文本模型（Large Language Model, LLM）是当前 AI 浪潮的核心。几乎所有应用——ChatGPT、Cursor、客服机器人——底层都是文本模型。
文本模型能做什么
输入文字 → 模型 → 输出文字
能力谱系:
生成 写文章、写代码、写邮件
理解 摘要、分类、情感分析、翻译
推理 数学、逻辑、多步分析
工具 Function Calling → 调 API、执行命令
角色 按 System Prompt 扮演特定角色核心机制：预测下一个 Token（见基础系列第 02 篇）。所有「智能」表现都源于此。
2026 年主流模型对比
| 模型 | 厂商 | 上下文 | 强项 | 定价（输入/1M token） |
|---|---|---|---|---|
| GPT-4o | OpenAI | 128K | 综合最强、工具生态 | ~$2.5 |
| Claude 3.5 Sonnet | Anthropic | 200K | 代码、长文本、安全 | ~$3 |
| Gemini 2.0 Flash | 1M | 超长上下文、多模态 | ~$0.1 | |
| DeepSeek V3 | DeepSeek | 128K | 性价比、中文、代码 | ~$0.27 |
| Llama 3.3 70B | Meta | 128K | 开源最强、可私有部署 | 免费（自托管） |
| Qwen 2.5 72B | 阿里 | 128K | 中文、开源、多尺寸 | 免费（自托管） |
价格和版本变化快，上表是 2026 初中参考。选型时查各厂商最新 pricing page。
闭源 vs 开源
闭源（API 调用）
优点: 能力最强、零运维、持续更新
缺点: 数据出境、vendor lock-in、成本随量线性增长
代表: GPT-4o, Claude, Gemini
适合: 快速 MVP、对数据隐私要求不极端、追求最强能力开源（自部署）
优点: 数据私有、成本可控、可微调、无 API 限制
缺点: 需要 GPU 运维、能力略逊顶级闭源、升级靠自己
代表: Llama 3, Qwen, DeepSeek（开源权重）, Mistral
适合: 数据敏感（金融/医疗/政府）、大量调用、需要微调实际选型案例
- Cursor：多模型支持（GPT-4o + Claude + 自定义），让用户按场景切换
- Notion AI：早期用 OpenAI，后增加自研/开源模型降成本
- 国内银行客服：Qwen 私有化部署，数据不出内网
模型能力的真实边界
| 真的强 | 看起来强但其实弱 |
|---|---|
| 代码生成和解释 | 精确数学计算（应用计算器工具） |
| 文本摘要和翻译 | 实时信息（训练数据有截止日期） |
| 结构化输出（JSON） | 100% 事实准确（会幻觉） |
| 多语言（中英等） | 小语种和方言 |
| 遵循复杂指令 | 超长链式推理（会中间出错） |
怎么选模型（决策树）
需要最强综合能力？
是 → GPT-4o 或 Claude 3.5 Sonnet
否 ↓
需要超长上下文（>200K）？
是 → Gemini 2.0 Flash
否 ↓
数据必须私有化？
是 → Qwen 2.5 / DeepSeek V3 自部署
否 ↓
成本敏感、调用量大？
是 → DeepSeek V3 API（性价比最高）
否 ↓
需要中文优化？
是 → DeepSeek V3 或 Qwen
否 → Llama 3.3 或 GPT-4o-mini（便宜）文本模型的下一步
- 推理模型（o1、R1）：花更多 compute 在「思考」上，数学和逻辑显著增强
- Agent 原生：模型内置 tool use 和 planning 能力，减少 Harness 工程
- 端侧小模型：3B-8B 模型在手机/PC 本地运行，隐私 + 低延迟
- MoE 架构：Mixture of Experts 成为主流（DeepSeek V3、Mixtral），更大能力 + 更低推理成本
参考资料
小结
文本模型是 AI 应用的「大脑」。2026 年的生态是 闭源顶尖 + 开源追赶 + 推理模型崛起。选型没有绝对最优——取决于你的场景、预算和数据约束。