先看各家手里的牌
GPT 系列（OpenAI）：综合能力和生态的标杆，function calling、结构化输出这些工程化能力最成熟，开发者文档和周边工具链最完善。短板是价格和国内访问的合规问题。Claude（Anthropic）：长文本理解和代码能力口碑很好，写东西的「人味」公认最强，Cursor 这类代码产品大量用它不是偶然。Gemini（Google）：上下文窗口给到百万级 token，多模态尤其是视频理解是强项，价格是御三家里最卷的。
国产第一梯队：DeepSeek 是 2025 年最大的变量，R1 的推理能力接近一线水平而 API 价格打到 GPT-4o 的零头，直接把国内推理成本拉下一个数量级；通义千问、豆包（字节）、Kimi（月之暗面）、智谱 GLM 各有所长，Kimi 靠长文本出圈，豆包背靠字节的流量和语音能力，千问的开源版本生态最活跃。合规上国内产品基本绕不开国产模型或国内合规渠道。
开源模型：Llama、Qwen、DeepSeek 的开源版本、GLM 系列。开源的意义不是「免费」——自己部署的算力成本并不低——而是可控：数据不出内网、模型权重在手里不会被厂商停服、可以微调出自己的专有行为。
选型的四个维度
第一，能力匹配，不是能力最强。你的场景是客服意图分类，一个几十亿参数的小模型微调后可能比 GPT-4o 还稳还便宜；你的场景是复杂代码生成，那确实只有头部两三个模型能扛。用自建评测集（这是前提，没有评测集的选型都是拍脑袋）把候选模型跑一遍，往往发现第二梯队的模型在你的场景里跟第一名只差三五个点，价格差十倍。
第二，算成本账。按真实业务的输入输出比例折算每千次调用的成本，再乘上预估的 DAU 和人均调用次数，算月度账单。常见盲区：长上下文场景的输入 token 远大于输出（RAG 一次塞几千字检索结果），这类场景输入价格权重要调高；Agent 场景单任务几十次调用，成本要按任务算不能按轮次算。
第三，合规红线。国内 to C 产品，模型需要备案，这就是为什么国内大厂 App 清一色用自研或国产模型；涉及用户数据的企业服务，客户合同里往往写明数据不出境，GPT、Claude 直接出局；政企、金融客户大概率要求私有化部署，那就只剩开源模型一条路。合规是硬约束，先筛完这层再谈能力。
第四，可控性和锁定风险。闭源 API 的风险是厂商涨价、改版、停服——GPT-4 某次更新后一堆产品效果波动就是教训。缓解手段是抽象一层模型网关，prompt 和评测集与具体模型解耦，保证切换模型只改配置。
不同产品形态的典型结论
国内 C 端产品：主力用国产第一梯队（DeepSeek、豆包、千问），理由简单——合规、便宜、网络稳定，能力在绝大多数对话和内容场景已经够用。出海产品：GPT 或 Claude 主力，Gemini 做成本敏感功能的替补。企业 B 端：私有化需求用 Qwen 或 DeepSeek 开源版部署，SaaS 形态的客户用国产 API。一个产品里混用多模型是常态而非例外。
多模型路由是成熟做法
不要追求一个模型包打天下。成熟的做法是路由：简单问题（闲聊、FAQ、分类）走便宜的小模型，复杂问题（多步推理、长文写作、代码）走旗舰模型，按意图识别分流。实践里路由能砍掉一半以上的模型成本，用户基本无感。再进一步，同一个功能不同套餐走不同模型——免费用户给小模型，付费用户给旗舰模型，模型成本直接变成定价体系的弹药，豆包和 Kimi 的付费档位背后都是这个逻辑。