中国头部模型已经不再全面落后一代，但也没有全面追平。真实世界里的答案是 「场景分裂」——聪明度已接近，真正的差距在稳定性、工具链与产品闭环。
总体可压缩成一句话：中国模型在 base / open model 层已经很强；美国/西方在闭源前沿、产品化 RL、agent harness、企业部署闭环上仍强。
作者不按厂商发布会的说法判断，也不只看 benchmark，而看：谁真的在用、谁长期用、谁愿意付费、谁会在复杂任务里放心交给模型。证据权重从高到低排列：
很多讨论把问题说成「谁更聪明」，但真实用户反馈不是这样。中国模型在单轮问题、短程编码、局部任务、中文材料、私有部署中非常强——任务一旦变成长程，差距就出来了。
单轮问题 · 短程编码 · 局部任务 · 中文材料 · 私有部署。Qwen、DeepSeek、Kimi、GLM 在这些场景非常能打。
跨文件修改 · 工具链循环 · 上下文压缩 · 反复测试 · GUI 操作 · 多小时 agent 任务。这些场景里用户对 Claude / GPT / Gemini 的「少出意外」仍更信任。
核心差距：中国模型不是不聪明，而是在复杂真实工作流里，还不够稳定。那最后的 10%，决定能不能放心把任务交给它。
实用差距判断 ＝ 真实工作流里的可用性差距，而非 benchmark 分数差距。
| 维度 | 🇨🇳 中国现实位置 | 🇺🇸 美/西方现实位置 | 实用差距 | 证据强度 |
|---|---|---|---|---|
| 中文对话/学习/长文问答 | DeepSeek、Qwen、豆包、Kimi 对国内用户已足够强，成本低、入口多；敏感话题与稳定性影响体验 | ChatGPT/Claude/Gemini 在全球用户、工具生态、英文资料、稳定性更强 | 中文小 · 全球有差 | ★★★★ |
| 小模型 / 本地模型 | Qwen 小尺寸、DeepSeek distill、GLM 小模型在 LocalLLaMA/Ollama/LM Studio 采用很强 | Phi、Gemma、Llama、Mistral 仍强，但西方开源热度相对分散 | 局部领先 | ★★★★★ |
| 前沿闭源大模型 | DeepSeek V4、Qwen3.6、GLM-5、Kimi K2.x 逼近，但稳定性与产品闭环不均衡 | GPT-5.5、Claude 4.x、Gemini 3.x 在长程工具、企业案例、产品化 agent 领先 | 半代~一代 | ★★★★ |
| Agentic coding | Qwen/Kimi/GLM/DeepSeek 在 OpenClaw、Claude Code 兼容 API、本地 opencode 快速上升 | Claude Code、Codex、Cursor、Gemini 工具生态更成熟 | 多文件代理明显 | ★★★★★ |
| 本地/自托管/私有云 | 开源权重与量化生态非常活跃，成本与隐私优势大 | Llama、Mistral、Gemma、Phi 在合规与西方企业信任上有优势 | 开发者侧强 | ★★★★★ |
| OCR / 文档 / 中文图文 | Qwen-VL 系列在开放 OCR/文档抽取非常强，中文文档优势明显 | Gemini/GPT/Claude 在综合多模态、GUI、视频、工具产品化更强 | OCR 接近 | ★★★★ |
| 视频生成 | Kling、Vidu、Minimax/Hailuo、Seedance 竞争力很强，短视频生态适配好 | Veo、Runway 在音频、电影级工作流、角色一致性领先；Sora 产品已停 | 短视频接近 | ★★★ |
| 全球信任/合规/采购 | 开源可本地化缓解风险，但服务端数据、内容审查、地缘政治影响国际采用 | 跨国企业采购、SOC/合规、审计生态更强 | 显著且非纯技术 | ★★★★★ |
小模型 ＝ 通常 <30–40B 激活参数，或可在单卡 / 消费级多卡 / Mac 统一内存上部署的蒸馏、MoE、边缘模型。用户选它不是因为「最聪明」，而是四个字：可控、便宜、够用。
Qwen3 0.6B→235B（dense+MoE 全覆盖）、Qwen3-30B-A3B、Qwen3.6-27B/35B-A3B、DeepSeek R1 distill、GLM 小模型
Phi-4、Gemma 4、Llama 4 Scout/Maverick、Mistral Small——英文、工具文档、合规、大厂生态仍有优势
DeepSeek-V3：671B 总参 / 37B 激活 MoE，MLA + DeepSeekMoE + 无辅助损失负载均衡 + MTP，14.8T token / 2.788M H800 GPU 时
| 场景 | 为什么够用 | 中国模型表现 |
|---|---|---|
| 本地代码解释 / 简单 patch / 脚本 | 上下文有限，错误可人工检查 | Qwen Coder / Qwen3.6 小 MoE 很受欢迎 |
| 私有文档抽取 / 分类 / 路由 | 任务结构化，低成本高吞吐 | Qwen、DeepSeek distill、GLM 小模型适合 |
| 中文问答 / 教育 / 摘要 | 中文语料与表达强，成本低 | DeepSeek / Qwen / 豆包吸引力强 |
| 边缘设备 / Mac / 低显存 | 不能或不愿调用云端 API | Qwen 小模型下载量与热度高 |
| 离线 / 隐私代码库 | 不想把代码发给闭源 SaaS | 本地 Qwen/Kimi/DeepSeek 成为 Claude 替代或补充 |
在开放模型生态中，「中国领先采用」有较强证据——但这≠全球 AI 应用采用领先。
| 维度 | 中国开放模型真实优势 | 典型痛点 |
|---|---|---|
| 成本 | DeepSeek/Qwen/Kimi/GLM API 价格低，本地边际成本低 | 免费/低价服务拥堵，官方 Web 服务稳定性不一 |
| 隐私 | 本地跑代码库、私有文档，不发给闭源 SaaS | 部署复杂，量化/template/parser 影响大 |
| 中文 | 中文表达、OCR、国内知识、中文任务更自然 | 敏感政治 / 监管话题受限 |
| Agentic coding | 可接入 Cline、OpenCode、OpenClaw、Claude Code 兼容接口 | 长程工具调用、compaction、上下文丢失、doom loop |
| 硬件 | MoE + 量化让单卡 / Mac 可跑更强模型 | Q4/Q5/Q8、llama.cpp/vLLM 版本差异会改变结果 |
很多时候差距不只是模型本身，而是 parser、streaming、chat template、量化版本带来的工具调用错误。
vLLM issue：Qwen3 streaming tool call 把 50306 截成 503。
Qwen2.5-Coder 生成了正确 XML 工具调用，但 parser 没填入 OpenAI 兼容的 tool_calls 数组。
Qwen3.6-35B GGUF：UD-Q6/Q8 工具调用失败、输出不稳定、死循环，chat template 修复后改善。
这正是「实用代差」的核心：benchmark 里模型可能很聪明，但生产里一次 parser bug、一次 context compaction、一次错误工具调用，就会让用户回到 Claude / GPT。
| 生态 | 中国模型 | 西方模型 | 现实判断 |
|---|---|---|---|
| LocalLLaMA/Ollama/LM Studio | Qwen、DeepSeek、Kimi、GLM 热度极高，量化版本多 | Llama、Mistral、Gemma、Phi 仍是重要基座 | 中国成主流之一 |
| 企业私有部署 | DeepSeek/Qwen 低价、开源、中文强 | Llama/Mistral/Gemma 更易进入西方合规叙事 | 技术强·信任弱 |
| Agent 框架适配 | 快速兼容 Claude Code/OpenCode/OpenClaw | Claude Code/Codex 原生体验更成熟 | 追赶快·harness 落后 |
| 硬件适配 | 积极适配 Ascend 等国产芯片；Mac/消费卡社区活跃 | NVIDIA 生态、CUDA/vLLM/Triton 更成熟 | 生态成熟度不足 |
Qwen2.5-VL 强调文档/图表/视觉 agent；DeepSeek-VL2 用 MoE VLM + 动态 tiling + MLA KV 压缩覆盖 VQA/OCR/文档/表格；GLM-4.5V/5V 强调图像/视频/文档/GUI 操作。
1000 份文档 JSON 抽取评估：Qwen2.5-VL 72B/32B 约 75% 准确率，接近 GPT-4o，超过 Mistral OCR 与 Gemma-3 27B；32B 与 72B 接近、性价比更高。
Qwen3-VL-30B 在 3060 上约 20 秒/图，识别手机照片库存/配方并输出结构化数据。
Qwen2.5-VL 7B 做 UI 自动化：能描述屏幕、输出 UI 元素 JSON 坐标，但 agent 进入 endless loop；坐标接近但不准确，Ollama 图像 resize 影响效果。
手写 OCR 对 prompt/设置敏感，会漏段落、字母级准确率不稳定，暂不能无人工校验长期使用。
| 场景 | 中国模型 | 西方模型 | 差距 |
|---|---|---|---|
| 中文 OCR / 票据 / 扫描 | Qwen-VL、DeepSeek-OCR/PaddleOCR-VL 很强，本地吸引力大 | GPT/Gemini/Claude 强但成本高、闭源 | 接近/局部领先 |
| 英文/多语言文档抽取 | Qwen-VL 很强，开放模型中突出 | GPT-4o/5.x、Gemini、Claude 稳健、工具集成好 | 小到中 |
| 手写 / 低质量扫描 | VLM 比传统 OCR 好，但仍漏读/幻觉 | 西方前沿也不完美，通常更稳 | 中等 |
| GUI agent / 屏幕控制 | 能识别 UI，但循环、坐标、状态管理问题多 | Claude/GPT/Gemini 产品化更强 | 明显 |
| 长视频 / 音视频理解 | GLM/Qwen 等在追赶 | Gemini/Veo/Google 生态更强 | 明显 |
这是中国最接近西方前沿的领域之一。Kling、Vidu、Minimax/Hailuo、Seedance 在创作者社区与短视频场景表现很强。值得注意：OpenAI Sora 网页/app 于 2026-04-26 停止，到 2026 年中已不能算活跃领先消费产品。
| 指标 | 🇨🇳 Kling / Vidu / Minimax / Seedance | 🇺🇸 Veo / Runway / Luma / Pika / Sora |
|---|---|---|
| 短视频创作者采用 | 强 · 适配中文 prompt、短视频平台、低门槛 | 强 · YouTube/TikTok/广告创意工具链 |
| 运动一致性 / 物理 | Kling 2.x/3.0 反馈很强，但高方差仍存在 | Veo/Runway 通常更稳，尤其专业控制 |
| 角色一致性 | Kling I2V 与脸部保持被称赞 | Runway Gen-4 明确主打一致角色/物体 |
| 音频 | 追赶中 | Veo 3/3.1 显著优势 |
| 成本效率 | 常被认为更便宜/性价比好 | 高质量但成本更高 |
| 审查 / 安全过滤 | 内容限制更强，影响政治/暴力/成人/讽刺创作 | 也有强过滤；Sora 产品化风险与治理压力大 |
| 总体差距 | 短视频近乎 parity ｜ 专业多镜头、音画同步、可控工作流西方仍领先 | |
点击展开每条叙事的真实性检验。
对中文对话、学习、摘要、低成本 API、本地部署、小型 coding 辅助、OCR 抽取、短视频，确实足够好——很多用户会因免费/便宜/隐私/中文体验切换。
但不能泛化：对复杂工程、长程 agent、跨工具工作流，「good enough」常变成「还差最后 10%」，而那 10% 决定能不能放心交给它。有用户说 DeepSeek 免费但经常 server busy，仍为 ChatGPT 付费，因为一致性更重要。
HF 下载、OpenRouter token、Qwen/DeepSeek 派生模型数量，确实显示中国开放模型影响力巨大。
但消费产品上 ChatGPT 仍巨大领先；中国国内则是豆包、DeepSeek、Qwen、Kimi、元宝自成生态，不能直接等同于全球领先。
Benchmark 不能捕捉 compaction 丢信息、parser 出错、chat template bug、量化引发的 tool call 失败、长程任务自我纠错。
Cursor 对 Composer 2/2.5 的技术报告反而说明真正差距：不是只继续预训练 Kimi K2.5，而是用真实 Cursor 环境、长程任务、大规模 RL、synthetic tasks、behavior shaping 提升 end-to-end agent。这正是「裸模型很强、产品稳定性差一截」的根源。
Cursor 官方披露 Composer 2 / 2.5 都建立在 Kimi K2.5 开源基座上继续预训练和 RL。如果一个美国头部 coding IDE 的前沿 coding 模型可以建在中国开源基座上，就不能说中国还停在上一代。
更准确的是：中国在 base/open model 层已经很强；美国/西方在闭源前沿、产品化 RL、agent harness、企业部署闭环上仍强。
四股力量同时作用：技术路线在收敛，数据结构不同，生态位置不同，芯片/监管/信任仍是外部变量。
DeepSeek-V3 的 MLA、DeepSeekMoE、FP8 训练、MTP、低成本叙事 + Qwen/Kimi/GLM 的 MoE 化，都在算力受限下追求「每 token 成本」与「每激活参数智能」。这条路线极适合开放模型扩散：模型可大但激活小、可量化、可在消费级硬件跑、可被 Cursor/OpenClaw/llama.cpp/vLLM 二次开发。
长程工具使用、真实环境 RL、复杂 agent benchmark、自家产品用户数据回流、企业客户任务分布。Cursor Composer 把 Kimi K2.5 强基座，通过继续预训练 + 真实 session RL + 十万沙箱 + synthetic harder tasks + 错误工具调用的局部反馈，变成 coding agent。
中国在中文表达/文档/OCR/国内场景天然贴近用户（豆包靠语音、视频、抖音集成、低门槛 UI 胜出，WIRED：超 DeepSeek 关键是 ByteDance 懂产品/分发/病毒传播）。但英文技术文档、GitHub issue、企业代码库、浏览器/IDE 操作轨迹更利于西方闭源通过产品闭环积累。
出口管制迫使中国重视效率与国产芯片（GLM-5 用国产芯片推理，DeepSeek V4 被 AP 报道部分由华为芯片支持、1M context）。监管是另一真实差距：DeepSeek 内容审查、数据存储在中国、敏感话题限制影响国际信任；微软/Reuters 也提到数据存储地可能成为美国采用阻碍。
「稳定态」定义 ＝ 在复杂真实工作流中低摩擦、低惊讶、少意外失败，接近 2026 年 5 月 Claude/GPT/Gemini 高端模型的 agent 稳定水准。■ 乐观 · ■ 基线 · ■ 保守（条形左端 ＝ 乐观追平点）
判断中国模型是否进一步追上，不要只盯新模型发布会。
社区是否出现持续、大规模「我取消 Claude，用 Qwen/Kimi/GLM/DeepSeek 完成真实工作」的帖子，而非 demo。
Terminal-Bench 2、SWE-bench Pro、OSWorld-Verified、WebArena、BrowseComp，及私有企业 agent eval。
vLLM/llama.cpp/OpenCode/Cline/OpenClaw 中 tool_call parser、streaming、JSON、schema、compaction bug 是否明显下降。
能否在 128K/256K/1M context 下保持稳定，不因 compaction 丢目录、丢目标、丢约束。
Q4/Q5/Q8 对 coding agent 的影响能否缩小（当前量化显著影响 tool calling 与 reasoning）。
Cursor 基于 Kimi K2.5 极重要。更多 IDE/agent/客服/RAG 平台底层采用中国 checkpoint，说明实用价值被全球承认。
Ascend、寒武纪、摩尔线程、昆仑芯在大 MoE 推理/训练的稳定性、成本、工具链。只适合推理则前沿训练差距仍在。
Kling/Seedance/Minimax 能否在原生音频、多镜头一致性、导演控制、长视频稳定性上追上 Veo/Runway。
能否提供可信海外部署、透明安全策略、可审计数据边界，及敏感/合规场景的可预测行为。
2026 年中，中美之间已不是传统的「整体落后一代」，而进入「开放模型强势追平、闭源前沿与稳定 agent 仍落后、视频和 OCR 局部接近或领先」的阶段。
已基本追上，在国内入口、语音、短视频、多功能消费应用上更贴近本土用户。
Qwen/DeepSeek/Kimi/GLM 是开发者会主动选择的模型，不只是民族品牌叙事。
聪明度接近，稳定性、工具链、长程行为还差——大概率还需 1–2 年。
非常强，Qwen-VL 是开放模型中最有实用含金量的方向之一。
尤其是持续状态管理和低错误率，仍有明显差距。
Kling/Seedance/Minimax/Vidu 已是全球竞争者；专业音画、长镜头、工作流可控性 Veo/Runway 仍领先。
技术之外，合规、数据、审查、地缘政治与产品生态，会让追赶更慢（2–4 年甚至更久）。
中国已在开放模型与成本效率上进入第一梯队，但美/西方仍掌握高稳定 agent、产品闭环与全球信任的关键优势。