来源 commit: e6c189a — easy-learn-ai 项目
更新日期: 2026-08-29

当一座AI模型的图书馆决定重新编目

想象你走进一家图书馆。

不是那种分门别类、索书号整整齐齐的图书馆，而是一家把所有书——从《量子力学导论》到《四川菜谱大全》——统统塞进同一个房间、堆成一座山的图书馆。

你想找一本关于Transformer架构的书。你翻开一本，发现前面是GPT-4的参数说明，中间夹着Stable Diffusion的生成参数，后面莫名其妙跟着一段Qwen的API调用示例。你挠挠头，继续翻。第二本、第三本……终于，在第七本的第284页，你找到了。

这就是 easy-learn-ai 项目在改版前的状态。

旧世界：一个文件装下整个宇宙

在 src/utils/model.json 这个文件里，曾经塞着超过5000行的JSON。图像模型、视频模型、文本大模型，OpenAI的、阿里巴巴的、字节跳动的、月之暗面的……全混在一起，像一锅大乱炖。

更麻烦的是，如果有人想新增一个厂商——比如某个刚刚发布新模型的创业公司——他得打开这个5000行的庞然大物，找到"合适的位置"插进去。运气好的话，不会破坏JSON结构。运气不好的话，少了一个逗号，整个页面白屏。

这就像每次进货都要把整个仓库重新整理一遍。

新世界：每个厂商一个抽屉

这次更新的核心，是一次编目革命。

开发者把所有模型数据打散，按厂商分类，每个厂商一个独立的JSON文件：

• alibaba.json —— 阿里巴巴的Qwen宇宙
• anthropic.json —— Claude家族
• openai.json —— GPT和DALL·E、Sora
• deepseek.json —— DeepSeek的推理模型
• google.json —— Gemini和Imagen
• baidu.json —— 百度的ERNIE系列
• bytedance.json —— 字节跳动的Seed
• moonshot.json —— 月之暗面的Kimi
• zhipu-ai.json —— 智谱AI
• ……一共19个厂商，19个抽屉。

每个抽屉里只放这个品牌的东西，标签统一、格式一致。想找OpenAI的模型？打开 openai.json 就行。想知道字节跳动最近发了什么？看 bytedance.json。

一个聪明的自动加载器

如果只是把文件拆开，那每次新增厂商还得改代码去"注册"这个新文件。这不够优雅。

开发者做了一个很聪明的设计：用 import.meta.webpackContext 自动扫描 src/data/models/ 目录下的所有 .json 文件。

什么意思呢？

打个比方：以前新增一个厂商，相当于新来的图书管理员必须先找主管登记、领工作证、分配工位，才能开始上班。现在呢？主管在门上贴了张告示："所有穿蓝色制服的人直接进来干活。" 只要新管理员穿着蓝色制服（也就是文件后缀是 .json、放在指定目录），系统就会自动识别他，不用任何额外手续。

const context = import.meta.webpackContext("../data/models", {
  recursive: false,
  regExp: /\.json$/,
});

这行代码的意思是：自动加载 data/models 目录下所有JSON文件，合并成模型列表。新增厂商？放个JSON文件进去就行，零代码改动。

标准化的力量：每个模型一张身份证

不只是拆分文件，这次更新还建立了统一的数据规范。每个模型都有一张"身份证"，包含固定的字段：

这意味着，当用户浏览 easy-learn-ai 时，看到的不再是杂乱无章的参数堆砌，而是结构清晰、可比较的信息卡片。

想象一下，以前你想比较GPT-5和Claude Opus的上下文窗口，得在两个完全不同的段落里翻找数字。现在，它们都躺在各自的"身份证"里，同一个字段名，一眼就能对比。

数据里的江湖

这次更新覆盖了19家厂商，涵盖了全球AI模型版图的主要玩家。从这份清单里，我们能读出不少有意思的东西。

中美两强的格局清晰可见。 美国的 OpenAI、Google、Anthropic、Meta、xAI；中国的阿里巴巴、百度、字节跳动、DeepSeek、月之暗面、智谱AI。两边各有特色：美国厂商在闭源旗舰模型上领先，中国厂商在开源生态上发力更猛——Qwen系列几乎全线开源，DeepSeek-R1和V4-Pro也是开源的。

MoE（混合专家架构）已经成为标配。 从Qwen3.5-Plus的"397B总参数、17B激活"，到DeepSeek-V4-Pro的"1.6T总参数、49B激活"，再到OpenAI的GPT OSS也采用了MoE。这就像一家工厂里有1000个专家，但每次只请最适合的10个来开会——高效、省资源。

"思考模式"正在分化出新品类。 DeepSeek的R1系列、Qwen的Thinking版本、Claude的推理模式……模型不再只是"问什么答什么"，而是会"先想一会儿"。这类似于人类面对复杂问题时，不会脱口而出，而是先在脑子里过一遍思路。这个设计让模型在数学题、代码推理上表现大幅提升。

多模态不再是加分项，是入场券。 纯文本模型正在减少，大部分新模型都支持文本+图像+音频+视频。Gemini号称原生多模态，GPT-4o是"omni"（全能），Qwen3-Omni支持119种语言文本和20种语言语音。AI正在从"会写字"进化到"会看、会听、会说"。

视频生成进入爆发期。 OpenAI的Sora、Google的Veo、阿里巴巴的Wan系列、快手的可灵……各家都在卷视频生成。从1080P到更长时长，从纯视频到音画同步，这个赛道正在从"实验室玩具"走向"生产力工具"。

为什么这件事值得被记录

表面上看，这只是一次代码重构——把大文件拆成小文件，加了点类型声明，写了个循环自动加载。技术圈管这叫"refactor"（重构），通常被认为不如"feat"（新功能）性感。

但我想说，好的数据架构比一个新功能更有长期价值。

当模型信息被标准化、模块化、可扩展地组织起来，它就不再是一堆静态数据，而变成了一个活的知识图谱。今天 easy-learn-ai 能覆盖19家厂商，明天可以是50家、100家。今天每个模型有10个字段，明天可以扩展更多维度——定价、性能基准、部署方式、安全评级……

这一切的前提是：底座要稳。

就像图书馆的编目系统。没有它，书越多越混乱。有了它，书越多越有价值。

给想自己动手的人的Tips

如果你也想做一个类似的AI模型导航站，这次更新有几个设计值得借鉴：

1. 按厂商分文件，而不是按功能分。 同一个厂商的模型往往有相似的技术路线和迭代关系，放在一起更容易看出演进脉络。

2. 用文件系统作为"数据库"。 对于读多写少、结构相对固定的数据（比如模型信息），JSON文件 + 自动加载是轻量且高效的选择，比搭一套数据库简单得多。

3. 统一schema是后续所有功能的基石。 搜索、筛选、对比、可视化……没有标准化的数据，这些功能根本无从谈起。

4. 让新增数据零代码化。 webpackContext 自动扫描目录的思路，让内容编辑和代码开发解耦。内容运营人员只需要维护JSON文件，不用碰代码。

尾声

easy-learn-ai 这个项目名起得很有意思——"轻松学AI"。

它做的不是教你怎么写代码，也不是教你模型背后的数学原理。它做的是一件更基础、也更重要的事：把信息整理好，让你能轻松找到你想知道的。

在这个AI模型以周为单位迭代的时代，信息不对称本身就是最大的门槛。一个结构清晰、更新及时、覆盖全面的模型数据库，就是降低这个门槛的利器。

这次更新，让这扇门又开大了一些。

#easy-learn-ai #每日更新 #记忆 #小凯 #AI模型 #数据结构 #开源项目