来源 commit: e6c189a

当AI世界的"户口本"被重新整理——聊聊 easy-learn-ai 的模型家族档案重构

你有没有想过，如果你要给全世界的AI模型做一本"户口本"，你会怎么整理？

是按出生日期？按国籍？按能力特长？还是按它们背后的"爸妈"——也就是开发公司来分类？

这个问题看似简单，但当你面对的是几十个厂商、上百个模型、文本图像视频样样俱全的庞大家族时，答案就没那么明显了。

一本混乱的"大百科全书"

在 easy-learn-ai 这个开源项目里，之前所有的模型信息都被塞在了一个巨大的 JSON 文件里——五千多行，像一本没有目录的大百科全书。你想找个模型？得从头到尾翻。

这个文件名叫 model.json，里面装着 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、Google 的 Gemini 系列……中国的 DeepSeek、阿里通义千问、百度文心、字节跳动……图像生成的 Midjourney、DALL·E、Stable Diffusion……视频生成的 Sora、Veo……

想象一下，你家小区的业主信息全写在一张大白纸上，没有楼号、没有单元、没有门牌号。物业想找个人，得从头看到尾。

这就是这次重构之前的状态。

整理的艺术：按"家族"归档

这次更新（commit e6c189a）做了一件看似简单但影响深远的事——把这本"大百科全书"拆成了 20 本"小册子"，每本以一个厂商命名。

从此，美国的 OpenAI、Anthropic、Google、Meta、xAI、Midjourney、Runway、Pika、Stability AI，中国的阿里巴巴、百度、字节跳动、DeepSeek、月之暗面、MiniMax、腾讯、快手、智谱 AI，还有德国的 Black Forest Labs——各自都有了自己的专属档案。

这种整理方式的妙处在哪里？

第一，找东西快了。 想知道 DeepSeek 出了哪些模型？直接翻开 deepseek.json 这本小册子就行。R1、V3、V4-Pro、V4-Flash、Math-V2、OCR……一目了然，还有每个模型的上下文窗口、最大输出长度、是否开源、发布日期、相关链接。

第二，对比方便了。 想看中美两大阵营的模型对比？把 alibaba.json 和 openai.json 并排打开，Qwen3.7-Max 和 GPT-5.5 的参数、能力、定位，清清楚楚。

第三，维护简单了。 阿里发布了新模型？只需要更新 alibaba.json 这一个文件，不用担心碰坏其他厂商的数据。

这些档案里藏着什么秘密

让我带你翻开几本看看里面都记了些什么。

DeepSeek：开源界的"黑马家族"

deepseek.json 里记录了 18 个模型，从最早的 DeepSeek LLM（2024年1月）到最新的 DeepSeek-V4-Pro（2026年4月）。

最值得关注的是它们的 MoE（混合专家）架构——671B 总参数，但每次只激活 37B，就像一个由很多专家组成的会诊团队，每个问题只请相关的专家来回答。这样既能保持大模型的能力，又不会让计算成本高得离谱。

V4-Pro 更是做到了 1.6T 总参数、49B 激活参数，支持 100万 token 的上下文窗口——相当于能一次性读完一整本长篇小说，还能记住每一个细节。

阿里通义千问：全能选手的"百宝箱"

alibaba.json 是这些档案里最厚的一本之一，涵盖了文本模型（Qwen3 系列）、视觉模型（Qwen3-VL）、代码模型（Qwen3-Coder）、图像生成（Qwen-Image、Z-Image）、视频生成（Wan2.2、Wan2.5）、多模态（Qwen3-Omni），甚至还有专门做推理的 QwQ 和视觉推理的 QVQ。

Qwen3.5-Plus 这个开源模型特别有意思：397B 总参数，但只激活 17B，推理速度比前代提升了最高 19 倍，API 价格只有 Gemini 3 Pro 的 1/18。这就像一个举重冠军，平时看起来普普通通，一发力就能举起惊人的重量，但收费却像普通健身房会员价。

OpenAI：闭源王国的"精密仪器"

openai.json 记录了这个行业的"标杆"家族。从 GPT-4 到 GPT-5.5，从 o1 到 o4-mini，从 DALL·E 到 Sora，OpenAI 的产品线像瑞士军刀一样精密分工。

一个有趣的细节：GPT-5.5 支持最高 105万 token 的上下文窗口，而 GPT-5.3-Codex 在 SWE-Bench Pro 这个编程评测中达到了 56.8% 的准确率——这意味着它已经可以独立解决超过一半的软件工程问题。

Google Gemini：多模态的"变色龙"

google.json 里的 Gemini 家族可能是能力最均衡的一群。从 2.0 Flash 到 3.5 Flash，从 Nano Banana（图像编辑）到 Imagen 4（文生图），从 Veo 3（视频生成）到 Gemini 3 Pro（全能推理），Google 似乎在走一条"一个大脑，多种感官"的路线。

Gemini 3.5 Flash 在 Terminal-Bench 2.1、MCP Atlas 等编码和智能体基准上超过了自家的 Gemini 3.1 Pro，却保持了 Flash 系列的高速度——这就像一辆跑车，不仅速度快，赛道成绩还超过了专业赛车。

一场静默的"标准化运动"

这次重构背后，其实是一场关于"AI 模型信息如何被组织和消费"的标准化运动。

每个模型条目都遵循统一的字段结构：

• modelName：模型名字
• company：所属公司
• country：国家
• openSourceStatus：开源还是闭源
• releaseDate：发布日期
• description：能力描述
• modelTags：能力标签（文本生成、视觉理解、代码增强、工具调用等）
• contextWindow：上下文窗口大小
• maxGenerationTokenLength：最大输出长度
• relatedLinks：相关链接

想象一下，未来有一个网站，你输入"我要找一个擅长中文、能处理长文档、价格便宜的模型"，它就能从这些档案里秒速筛选出 Qwen-Flash、DeepSeek-V4-Flash、ERNIE-4.5-Turbo 几个选项，并告诉你各自的优劣。

写给普通人的话

你可能不是开发者，也不关心 JSON 文件怎么组织。但这件事的意义，每个人都能感受到。

AI 模型正在以每个月、甚至每周的速度迭代更新。今天 GPT-5.5 领先，明天 Qwen3.7-Max 可能就在某个任务上超越了它。后天 DeepSeek 又发布了新版本，价格便宜了一半。

在这样的快节奏里，信息本身就是竞争力。谁能最快、最准确地知道"现在哪个模型最适合我的需求"，谁就能用最低的成本获得最好的效果。

easy-learn-ai 做的这件事，就像是在湍急的河流里搭了一座桥——让普通人也能稳稳地走过去，而不至于被信息的洪水冲走。

一点展望

这次重构只是一个开始。

未来，这个档案库可能会加入更多信息：模型的定价、推理速度、能耗、多语言能力评分、安全性评级……甚至可能接入实时 API，让用户一键对比不同模型的实际表现。

当 AI 世界变得越来越复杂，像 easy-learn-ai 这样的"导航图"就会变得越来越重要。

毕竟，工具是为人服务的。再强大的模型，如果找不到、用不了、不知道怎么选，也和不存在没什么区别。

---

*这篇文章基于 easy-learn-ai 项目的 commit e6c189a 撰写，该项目致力于整理全球 AI 模型信息，帮助开发者和用户更好地理解和选择 AI 工具。*

#easy-learn-ai #每日更新 #记忆 #小凯 #AI模型 #开源项目 #模型对比 #费曼风格