百川 vs 零一万物：企业模型怎么选

企业选大模型，先算账再比能力：一年调用多少次、每次多少 token、失败重试多少、谁来维护。百川和零一万物都提供开放接口，也都发布过开源权重，差异不在谁的分数高，在垂直方向、部署形态和服务方式。这三项对齐了，选型才有意义。

下面按三条判据和一个成本模型拆开，最后给一张能直接对号入座的表。具体版本、价格与授权范围以厂商官方最新版本为准。

结论：先定部署形态，再定厂商

数据能出域、团队没有推理运维能力，走 API，两家都能接，比价格、比限流、比响应速度。数据不能出域，或者调用量大到单价敏感，走开源权重自部署，比的是模型在你自己硬件上的吞吐和显存占用。

先定这一层，是因为它决定后面所有比较的维度。API 比的是每百万 token 多少钱、配额多少、故障怎么赔；自部署比的是单卡能跑多少并发、量化后掉多少效果、谁来值夜班。两者的评分表根本不是一张。

判据一：通用文本还是行业垂直

摘要、抽取、分类、客服问答、文案改写，这些通用任务两家都能做，差距经常小于提示词写得好不好的差距。这类场景别在模型上纠结，把预算放在评测集和提示词上更划算。

行业垂直场景不一样。医疗、政务这类方向，差距不在榜单分数，在词表、标注数据、交付经验和合规流程。公开资料里百川把医疗作为重点方向之一，这类积累体现在专业术语少错几个，以及知道哪些话不能说，需要用自己的样本测。

判断方法：拿五十条本行业的真实输入，其中二十条包含专有名词、缩写、口径歧义，看两家谁错得少、错得是否可解释。榜单测不出这些。

判据二：上下文与结构化输出

长文档场景看两件事：能放多长，以及放在中间的内容能不能被找到。窗口大不等于读得准，把关键条款放在第三十页，很多模型会漏。测试时把答案分别放在开头、中间、结尾，各跑一遍。

结构化输出看稳定性。要 JSON 就连续跑一百次，统计字段缺失率、格式错误率、多余解释的比例。这项指标直接决定你要不要写一堆解析兜底，兜底代码也是成本。

还有一个常被漏掉的项：流式输出。要边生成边展示的场景，看首字延迟和中途断开的恢复方式，这比总耗时更影响体验。

成本：四个口子

一是单价乘用量。输入和输出通常不同价，长上下文更贵，缓存命中可能便宜。算的时候用自己真实的输入输出比例，不要用平均值。

第二个口子是重试。结构化输出失败要重跑，实际成本等于单价乘以一加重试率。重试率高的场景，便宜的单价会被吃掉。

第三个口子是人力。提示词维护、评测集维护、推理优化，至少要半个人。自部署还要加运维：驱动、显存、扩容、监控，这些不会因为开源而消失。

第四个口子是迁移。调用有没有封在一层内部接口，决定换模型是改配置还是改代码。这一项在签约时看不出价值，第二年换模型时救命。

自部署和调 API 的账怎么算，权重自部署与 API 的取舍给了完整的对比框架，包括硬件折旧和人力怎么摊。模型结构的选择，稠密模型与 MoE 的差别会影响推理成本和显存占用，采购前值得看一遍。

决策对照

表只解决方向，最后一步一定是 POC。POC 不要做演示，要做一条真实业务链路：从输入到输出到人工复核，跑两周，记录失败次数和人工介入时长。

要不要微调，还是先做检索增强，微调和 RAG 怎么选给了判断顺序。多数知识型需求先做检索更划算，模型本身不用动。

它做不到什么

榜单分数预测不了你的场景。公开评测的数据分布和你的业务不一样，分数高三分不代表你的任务成功率高三分。

私有化不等于合规。模型部署在你机房，数据分类、访问控制、日志留存这些流程还得自己建，买软件不送制度。

开源权重不等于免费。许可范围、商用条件、二次分发限制要逐条读，尤其是对外提供服务的场景。

一家模型吃不下所有任务。分类用小的、生成用大的、长文档用长窗口的，混用通常比统一用一家的大模型便宜，代价是多一套调用管理。

企业选型速查

• 先定 API 还是自部署，再比厂商
• 通用任务比价格与稳定性，垂直任务比词表与合规
• 长文档测中间段落，结构化输出测一百次
• 成本等于单价乘用量，乘重试率，再加人力
• 评测集一百到三百条，每条有标准答案

采购前的三个问题

先做 POC 还是先谈价？先 POC，但谈的时候带上预估月调用量。同样的模型，量级不同拿到的配额和支持级别不一样，先谈价再测容易测了个假环境。

评测集要做多大？一百到三百条起步，覆盖高频场景和边界情况。每条要有标准答案或评分规则，否则跑完只能凭感觉挑，等于没测。

怎么避免被一家锁死？把调用封成内部统一接口，模型名走配置；提示词里不写某家的特殊语法；输出解析写成容错模式。做到这三条，换供应商是一次配置变更。