GPT-4
多模态入门标杆（2023 里程碑）
- 文本 + 图像输入输出
- 可靠性高、性能稳定
- 可处理多种常见任务
代表早期多模态人工智能成熟阶段。
大模型时代路线图
技术、应用、成本、人才与未来
汇报人：Jimmy
01
目录
- 01大模型的历史和现状
- 02市面的 AI 应用
- 03用户体量、Token 费用等
- 04研发人员现状
- 05技术发展趋势
- 06个体应该怎么应对
02
OpenAI（GPT-4 / GPT-4o / GPT-5）
GPT-4o
全能、实时、轻快
- 更快的响应速度
- 更强的文本 + 图像 + 音频理解
- 在线工具集成能力更强
- 成本更低、速度更快
更适合日常应用与实时交互场景。
GPT-5 系列
优点
- 更深层推理能力
- 自动任务规划（不只是对话）
- 更长上下文处理，减少工具切换
- 幻觉显著减少，结果更准确
- 适合复杂、专业场景
挑战
- 体验上有时偏冷静，不够亲和
- 输出更简洁严谨，不总适合休闲聊天
- 某些编码场景仍有开发者质疑
| 能力维度 | GPT-4 | GPT-4o | GPT-5 |
|---|---|---|---|
| 文本理解 | ✓ 高 | ✓ 更高 | ★ 最高 |
| 推理与逻辑 | ✓ 好 | ✓ 更好 | ★★ 卓越 |
| 多模态（图像/音频） | ✓ | ✓ 强 | ★ 强 + 自适应 |
| 幻觉 / 错误率 | 较低 | 更低 | 更低（更准确） |
| 上下文窗口 | 中等 | 大 | 最大 |
| 自主任务规划 | 基本 | 有限 | 配置化 / 可自动切换 |
| 适合实时交互 | √ | ⭐ 强 | √ 可，但更擅长深度任务 |
| 适合复杂科研/法律/大型项目 | 〇 | 〇 | ★ 最佳 |
ChatGPT 周活跃用户数约 900 million+
03
Google DeepMind（Gemini 系列）
现状
- 多模态能力很强（尤其视频/图像理解）
- 与 Google 生态深度整合（Docs、Gmail、YouTube）
- 数学与科研能力突出
发展方向
- AI + 搜索
- AI + 科研
- 长上下文能力持续增强
优点
- 长上下文强（百万 Token 级）
- 与 Google 生态整合好
- 数学科研能力突出
缺点
- API 体验不如 OpenAI 稳定
- 产品节奏略显混乱
- 创造力表现稍弱
| 模型 | 定位 | 速度 | 推理能力 | 多模态 | 典型用途 |
|---|---|---|---|---|---|
| Gemini Ultra | 旗舰模型 | 慢 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | 科研、复杂推理 |
| Gemini Pro | 通用主力 | 中 | ⭐⭐⭐ | ⭐⭐⭐ | API、开发者 |
| Gemini Pro 1.5 | 长上下文模型 | 中 | ⭐⭐⭐ | ⭐⭐⭐⭐ | 长文档、代码库 |
| Gemini Flash | 高速低成本 | 快 | ⭐⭐ | ⭐⭐⭐ | 实时 AI 应用 |
| Gemini Flash Image | 图像生成 | 快 | — | ⭐⭐⭐⭐ | AI 图片 |
| Gemini Nano | 设备端 AI | 极快 | ⭐ | ⭐ | 手机 AI |
Gemini 用户规模约 750+ million（月活）
04
其他代表模型（Claude / Llama / Grok）
Anthropic（Claude）
- 代码能力表现突出
- 长文本处理体验稳定
- Opus 4.6 最贵，Sonnet 4.6 性价比最高
Manus（通用 AI Agent）
定位：执行型智能体，强调把需求直接变成可交付成果。
- 从“答案”到“交付”：更强调任务执行与自动化工作流
- 复杂任务端到端推进：研究、整理、生成材料等
- 典型场景：研究报告、数据分析、方案/PPT 草稿产出
- 刚出来的时候，最惊艳的是小米财报分析（2025-03-06）
Perplexity（文章生成类）
定位：AI Answer Engine，结合检索、摘要与引用来源。
- 可溯源：回答包含可点击引用，适合研究与汇报
- 检索范围可控：支持 Web/组织文件/组合等模式
- 连续追问体验好，适合多轮研究型对话
- 典型场景：竞品调研、写报告/PPT、事实核查
Meta（Llama）
- 开源阵营最具影响力代表
- Llama 已成为开源生态核心底座
- 大量二次微调模型基于 Llama 发展
xAI（Grok 系列）
| 模型 | 发布时间 | 核心特点 | 主要用途 |
|---|---|---|---|
| Grok-0 | 2023 早期 | 原型模型 | 内部测试 |
| Grok-1 | 2023 | 314B 参数 MoE 模型 | Chatbot |
| Grok-2 | 2024 | 推理和代码能力提升 | API 应用 |
| Grok-3 | 2025 | 深度推理能力 | 科学/编程 |
| Grok-4 | 2025 | 科学级推理 | 复杂任务 |
| Grok-5 | 研发中 | 下一代旗舰 | 未公布 |
关注点
- 新出的一般都是最好的，最厉害的
- 通用性
- 成本、蒸馏
05
主流大模型横向对比（2026）
| 维度 | GPT（OpenAI） | Gemini（Google） | Claude（Anthropic） | Llama（Meta） |
|---|---|---|---|---|
| 公司 | OpenAI | Google DeepMind | Anthropic | Meta |
| 模型类型 | 闭源 | 闭源 | 闭源 | 开源/可下载 |
| 旗舰模型 | GPT-5 / GPT-4o | Gemini 2.5 Pro | Claude Opus 4 | Llama 4 |
| 参数规模 | 未公开（估计数千亿级） | 未公开 | 未公开 | 最高约 2T 总参数（MoE） |
| 架构 | Transformer / MoE | Transformer / 多模态 | Transformer | MoE 架构 |
| 最大上下文 | ~400K tokens | 1M-2M tokens | 200K-1M tokens | ~1M tokens |
| 推理能力 | ⭐⭐⭐⭐ 综合最强 | ⭐⭐⭐⭐ 长上下文推理 | ⭐⭐⭐⭐ 文档推理 | ⭐⭐⭐ 开源里强 |
| 代码能力 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 多模态能力 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ 原生多模态 | ⭐⭐⭐ | ⭐⭐ |
| API 生态 | ⭐⭐⭐⭐ 最成熟 | ⭐⭐⭐ Google Cloud | ⭐⭐⭐ AWS + Google | ⭐⭐ 主要自部署 |
| 企业市场 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ |
| 部署方式 | API / SaaS | API / Google Cloud | API / Cloud | 本地部署 |
注：参数规模/上下文窗口会随版本迭代调整，建议定期更新。
06
中国大模型阵营与用户规模
主要玩家
- 百度（文心）
- 阿里（通义千问）
- 腾讯（混元 / 元宝）
- 字节（豆包）
- 月之暗面（Kimi）
- MiniMax（MiniMax）
- 深度求索（DeepSeek）
观察
- 互联网大厂与创业公司并行竞争
- 产品形态从聊天走向搜索、办公、内容平台
- 用户入口和生态整合能力成为关键差异
| 产品 | DAU（万） |
|---|---|
 豆包 | 12,601 |
 DeepSeek | 2,844 |
 千问 | 1,926 |
 元宝 | 693 |
 Kimi | 124 |
 文心 | 54 |
 百度文库 | 32 |
| 维度 | 文心（百度） | 通义千问（阿里） | 混元（腾讯） | 豆包（字节） | Kimi（月之暗面） | MiniMax |
|---|---|---|---|---|---|---|
| 公司 | 百度 | 阿里巴巴 | 腾讯 | 字节跳动 | 月之暗面 | MiniMax |
| 模型类型 | 闭源 + 部分开源 | 开源 + 商业版 | 闭源 | 闭源 | 闭源 | 闭源 |
| 旗舰模型 | 文心 4.0 / ERNIE 4.5 | Qwen 2.5 / Qwen3 | Hunyuan Large | Doubao Pro | Kimi-1.5 | MiniMax-Text-01 |
| 参数规模 | 未公开 | 最大约 72B+（开源） | 未公开 | 未公开 | 未公开 | 未公开 |
| 架构 | Transformer | Transformer / MoE | Transformer | Transformer | Transformer | MoE |
| 最大上下文 | ~200K | 1M tokens | ~256K | ~128K | 2M tokens | ~1M tokens |
| 推理能力 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐（长上下文） | ⭐⭐⭐ |
| 代码能力 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
| 多模态能力 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ |
| API 生态 | ⭐⭐⭐ 百度云 | ⭐⭐⭐⭐ 阿里云 | ⭐⭐⭐ 腾讯云 | ⭐⭐⭐ 字节云 | ⭐⭐ | ⭐⭐ |
| 企业市场 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ |
| 部署方式 | API / 私有部署 | API / 开源 / 私有 | API / 云 | API | API | API |
价格查询：api.chat/models
07
AI 应用：音乐与多媒体创作
音乐应用
- Suno
- Udio
- ProducerAI
- Klay Vision
示例作品：Everything's Fine
音频试听（MP3）
图像应用
Google Nano Banana 2- Google Nano Banana
Midjourney
ComfyUI
OpenAI DALL-E
ByteDance SeeDance
典型场景：电商换衣、AI 小说、AI 漫画。
图像示例
视频应用
Runway- OpenAI Sora 及视频 AI 技术
- Meta（Movie Gen）
- 可灵 / 即梦 AI 等国内 AI 视频平台
08
IDE 与工作流工具
IDE / 开发助手
Google AI Studio
Google AntiGravity
Google Vertex AI Studio
Anysphere Cursor
GitHub Copilot- ByteDance Trae
OpenAI Codex（Windsurf 并购后）
工作流平台
Coze
n8n
Dify
Manus vs OpenClaw
| 维度 | Manus | OpenClaw |
|---|---|---|
| 定位 | 云端自主 Agent，面向“任务交付” | 开源自托管个人助手，面向“可定制工具链” |
| 运行环境 | 云端 Sandbox：虚拟电脑 + 网络 + 持久文件系统 + 可安装软件 | 本地/自托管运行，“个人开源助手” |
| 交互方式 | 给目标后自动规划执行并产出文件/结果 | 先配置环境/API Key/权限/skills，再执行任务 |
| 扩展方式 | 通过沙盒中的工具、脚本、自定义工具扩展 | Skills 插件生态 + Lobster 工作流壳（可组合流水线） |
| 可控性/可审计 | 更依赖平台日志与权限机制 | 掌控部署与权限，但需自行做隔离与审计 |
| 安全风险侧重点 | 平台侧风险为主，取决于沙盒隔离能力 | 生态/插件风险更突出 |
| 适用人群 | 非工程用户、运营/分析/产品 | 工程师、极客、企业内网/自建场景 |
| 最擅长 | 调研报告、数据整理、内容产出等端到端任务 | 私有化助手、自动化流水线、深度连接本地资源 |
OpenClaw Github项目地址：github.com/openclaw/openclaw261k 历史最多 Star
09
现状与基础能力栈
当前主流实践
- 程序员与团队的重点：构建 Agent
- 从单轮问答走向可执行任务闭环
- 强调自动化与可交付结果
具体落地方向
- UI2Code、写代码、写文章、写PPT
- 做客服/知识库问答（RAG）
- 做运营内容/短视频脚本自动化
- 做企业流程自动化（工单 / CRM / 报表）
- 做“自动研究 + 交付报告”的 Agent（Manus 类）
Agent 的基础组件
- Rule：约束行为边界与输出规范
- Skill：沉淀可复用能力模块
- MCP：连接外部工具与数据源
- Agent 自我总结：形成持续优化闭环
核心技术组合
PromptAgentMCPAI 模型
这四者不是替代关系，而是协同关系：模型提供能力，Prompt 定义意图， MCP 负责连接，Agent 负责执行。
AI做的事情，本质也是做系统：需求拆解、流程拆分、流程化、单元化、标准化、可校验、可溯源。
10
关键数据与市场信号
使用规模与能力
- 2025 年 Token 调用量约为 2024 年的 10 倍
- 调用规模已进入“万级 Token”常态
- 主流模型普遍支持单次百万 Token 上下文
- Gemini：2025 年 Q4 对外口径为 App 月活超过 7.5 亿
商业与人才信号
- AI 创业团队规模更精简，但估值与并购金额更高
- Manus 被收购报道时团队约 100 人（2025-12）
- 相关报道提及交易规模约 20 亿美元
- Meta 给 OpenAI 员工开出过“高达 1 亿美元签约奖金/九位数待遇包”
- 人员极少，身价极高，万夫不敌之勇
- 以后一定会有个人“独角兽”公司
行业热点
- 2025 年 AI 搜索高热主题之一：股票
- 开源工具生态关注度持续上升
- OpenClaw 在 GitHub 获得现象级增长
- 模型竞争正从“能力”走向“生态 + 交付效率”
- 大鱼吃小鱼，大公司收购小的，同时，有能力的独立出来自己搞，然后被收购
注：本页为汇报口径数据汇总，建议在正式对外版本补充对应来源链接与统计口径。
11
现状与技术趋势
现状
- 多模态能力成熟（文本 + 图像 + 语音）
- 推理能力仍在全球第一梯队
- 商业生态成熟（API + ChatGPT + 企业版）
- Agent 能力持续增强（自动化执行）
发展方向
- 更强推理（数学、代码、逻辑）
- 更强 Agent（自动执行复杂任务）
- 企业级工作流整合（办公、客服、数据分析）
技术发展趋势
- 1) 从生成到推理：从“会写”走向“会拆解 + 会执行”
- 2) 从回答到 Agent：自动调用工具，形成任务闭环
- 3) 多模态统一：文字、图片、视频、音频、3D 融合
- 4) 长上下文爆发：百万 Token + 企业知识库接入
GPT-5 代表的未来方向
- 由“回答工具”升级为“协作智能伙伴”
- 多模态成为标配，实时语音/视频/3D 深度融合
- 更重视安全性、可靠性、可控性与可解释性
- 自动调度不同模式，减少用户手动切换负担
趋势细化（演进路径）
1) 从生成到推理
早期：会写文章
现在：会做题、会写代码、会做决策
未来：会拆解问题 + 规划步骤 + 执行
2) 从回答问题到 Agent
- 自动调用工具
- 自动读文件
- 自动写代码并运行
- 自动完成任务闭环
本质：从问答机器人走向 AI 员工。
3) 多模态统一
文字、图片、视频、音频、3D 数据将统一处理。
最终走向：通用智能接口。
4) 长上下文爆发
百万 Token 已不再是极限。
企业级知识库接入将成为核心能力。
12
人才与协作方式变化
当前判断
- 最核心的仍然是人
- AI 目前更像 Copilot 辅助角色
- 人要对AI结果进行Review，人有多强，AI就多强
- 人的上限决定你用的AI上限，AI的上限就是人的想象力
应对策略
- 主动接触并拥抱新工具
- 把 AI 融入日常工作流，而非偶尔尝试
- 持续复盘：哪些任务能被自动化
- 25年9月的 提示词工程，今年就消失了，变成MCP、skill那套了
新开发范式
- Vibe Coding：不像以前的有语法糖、有一门语言，有标准的开发范式
- 自然语言正在成为新的编程接口：从“写语法”转向“定义意图”
- 标准范式还在形成，想象力成为关键差异
- 从AI辅助人，到人辅助AI，再到AI辅助AI
13