1 份加权:(3 × 输入单价 + 输出单价) / 4。它比单看输入价更接近真实账单,但同一任务的输出 token 量因模型而异,做预算仍要看每任务成本。 方法论与数据源 →

智能指数是什么?

本站综合总榜采用 Artificial Analysis Intelligence Index,它把多项公开基准合成一个分数。分项(GPQA、Terminal-Bench 4.0、LiveBench Design 等)单独列在各模型页,选型时建议一起看。 方法论与数据源 →

GPQA Diamond 测的是什么?

研究生级科学推理题,抗数据污染能力较强,满分 100。它衡量的是难题推理,不等于日常写作或编码能力。 方法论与数据源 →

Terminal-Bench 4.0 为什么重要?

它在真实容器里跑软件工程与终端任务,看的是任务完成率,比聊天式问答更接近 agent 的实际表现。分数低于 20% 时建议先小范围试用。 方法论与数据源 →

tok/s 高就一定快吗?

tok/s 是持续输出速度,首字延迟(TTFT)决定「多久开始出字」。本站同时收录两者;实时对话更看 TTFT,长文生成更看 tok/s。 方法论与数据源 →

为什么本站不做自测?

自测结果无法由第三方独立复核。本站只采用公开、口径明确、可复核的评测结果与厂商官方定价页,每页标注来源与口径版本,避免把不可比的分数混进排名。 方法论与数据源 →

价格单位是什么?

美元 / 百万 token(USD per 1M tokens),输入与输出分开列。缓存命中价单列;没有按 token 计价的订阅制模型不参与价格与性价比排名。 方法论与数据源 →

榜单多久更新一次?

综合总榜约两周更新一次,模型与定价数据随本站数据文件同步更新,页脚标注最近更新日期。发现错误可在方法论页反馈,核实后写进更新日志。 方法论与数据源 →

开放权重和开源是一回事吗?

不是。开放权重指能拿到模型参数自行部署,许可可能限制商用或再分发;开源通常还要求训练代码、数据与完整自由度。本站模型页「权重」一栏只标注许可名称,具体条款以官方模型卡为准。 开源模型榜 →

为什么同一个模型在不同产品里表现不一样?

产品层的系统提示词、检索、工具链与上下文管理都会改变结果。本站收录的是模型本身的公开基准分数,不等于任何一款聊天产品的实际体验。 模型库 →

模型页的能力雷达图怎么读?

六个维度各自对全场最大值归一化后画成雷达图,只表达相对位置,不表示绝对分数高低。跨维度的面积没有可比性,做决策请回到下方的分项得分表。 看一个模型页 →

为什么有的模型没有综合智能指数?

综合指数需要该模型被对应榜单收录。新发布、开源或小众模型常常只有分项基准成绩,本站用「—」标记,不做估算填充。 综合总榜 →

更新日志里记了什么?

记录口径变更、模型增删、分数与价格修正、以及站点功能上线。所有改动都留痕,不做静默调整;首页「最近更新」就是从这份日志自动生成的。 更新日志 →

模型选型

6
综合智能最强的模型是哪几个?

按本站当前收录的分排在前三的是:Claude Fable 5.2(65)、GPT-6.2 Astra(62)、Gemini 4 Neon(61)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 综合总榜 →

做科研推理该选哪个模型?

按本站当前收录的分排在前三的是:Gemini 4 Argon(96.4)、Claude Sonnet 5.5(95.6)、Gemini 3.8 Flash(95.4)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 推理榜 →

跑终端 agent / 改代码该选哪个?

按本站当前收录的分排在前三的是:Kimi K3.1 Pro(67.2)、Gemini 4 Carbon(65.2)、GPT-6.2 Astra(64.1)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 代码榜 →

要输出最快该选哪个?

按本站当前收录的tok/s排在前三的是:Claude Haiku 5.5(255)、DeepSeek V4.1 Flash(203)、Gemini 4 Hydrogen(188)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 速度榜 →

要把成本压到最低该选哪个?

按本站当前收录的分排在前三的是:Claude Haiku 5.5(180)、GPT-6 Luna(140)、GLM-5.3 Flash(118.1)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 性价比榜 →

要一次读完整本资料该选哪个?

按本站当前收录的tokens排在前三的是:GPT-6.1 Terra(1,050,000)、GPT-6 Luna(1,050,000)、Gemini 3.8 Flash(1,048,576)。这些是单项排序,实际选型还要把价格、速度与上下文一起看。 模型库 →

术语误区

30
大语言模型 最常见的误解是什么?

参数多、跑分高就等于好用——真实任务里,提示词写法与工具接入往往比换模型更影响结果。 查看词条 →

词元 最常见的误解是什么?

一个汉字就是一个 token——分词器各有各的切法,同一个词在不同模型里 token 数可能不同。 查看词条 →

上下文窗口 最常见的误解是什么?

窗口越大越好——超长上下文既贵又慢,中段信息还容易丢,结构化检索通常更划算。 查看词条 →

幻觉 最常见的误解是什么?

换个更强的模型就不会幻觉——所有生成式模型都会,只是频率和领域不同。 查看词条 →

提示词 最常见的误解是什么?

提示词有唯一正确的写法——它是可做对照实验的工程问题,不是玄学。 查看词条 →

系统提示 最常见的误解是什么?

在系统提示里写「不要泄露密码」就安全了——权限必须由程序控制,模型只能被引导。 查看词条 →

温度 最常见的误解是什么?

温度 0 就一定完全确定——浮点运算与批处理仍可能带来细微差异。 查看词条 →

核采样 最常见的误解是什么?

参数调得越细效果越好——多数业务里,提示词与示例的质量影响远大于采样参数。 查看词条 →

少样本提示 最常见的误解是什么?

示例越多越好——上下文有限,示例挤占的是材料空间,通常 2–5 个最划算。 查看词条 →

思维链 最常见的误解是什么?

思维链越长越准——冗长的自我复述常带来新的错误累积。 查看词条 →

结构化输出 最常见的误解是什么?

有了结构化输出就不用校验——语义仍可能错,类型对不代表内容对。 查看词条 →

多模态 最常见的误解是什么?

多模态等于能看懂任何图——密集小字、复杂图表、手写体仍是弱项。 查看词条 →

参数量 最常见的误解是什么?

参数越大越聪明——小模型在垂直任务上微调后经常反超大模型。 查看词条 →

推理模型 最常见的误解是什么?

推理模型适合所有任务——在简单任务上它更慢更贵,效果还未必更好。 查看词条 →

长上下文 最常见的误解是什么?

长上下文会取代 RAG——两者解决的是不同问题,检索负责找对材料,长上下文负责读透材料。 查看词条 →

中段遗忘 最常见的误解是什么?

只要塞进窗口模型就一定读到——位置本身就会影响召回。 查看词条 →

基础模型 最常见的误解是什么?

基础模型拿来就能直接上线——未经对齐和领域适配的底座,通常不会好好听指令,也不知道你的业务边界。 查看词条 →

上下文学习 最常见的误解是什么?

模型真的「学会了」这个任务——它只是从上下文里临时归纳,会话结束就归零。 查看词条 →

指令遵循 最常见的误解是什么?

提示里写了「严格只输出 JSON」就一定只输出 JSON——复杂任务里仍需要结构化输出或解析兜底。 查看词条 →

零样本 最常见的误解是什么?

零样本效果差就说明模型不行——很多时候只是任务描述里缺了口径和判定标准。 查看词条 →

下一词预测 最常见的误解是什么?

模型在预训练时就被教过「回答问题」——它学的是续写,对话能力是后训练对齐出来的。 查看词条 →

Transformer 最常见的误解是什么?

Transformer 只适合文本——视觉、语音、蛋白质结构都在用同一套结构。 查看词条 →

注意力机制 最常见的误解是什么?

注意力权重能解释模型为什么这样回答——它只是中间计算结果,不等于因果解释。 查看词条 →

混合专家 最常见的误解是什么?

MoE 一定比同规模稠密模型强——路由训练不好时,专家会退化,效果不稳定。 查看词条 →

自回归解码 最常见的误解是什么?

模型是一次性想好整段再输出——实际是逐 token 生成,边写边定。 查看词条 →

分词器 最常见的误解是什么?

分词器无关紧要——它决定了同样内容要付多少钱、能塞多少进窗口。 查看词条 →

位置编码 最常见的误解是什么?

位置编码只是加个序号——它决定了模型能不能外推到更长上下文。 查看词条 →

旋转位置编码 最常见的误解是什么?

改个参数就能无损扩窗——外推后的中段召回通常仍会下降,需要训练配合。 查看词条 →

多头潜在注意力 最常见的误解是什么?

省显存一定牺牲质量——MLA 通过低秩压缩保留信息,实测损失很小。 查看词条 →

扩散模型 最常见的误解是什么?

扩散模型只能画画——蛋白质结构、音频、机器人动作轨迹都在用。 查看词条 →

工具与使用

8
对话与通用助手类有哪些工具可选?

本站「对话与通用助手」分类收录了 9 个工具,例如 Claude、ChatGPT、Gemini。适合日常问答、写作与信息整理,每条都写了定价与「什么时候别用」。 AI 工具库 →

编程与开发类有哪些工具可选?

本站「编程与开发」分类收录了 9 个工具,例如 Claude Code、Cursor、Codex。适合编码、重构与仓库级任务,每条都写了定价与「什么时候别用」。 AI 工具库 →

图像生成与编辑类有哪些工具可选?

本站「图像生成与编辑」分类收录了 5 个工具,例如 ChatGPT Images、Nano Banana、Midjourney。适合图像生成、编辑与素材批处理,每条都写了定价与「什么时候别用」。 AI 工具库 →

视频生成类有哪些工具可选?

本站「视频生成」分类收录了 5 个工具,例如 Veo、Sora、可灵 Kling。适合视频生成、剪辑与后期,每条都写了定价与「什么时候别用」。 AI 工具库 →

语音与音乐类有哪些工具可选?

本站「语音与音乐」分类收录了 3 个工具,例如 ElevenLabs、Suno、Whisper。适合语音合成、转录与音乐生成,每条都写了定价与「什么时候别用」。 AI 工具库 →

Agent 与自动化类有哪些工具可选?

本站「Agent 与自动化」分类收录了 4 个工具,例如 n8n、Dify、Manus。适合工作流编排与自动化 agent,每条都写了定价与「什么时候别用」。 AI 工具库 →

检索与研究类有哪些工具可选?

本站「检索与研究」分类收录了 3 个工具,例如 Perplexity、NotebookLM、Elicit。适合文献检索、综述与资料整理,每条都写了定价与「什么时候别用」。 AI 工具库 →

推理与部署类有哪些工具可选?

本站「推理与部署」分类收录了 5 个工具,例如 Ollama、LM Studio、vLLM。适合模型部署、推理加速与 API 接入,每条都写了定价与「什么时候别用」。 AI 工具库 →

成本与部署

11
开源权重模型一定更省钱吗?

不一定。权重开放省的是 API 加价,但要自己承担 GPU、显存、推理引擎与运维成本。本站「性价比」按 API 混合价计算,不含自建成本。 AI 术语速查 →

上下文窗口越大越好吗?

长上下文能一次装下更多资料,但存在「中段遗忘」:放在中间的信息更容易被忽略。关键结论建议放在开头或结尾,或先做检索与压缩。 AI 术语速查 →

缓存命中价为什么值得看?

系统提示词、长文档前缀这类重复内容命中缓存后按缓存价计费,通常远低于输入价。把稳定前缀放在最前面,是压成本最直接的手段。 AI 术语速查 →

为什么每任务成本比单价更重要?

两个模型同为 $2/$10,完成同一任务的输出 token 量可能差 3 倍。更强的模型往往写得更短、少一轮返工,单价贵但每任务成本可能只高一点。 AI 术语速查 →

怎么判断一个模型能不能私有化部署?

先看模型页的「权重」一栏:标注开放权重并给出许可名称的才可以。闭源 API / 订阅模型无论参数量多大都不能自建,本站也不收录其权重地址。 AI 术语速查 →

模型下线了怎么办?

厂商会按生命周期下线旧模型。选型时优先看是否有同价位可替代项,并把模型路由与提示词解耦;本站模型页的「同价位竞品」就是为这个场景准备的。 AI 术语速查 →

AI 导航和 AI 工具库有什么区别?

AI 工具库是本站精选的 43 个工具,每条带解读与定价;AI 导航(nav.ppv9.com)是 320 个站点的完整分类目录,适合按场景穷举。两者共用一份清单。 AI 术语速查 →

术语看不懂去哪查?

本站博客的 AI 术语速查收录 138 个词条、8 个分类,每条含一句话定义、常见误区与延伸阅读;模型页与工具页里的「相关术语」会直接链过去。 AI 术语速查 →

本站数据能直接用于采购决策吗?

可以作为初筛,不能作为唯一依据。分数来自公开评测、价格取官方定价页且存在同步延迟,采购前请核对官网并用自己的任务集做一轮验证。 方法论与数据源 →

上下文窗口和 token 是什么关系?

上下文窗口按 token 计量,包含输入与已生成的输出。中文一个字通常占 1–2 个 token,1M 上下文不等于能塞进 100 万汉字,还要给回答预留空间。 上下文窗口词条 →

AI 导航里的「免费」标记可靠吗?

标记来自收录时的公开信息,只表示存在免费档,不覆盖额度、并发与商用限制。工具迭代快,实际以官网为准。 AI 工具库 →

数据来源与口径

完整方法论与数据源 →

本页数值来自公开评测结果,本站不做自测、不接受厂商送分。主要来源:

This site's recorded benchmark fieldsOfficial vendor pricing pagesAI glossary (common misconceptions)

行业评测数据还常来自公开数据集、榜单平台与配套评测脚手架、企业私有评测集、生产日志与用户反馈回流、合成数据;本站当前榜单只采用其中公开、可复核、口径明确的结果。