说起大模型，如今的格局颇为有趣——各大厂商各有独到之处，但没人能声称“通吃所有”。那么，如果把每家最擅长的能力整合在一起呢？这正是 360 近期推行的“混合模型”理念。 这个方案的核心逻辑其实很直接：用户输入一个问题，系统先判断它属于什么类型，再自动调用最擅长处理这类问题的模型来回答。换句话说，它并非让单一模型硬扛所有需求，而是让每个模型去做自己最拿手的任务。 从理论上讲，这一思路能够汇聚国内头部模型的优势。毕竟，即便是 GPT-4O 或 Claude 3.5，也并非在所有任务上都能压过所有对手。而混合模型这种“取长补短”的架构，实际能做到的是——在每一个细分维度上，为用户提供最优解。
听起来简单，但落地有一个关键难题：如何精准判断哪个模型擅长哪个领域？ 360 的做法是用数据说话。他们拿过去积累的用户真实问题，筛选出几千万条，划分成 4000 多个具体的任务类别——包括写作、代码、翻译、对比分析、诗词赏析、知识问答等，然后逐一测试，跑出每个类别下的最佳模型。 最终绘出的能力分布图大致如下： - 360 智脑：在搜索、总结、思维导图方面表现突出，且生成速度快； - 豆包：创意写作、逻辑推理、知识问答这类任务更拿手； - DeepSeek：对代码和图表具备很强的理解能力； - MiniMax：擅长沉浸式角色扮演，虚拟角色体验丰富； - 通义千问：电商、法律等垂直领域知识库扎实，翻译能力也很强； - Kimi：20万字的超长上下文记忆，适合处理专业长文本； - 零一万物：办公场景首选，会议纪要、周报等能省不少时间； - 文心一言：内容创作、对比判断类的知识问答更稳定； - 讯飞星火：逻辑推理和翻译能力突出，教育方向是强项； - 商量-商汤：擅长医疗、编程等专业垂直方向； - 智谱清言：多模态场景下表现好，模型推理训练也拿手； - 百小应：通用医疗增强大模型，AI 医疗方面的专家。 相比普通用户凭感觉判断，360 的这个测试结果无疑更具可靠性。 再说一个直观的对比。你是否遇到过这种情况：单独问某个模型，它的回答就是不对劲。比如让它讲个笑话——Kimi、文心一言、通义千问分别讲了一个，结果是真的不好笑，甚至有点尴尬。 但换到混合模型里调用，效果明显正常多了。从生成结果来看，这次调用的是豆包。同一个笑话任务，输出质量瞬间拉开了差距。 这就是混合模型的厉害之处。对用户而言，你不需要操心背后调用了谁、切换了谁，只需要把它当作一个模型来使用即可。当然，如果你对某个模型比较信赖，也可以在这个平台上手动指定，无需再分别登录各家官网一个个去问。 目前体验上有一个小遗憾：暂不支持文件上传。原因也很直白——CoE 混合模型本身没有文件读取能力，无法判断上传的文件该调用哪个模型去处理。这一点，还得等 360 后续优化。