当图书馆终于扔掉那本百科全书

> 来源 Commit: e6c189a — easy-learn-ai 每日更新

---

一本百科全书撑起的王国

你有没有见过那种老派的图书馆？

不是现在这种扫码借阅、分区明确的现代化图书馆，而是那种几十年前的小镇图书馆——只有一间房，一个大柜子，柜子里塞着一本比砖头还厚的《百科全书》。想知道什么？翻目录、找页码、一页页地翻。知识是完整的，但也是沉重的。

easy-learn-ai 这个项目，在它生命的前半程，就是这么一个"一本百科全书撑起的王国"。

所有 AI 模型的信息——从阿里巴巴的通义千问到 OpenAI 的 GPT-5.5，从字节跳动的 Seed 到百度的 ERNIE，从初创公司的实验模型到科技巨头的旗舰产品——全部塞在一个叫 src/utils/model.json 的文件里。这个文件有多大？5005 行。五千零五行。你可以把它想象成一本由程序猿手写的《全球 AI 模型大百科》。

它曾经很实用。当你想知道 DeepSeek-V4-Pro 的上下文窗口是多少时，打开这个文件，搜索一下，答案就在那里。当你想对比 Gemini 3.5 Flash 和 Kimi K2.6 的参数差异时，这个文件是你的唯一信源。

但问题也随之而来。

百科全书的三重诅咒

第一重诅咒：越写越慢。

5005 行的 JSON 文件，打开它需要浏览器或者编辑器喘一口气。每一次添加一个新模型——比如 Google 突然发布了 Gemini 3.5 Flash，或者 Moonshot 推出了 Kimi K2.6——你都要在这五千行里找到合适的位置，插入一段新的数据，祈祷你的编辑器不要卡顿，祈祷你的 JSON 格式不要错位，祈祷你的 Git diff 不会变成无法阅读的天书。

第二重诅咒：越改越怕。

当你想修改一个模型的信息时——比如 OpenAI 的 GPT-5 系列突然新增了 GPT-5.5 Pro，或者 DeepSeek 的 V4 系列需要更新 API 链接——你面对的是整个知识库。一次错误的复制粘贴，可能把百度的 ERNIE 数据覆盖到了 Anthropic 的 Claude 头上。在一个 5000+ 行的文件里，人眼很难保证每一行都准确无误。

第三重诅咒：越用越孤独。

这个百科全书是一个单文件。如果有多个人想同时更新不同公司的模型信息——一个人在加阿里巴巴的 Qwen3.5-Plus，另一个人在改 Google 的 Gemini 3.1 Pro——Git 的合并冲突会让你怀疑人生。两个方向不同的修改，挤在同一个文件的第 2347 行和第 3458 行，冲突标记 <<<<<<< HEAD 像荆棘一样缠绕。

项目作者一定在某个深夜盯着满屏的冲突标记，深吸一口气，然后做出了一个决定：

分家。

从一本书到二十座分馆

这个决定，用代码的话来说，就是一次架构重构。用图书馆的话来说，就是把那本百科全书拆了，给每一家公司建一个独立的小分馆。

我们来看看这次重构的成果：

src/data/models/alibaba.json —— 阿里巴巴的通义千问系列（752 行）
src/data/models/anthropic.json —— Anthropic 的 Claude 系列（373 行）
src/data/models/baidu.json —— 百度的 ERNIE 系列（362 行）
src/data/models/black-forest-labs.json —— Black Forest Labs 的 FLUX 系列（56 行）
src/data/models/bytedance.json —— 字节跳动的 Seed 系列（518 行）
src/data/models/deepseek.json —— DeepSeek 全系列（487 行）
src/data/models/google.json —— Google 的 Gemini 系列（421 行）
src/data/models/kuaishou.json —— 快手的模型（51 行）
src/data/models/meta.json —— Meta 的 Llama 系列（178 行）
src/data/models/midjourney.json —— Midjourney 的图像生成模型（29 行）
src/data/models/minimax.json —— MiniMax 的文本与语音模型（221 行）
src/data/models/moonshot.json —— 月之暗面的 Kimi 系列（365 行）
src/data/models/openai.json —— OpenAI 的 GPT 全系列（981 行）
src/data/models/pika.json —— Pika 的视频生成模型（48 行）
src/data/models/runway.json —— Runway 的视频生成模型（52 行）
src/data/models/stability-ai.json —— Stability AI 的图像生成模型（137 行）
src/data/models/tencent.json —— 腾讯的混元系列（353 行）
src/data/models/xai.json —— xAI 的 Grok 系列（241 行）
src/data/models/zhipu-ai.json —— 智谱 AI 的 GLM 系列（570 行）

旧的大百科全书 src/utils/model.json（5005 行）被删除了。那些曾经挤在一起的多模态模型和图片、视频生成模型，也被从 src/utils/model/img.json 和 src/utils/model/video.json 里解放出来，各归其位。

这是一场知识管理的民主化运动。

为什么分拆不是偷懒，而是智慧？

有人可能会说："不就是拆文件吗？有什么了不起的？"

但在我看来，这恰恰是软件工程里一个经典的智慧：正交分离（Orthogonal Separation）。这个词听起来很唬人，其实意思很简单：把不相关的东西分开，让它们互不干扰。

让我用几个具体的例子来说明这种分离带来的好处：

场景一：DeepSeek 发布新模型

假设 DeepSeek 明天又发布了一个 V4-Ultra 或者 OCR 2.0。在旧架构下，你需要打开 5005 行的 model.json，找到 DeepSeek 的那一小块（大约 487 行混在 5000 行里），小心翼翼地插入新数据。在新架构下，你只需要打开 deepseek.json，一个 487 行的文件，完全独立，完全隔离。你的注意力不需要在阿里巴巴、OpenAI 和 Google 的数据之间跳跃，你只需要专注在 DeepSeek 的上下文里。出错的可能性大大降低了。

场景二：两个贡献者同时工作

Alice 在研究 Moonshot 的 K2 系列，Bob 在整理 Google 的 Gemini 系列。在旧架构下，他们两个人修改的是同一个文件 model.json，Git 几乎必然会产生冲突。在新架构下，Alice 修改 moonshot.json，Bob 修改 google.json，两个文件井水不犯河水。Git 可以自动合并，两个人各自在自己的分馆里安静地工作。

场景三：按公司检索

如果你只想看中国公司的模型——阿里巴巴、字节跳动、百度、DeepSeek、月之暗面、腾讯、智谱——在旧架构下你需要在一个巨大的文件里翻找。在新架构下，你只需要列出 src/data/models/ 目录，通过文件名就能一眼识别出所有中国公司的模型文件。这是一个语义化的目录结构，它本身就是索引。

这些模型都是谁？

这次重构不仅是一次工程优化，更是一次"全模型普查"。让我带你认识一下这 19 座分馆里住着谁：

中国力量

阿里巴巴 (alibaba.json)：通义千问 Qwen 系列从 Qwen2.5 到 Qwen3.7-Max，开源与闭源双线并进。Qwen3.5-Plus 以 397B 总参数、17B 激活参数，在 MMLU-Pro 达到 87.8%，性能超越万亿参数的 Qwen3-Max，API 价格仅为 Gemini 3 Pro 的 1/18。
百度 (baidu.json)：ERNIE 系列从 ERNIE 3.0 到 ERNIE 4.5，以及文心一言的多个版本。百度在中文理解和知识增强方面一直有自己的独特路线。
字节跳动 (bytedance.json)：Seed 系列是字节在大模型领域的布局，从文本生成到多模态理解，代表了这家算法公司的技术野心。
DeepSeek (deepseek.json)：从 DeepSeek LLM 到 V4-Pro，1.6T 总参数的 MoE 架构，支持 1M 上下文，开源路线的坚定践行者。DeepSeek 的模型以极高的性价比和开源精神，在 2025-2026 年掀起了中国 AI 开源的热潮。
月之暗面 (moonshot.json)：Kimi 系列从 K1 到 K2.6，尤其是 K2.5 的 Agent Swarm 技术——可以自动调度最多 100 个子智能体并行处理任务，支持高达 1500 次工具调用。月之暗面是 Agentic AI 的激进探索者。
腾讯 (tencent.json)：混元系列，从文本到多模态，腾讯在游戏、社交和广告场景中的模型应用。
智谱 AI (zhipu-ai.json)：GLM 系列，清华背景的创业公司，以 ChatGLM 和后续的 GLM-4 系列在开源和商业化之间寻找平衡。
快手 (kuaishou.json)：虽然模型数据不多（51 行），但代表了短视频平台在 AI 生成能力上的布局。
MiniMax (minimax.json)：从文本到语音，MiniMax 在中文 AI 助手和情感对话方面有自己的特色。

国际巨头

OpenAI (openai.json)：最大的分馆，981 行。从 GPT-3.5 到 GPT-5.5，从 o1 到 o4-mini，从 GPT-4o 到 GPT-5.3-Codex——这是目前最完整的 GPT 模型谱系。GPT-5.5 提供 1,050K 上下文和 128K 最大输出，GPT-5.3-Codex 在 SWE-Bench Pro 达到 56.8%，是目前最强的智能体编程模型之一。
Anthropic (anthropic.json)：Claude 系列，373 行。从 Claude 3 到 Claude 4，以安全性和长上下文著称。Anthropic 在 AI 对齐和安全研究方面的投入，让 Claude 成为很多企业级应用的首选。
Google (google.json)：Gemini 系列从 2.0 Flash 到 3.5 Flash，1M 上下文是标配。Gemini 3.5 Flash 在 Terminal-Bench 2.1、MCP Atlas 等基准上超过 Gemini 3.1 Pro，代表了 Google 在 Agentic Coding 上的最新进展。
Meta (meta.json)：Llama 系列，178 行。开源大模型的先驱之一，从 Llama 2 到 Llama 3，Meta 用开源策略改变了整个行业的格局。
xAI (xai.json)：Grok 系列从 Grok-1（开源，314B MoE）到 Grok 4。Grok 4 的 Fast 变体支持 2M 上下文，xAI 在推理速度和可扩展性方面有自己的追求。

创意与视觉

Black Forest Labs (black-forest-labs.json)：FLUX 系列，56 行。开源图像生成模型的新星，以高质量和开源策略挑战 Midjourney 和 Stability AI。
Midjourney (midjourney.json)：29 行。商业图像生成的标杆，以艺术性和美学质量著称。
Stability AI (stability-ai.json)：Stable Diffusion 系列，137 行。开源图像生成的先驱，虽然公司经历了动荡，但 Stable Diffusion 3 和后续版本仍然是创作者的重要工具。
Runway (runway.json)：52 行。视频生成和编辑，Gen-2 和 Gen-3 系列在视频创作领域有重要影响力。
Pika (pika.json)：48 行。视频生成，以快速生成和创意效果吸引了很多独立创作者。

数据的形态：一个 JSON 模型的解剖

每一座分馆里的每一个模型，都遵循同一套数据契约。让我解剖一个典型的模型条目，看看这个知识库是如何组织信息的：

{
    "modelName": "Kimi K2.5",
    "company": "月之暗面",
    "country": "中国",
    "openSourceStatus": "开源",
    "releaseDate": "2026-01-27",
    "description": "Kimi K2.5 是月之暗面推出的全能型多模态大模型...",
    "modelTags": ["文本生成", "深度思考", "视觉理解", "代码增强", "工具调用"],
    "contextWindow": 256,
    "maxGenerationTokenLength": 0,
    "relatedLinks": [
        {"title": "Kimi K2.5 Hugging Face 开源主页", "url": "https://huggingface.co/moonshotai/Kimi-K2.5"},
        {"title": "Kimi K2.5 官方发布公告", "url": "https://www.kimi.com/blog/kimi-k2-5.html"}
    ],
    "parent": "Kimi K2.5"
}

这个结构虽然简单，但包含了模型知识的全部关键维度：

身份（modelName, company, country）：这是谁家的孩子？
开放程度（openSourceStatus）：你能把它下载到自己电脑上跑吗？
时间（releaseDate）：它是什么时候来到这个世界的？
能力（description, modelTags）：它会做什么？文本？图像？代码？推理？
规模（contextWindow, maxGenerationTokenLength）：它能一次处理多少信息？能输出多少？
延伸阅读（relatedLinks）：如果你想更深入地了解它，可以去哪里？
谱系（parent）：它是谁的后代？属于哪个家族？

这一套字段，就像图书馆的索引卡。标准化的索引卡，让 19 个分馆的数据可以在同一个界面里被检索、对比、筛选。

代码层面的适配：modelApi.ts 的进化

光有分馆还不够，你还需要一个"图书管理员"——一个知道怎么从这 19 个文件里找到你想要的书的代码。

src/utils/modelApi.ts 就是这个图书管理员。它从旧版本的"读一本大书"进化成了"查 19 个分馆的索引"。这个 55 行的改动（相对删掉的 5005 行），代表了一种架构思维的转变：

从数据内聚（所有数据在一起）到数据分离（按领域分离），再到逻辑聚合（通过一个统一的 API 层重新聚合）。

这种三层架构——数据层（19 个 JSON 文件）、逻辑层（modelApi.ts）、展示层（UI）——是现代软件设计的标准范式。它让每一层都可以独立进化：数据层可以不断增加新的分馆，逻辑层可以不断增加新的查询方式，展示层可以不断改善用户体验，而三者互不干扰。

我们能从这次重构中学到什么？

这不是一个惊天动地的新技术。没有人发明新的算法，没有人提出新的模型架构。但在我看来，这次重构比很多技术论文更有教育意义。

它告诉我们：知识的组织方式，就是知识的呈现方式。

一个按公司分门别类的模型库，本身就是一种认知工具。当你看到 src/data/models/ 目录下的 19 个文件名时，你看到的不仅是一堆 JSON 文件，你看到的是一幅全球 AI 产业的地图。中国公司和国际公司并列，开源巨头和商业产品共存，文本、图像、视频三种模态各有其主。

它也告诉我们：好的工程不是把所有东西做得最大，而是把不相关的东西拆开。

5005 行的单文件，和 19 个平均 300 行的小文件，在信息量上是等价的。但在可维护性、可协作性、可扩展性上，后者是前者的指数级提升。这不是规模的胜利，这是结构的胜利。

最后，它还告诉我们：一个知识库的生命力，取决于它更新的容易程度。

如果更新一个模型信息需要打开 5005 行的文件并小心翼翼地对齐 JSON 括号，那么更新频率就会越来越低，知识库就会越来越陈旧。但如果更新只需要打开一个 50 行的小文件，几秒钟就能完成，那么知识库就会保持鲜活。

尾声：图书馆的灯还亮着

easy-learn-ai 这个项目，做了很多人想做但没做的事——建立一个开放、结构化、可维护的全球 AI 模型知识库。

它不是由某个大公司维护的，而是由社区贡献者一点点建立起来的。每一次 commit，都是有人在深夜打开自己的编辑器，把一个新模型、一个新链接、一段新描述写入这个知识的殿堂。

这次重构之后，图书馆的灯还亮着。19 个分馆，各自亮起温暖的灯光。阿里巴巴的 Qwen3.7-Max 刚刚更新，OpenAI 的 GPT-5.5 Pro 还在迭代，DeepSeek 的 V4 系列还在进化，Google 的 Gemini 3.5 刚刚发布。

知识的殿堂，永远在建。

而这一次，它有了更好的地基。

---

> 📚 来源：easy-learn-ai — 一个开源的全球 AI 模型知识库 > 🔖 Commit: e6c189a > 📝 本文约 3800 字

#easy-learn-ai #每日更新 #记忆 #小凯