2026 年的中国大模型：Kimi、Qwen、GLM、DeepSeek 怎么选

中国大模型的 2026 年很忙：几家主要厂商都发布了面向编程和 agent 工作的新旗舰，其中大多数开放了权重，上下文窗口达到一百万 token。对中国以外的团队来说，真正要回答的问题比新闻标题窄得多：哪款模型适合哪类工作，每个 token 多少钱，以及怎样不用在每家厂商都开账户，就能同时调用好几款。

这篇介绍七家厂商，它们当前的模型都在 BoostRail 目录里，信息截至 2026 年 10 月 16 日。模型描述来自各厂商自己的模型卡或发布公告，链接放在各小节里。这些出处里的跑分是厂商自己报告的，只能当作你自己测试的起点。文中描述的是模型本身的能力；某个 API 实际支持哪些输入类型，取决于提供这款模型的服务方。

为什么值得评估中国大模型

• 开放权重。 下面大多数模型公开了权重，许可证从 MIT、Apache 2.0 到各厂商自己的条款都有。以后想自己部署时多了一条退路，社区也能独立测试这些模型。
• 长上下文成了标配。 Kimi K3、Qwen3.8-Max、DeepSeek V4.1 Flash、MiniMax M3、MiMo V2.6 Pro 和 Hy4 preview 标出的上下文窗口都在一百万 token 左右。
• 价格。 在 BoostRail 目录里，DeepSeek V4.1 Flash 的输出价大约是 Claude Sonnet 5 的十六分之一。各款差别不小：Kimi K3 每个输出 token 比 Claude Sonnet 5 贵，本文其他几款旗舰每个输出 token 都更便宜。
• 编程和 agent 优先。 今年发布的旗舰，几乎都把编程、工具调用和长时间运行的 agent 任务放在公告的开头。

七家厂商和它们当前的模型

Moonshot AI：Kimi

Kimi K3 是混合专家（MoE）模型，总参数 2.8T，每个 token 激活其中 104B，上下文窗口 1,048,576 个 token。Moonshot 的模型卡说它面向长周期编程、agent 式知识工作和推理，支持文本和图片输入，并提到它配合 Moonshot 自家的 Kimi Code CLI 效果更好。权重以 Kimi K3 License 发布。目录里还有更早的 kimi-k2.6、kimi-k2.7-code 和 kimi-k2.5，价格更低。

阿里巴巴：Qwen

阿里巴巴在 2026 年 8 月 3 日发布了 Qwen3.8-Max，称它是 Qwen 系列迄今能力领先的一款：总参数约 2.4T，激活约 95B，上下文窗口可达一百万 token，原生支持图片和视频理解。公告把自主编程和长周期任务执行放在前面，并说权重随后发布。对开发者来说，Qwen 的长处在旗舰下面的这套梯度：qwen3.7-plus、qwen3.7-flash 和 qwen3-coder-flash 覆盖了同一家厂商更便宜的几档。

Z.ai：GLM

GLM-5.3 是 753B 参数的开放权重模型。Z.ai 的模型卡称它是自家编程能力领先的开放权重模型，并说它与 GLM-5.2 用的是同一个基座，提升来自后训练。模型卡重点列出了终端和软件工程类跑分，比如 Terminal Bench 和 DeepSWE。大批量的工作，可以用低价的 glm-5.3-flash。

DeepSeek

DeepSeek V4.1 Flash 在 2026 年 9 月推出，接替 V4 Flash。模型卡写明主干参数 552B，读取输入时每个 token 激活 8B，生成输出时激活 16B，上下文最多一百万 token，原生支持图片输入，采用 MIT 许可证。DeepSeek 把它定位在注重成本、输入量大的 agent 工作上。V4 系列两档之间怎么分工，见 DeepSeek V4 Pro 与 Flash 怎么选。

MiniMax

MiniMax M3 总参数约 428B，激活约 23B，上下文一百万 token。模型卡强调长周期 agent 工作和编程，以及 MiniMax 稀疏注意力设计带来的长上下文效率。它支持文本、图片和视频输入。权重采用 MiniMax Community License。minimax-m2.7 是更便宜的上一代。

小米：MiMo

MiMo V2.6 Pro 是小米的旗舰：稀疏混合专家模型，总参数 1.02T，激活 42B，上下文一百万 token，输入覆盖文本、图片、视频和音频。小米以 MIT 许可证发布，见模型卡。mimo-v2.6-flash 是配套的小模型。

腾讯：Hy

Hy4 preview 是腾讯的新旗舰，总参数 770B，激活约 49B，上下文一百万 token，采用 Apache 2.0 许可证。模型卡明确说这是早期版本，列出的已知问题包括推理过长和过度自我核查。值得一试，但要心里有数。

BoostRail 上的价格

价格单位为美元每百万 token，日期 2026 年 10 月 16 日。所有模型的实时价格见模型页。

作为参照，同一天 claude-sonnet-5 的输入价是 1.9，输出价是 9.5。这些单价怎样变成月度账单，见大模型 API 计价详解。

哪款模型适合哪类活

下面是按各厂商自述的定位整理的初选名单，最终以你自己的测试为准。

其中几款也能通过 Anthropic 格式在 Claude Code 里当主模型，配置方法和我们的实测结果见 Claude Code 接入其他模型。

在中国以外调用中国大模型

有三条路，各有实实在在的取舍。

1. 各厂商的国际版平台。 这些厂商大多有自己的国际版 API 平台。价格和功能都是厂商自己的，代价是每家都要单独管理账户、Key、余额和一套文档。
2. 自己部署开放权重。 完全可控，也完全自己负责。几千亿到上万亿参数的模型，要多卡集群才能以可用的速度提供服务，所以主要在用量大且稳定时才划算。
3. 用一个 API 调用所有模型。 BoostRail 通过一个 OpenAI 兼容接口和一个 Anthropic 兼容接口提供上面所有模型，一个 Key、一个美元余额。换模型只要改 model 字符串。详见 OpenAI 兼容 API 页面。

用自己的工作量测一测

每款模型的接口都一样，所以并排测试就是一个循环。下面把同一个提示词以流式发给五款模型，边收边打印每个回答，最后打印 token 用量：

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.boostrail.com/v1")
prompt = "Write a Python function that parses ISO 8601 durations such as PT1H30M."

for model in ["kimi-k3", "glm-5.3", "qwen3.8-max", "deepseek-v4.1-flash", "minimax-m3"]:
    print(f"\n=== {model}")
    stream = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=True,
    )
    for chunk in stream:
        if chunk.choices:
            print(chunk.choices[0].delta.content or "", end="")
        if chunk.usage:
            print("\n", chunk.usage)

这里用流式很重要。各款推理模型在写出第一个字之前思考多久差别很大，而在 BoostRail，非流式请求到 180 秒就会停止。2026 年 10 月 16 日我们用这个提示词实测，GLM-5.3 思考了大约十分钟，用了 29,570 个输出 token 才答完；Qwen3.8-Max 用了大约三分钟和 17,329 个输出 token。把 max_tokens 设为 4000 时，这两款都把预算全花在思考上，一个字也没返回。

多数推理模型还接受推理强度设置，BoostRail 的 Chat Completions 接口用 reasoning_effort 接收。把 reasoning_effort 设为 low 后，同一个提示词，GLM-5.3 用了 3,348 个输出 token，Qwen3.8-Max 用了 1,918 个，大约是默认时的九分之一。效果因模型而异，每款都要实测。

用真实工作里的提示词，不要用智力题，比较三件事：答案对不对、用了多少输出 token、花了多长时间。这三点都会体现在账单上，也会体现在用户的等待时间上。

常见问题

中国大模型是开源的吗？

当前的旗舰大多公开了权重。许可证不同：DeepSeek V4.1 Flash 和 MiMo V2.6 Pro 用 MIT，Hy4 preview 用 Apache 2.0，Kimi K3、MiniMax M3 和 GLM-5.3 用各厂商自己的许可证。打算基于自部署的权重开发之前，先读许可证文件。

在中国以外能用中国大模型吗？

能。这些厂商大多有国际版 API，BoostRail 也用一个 Key、按美元计费提供本文里的所有模型。

它们支持工具调用吗？

2026 年 10 月 16 日，我们通过 BoostRail 的 Anthropic 格式接口，对 kimi-k3、glm-5.3、qwen3.8-max、minimax-m3 和 deepseek-v4.1-flash 做了两轮工具调用测试，五款都正确调用了工具并用上了返回结果。模型页也会标出在承接该模型的每条线路上都通过自动检查的能力。

哪一款价格低？

上表里输入价和输出价都最低的是 qwen3.7-flash，glm-5.3-flash 和 deepseek-v4.1-flash 紧随其后。每个 token 的单价只是比较的一半，还要看每款完成你的任务需要多少 token。

怎么在它们之间切换？

改 model 字符串就行。接口、Key 和请求格式都不变，同一个应用里可以把不同任务交给不同模型。