每隔几个月，AI圈就会吵一次这个问题：开源模型到底追上闭源了没有？
上次吵是去年4月Llama 4发布的时候。有人说「追上了」，有人说「还差一截」。到今年上半年，DeepSeek V4在4月突然发布，GPT-5.5同月跟进，Claude Opus 4.6也在5月更新了——局面又变了。
与其听别人吵，不如我自己跑一轮测试。这篇文章的数据不是从benchmark网站上抄的，是我过去两周用5个模型跑同一套任务实测出来的。
先说结论：开源模型在大多数场景下已经跟闭源打平了，但在两个关键维度上还有差距。别急，下面慢慢说。
评测阵容和测试方法
参赛选手：
- 闭源组：GPT-5.5（OpenAI，2026年4月发布）、Claude Opus 4.6（Anthropic，2026年5月发布）
- 开源组：Llama 4 Maverick（Meta，MoE架构，128个专家）、Qwen3-235B-A22B（阿里，2025年5月发布，235B总参数/22B激活）、DeepSeek V4-Pro（深度求索，2026年4月发布，1.6T总参数/49B激活）
测试任务涵盖5个维度：长文写作、代码生成、多轮推理、中文理解、工具调用。每个维度跑了10组测试题，同一道题5个模型都跑，然后盲评打分。
什么叫盲评？就是把模型名字遮住，只看输出内容打分。这样能避免「因为它是GPT-5.5所以天然觉得好」的心理暗示。
好，下面是结果。
维度一：长文写作
测试方式：给同一个大纲，让模型写一篇3000字的深度文章。评估维度包括逻辑结构、信息密度、语言流畅度、事实准确性。
结果有点出乎意料。
第一名：Claude Opus 4.6
没什么悬念。Claude系列在长文写作上的优势从Opus 4.5延续到了4.6。最大的特点是「不跑题」——3000字写下来，主线逻辑从头到尾不偏。其他模型写到中后段多少会开始重复或者跑偏，Claude Opus 4.6基本不会。
第二名：GPT-5.5
语言表达非常流畅，甚至比Claude更「好读」。但有个问题：它太会「水」了。同样3000字，Claude的信息密度明显更高，GPT-5.5有时候会用华丽的辞藻掩盖内容的空洞。如果你要的是好读的营销文案，GPT-5.5赢；如果要深度分析，Claude Opus 4.6赢。
第三名：Qwen3-235B
开源组里写作最强的。中文表达非常地道，甚至有一些「网感」——会自然地用一些口语化表达和流行梗。结构上比Llama 4和DeepSeek更稳。如果不说它是开源模型写的，盲评的时候很难跟GPT-5.5区分开来。
第四名：DeepSeek V4-Pro
风格偏「学术」，语言正式但有点干。适合写技术文档和研究报告，写博客或者营销内容就差点意思。
第五名：Llama 4 Maverick
说实话有点意外。Maverick在英文写作上不错，但中文写作明显水土不服——经常出现翻译腔，句式像从英文硬翻过来的。如果只评英文，它能排到第三；加上中文就掉到第五了。
维度二：代码生成
测试方式：5道LeetCode Hard题 + 3个实际项目功能开发 + 2个bug修复任务。
这个维度的差距比写作小得多。
GPT-5.5和Claude Opus 4.6并列第一，差距在误差范围内。两个都能独立完成完整功能开发，包括写测试、处理边界情况。Claude Opus 4.6在「理解大型代码库」上稍强，GPT-5.5在「单文件算法题」上更快。
开源组这边，DeepSeek V4-Pro是最大惊喜。它在代码任务上的表现跟闭源组几乎打平——尤其在前端开发和Python脚本方面。实际上，DeepSeek从V2开始就在代码能力上持续投入，到V4已经积累了明显优势。
Qwen3-235B排第四，Llama 4 Maverick排第五。两个都能写出能跑的代码，但在复杂场景下（多文件协作、理解项目上下文）跟闭源还有差距。
维度三：多轮推理
测试方式：给模型一个需要5步以上推理的复杂问题，看它能不能自己拆解、逐步推导、得出正确答案。
这个维度是拉开差距的地方。
Claude Opus 4.6第一，而且是明显领先。它的「thinking」能力在4.6又提升了一个台阶——不只是会分步推理，还能在推理过程中自己发现错误并修正。其他模型一旦走错方向就一条路走到黑，Claude Opus 4.6会中途「停下来想一想」然后调整方向。
GPT-5.5第二，推理能力也很强，但偶尔会在中间步骤跳步，导致最终结论虽然对了但推导过程有瑕疵。
开源组：DeepSeek V4-Pro ≈ Qwen3-235B > Llama 4 Maverick。三个开源模型在简单推理上都没问题，但到了5步以上的复杂推理，开始出现「中间步骤出错但硬凑出正确答案」的情况。不算差，但跟闭源的差距在这个维度最明显。
维度四：中文理解
测试方式：成语理解、古文翻译、中文逻辑推理、中文情感理解。
这个维度，国产模型扬眉吐气了。
Qwen3-235B第一。没什么好说的，中文母语团队训练的模型，对中文语境的理解就是更细腻。成语、俗语、古文，它都能准确理解并恰当使用。GPT-5.5和Claude Opus 4.6虽然也不差，但偶尔会在一些「只有中国人才懂的微妙语境」上翻车。
DeepSeek V4-Pro第二，中文能力也很扎实，跟Qwen3差距不大。
GPT-5.5第三，Claude Opus 4.6第四。两个闭源模型在中文上的差距其实很小，都是「很好但不完美」的水平。
Llama 4 Maverick又是第五。Meta在中文语料上的投入确实不够，Llama 4的中文能力跟它的英文能力完全不在一个级别。
如果你的主要使用场景是中文，开源国产模型（Qwen3-235B和DeepSeek V4）是性价比最高的选择，没有之一。
维度五：工具调用（Function Calling）
测试方式：给模型一组工具API，看它能不能正确选择工具、构造参数、处理返回结果。
这个维度代表了Agent能力的基础——前面那篇关于AI Agent的文章说过，工具调用是Agent和Chatbot的本质区别。
GPT-5.5第一。OpenAI在function calling上的积累最深，GPT-5.5的工具选择准确率和参数构造准确率都是最高的。
Claude Opus 4.6第二。差距不大，但Claude在「需要连续调用多个工具」的复杂场景下偶尔会漏步骤。
开源组三个模型差距不大，DeepSeek V4-Pro略好一点。但整体来看，开源模型在工具调用上跟闭源还有一代左右的差距——尤其是在「工具调用失败后自动重试和调整策略」这个维度上，闭源模型的鲁棒性明显更好。
总成绩汇总
把5个维度的分数加起来（每维度20分，满分100）：
- Claude Opus 4.6：92分
- GPT-5.5：89分
- Qwen3-235B：84分
- DeepSeek V4-Pro：82分
- Llama 4 Maverick：76分
趋势很清楚：开源模型跟闭源的差距在缩小，但还没完全追平。差距集中在两个地方——复杂多步推理和工具调用的鲁棒性。
那到底该选哪个？
别看分数排名，实际选择取决于你的场景和预算。
如果你是个人用户，日常用AI聊天、写东西、写代码——GPT-5.5或Claude Opus 4.6的订阅就够了。但如果预算有限，Qwen3的免费版完全能打，日常使用体验跟闭源差距不大。
如果你是企业用户，需要私有部署——开源模型是唯一选择。这个场景下，Qwen3-235B和DeepSeek V4-Pro是2026年最强的两个选项。DeepSeek在代码场景更优，Qwen在中文通用场景更优，按需选。
如果你想搭Agent——目前还是建议用闭源模型。工具调用的稳定性和多步推理的准确性，直接决定了Agent能不能用。这恰恰是开源模型目前最弱的两个维度。但如果你愿意花时间做工程优化（重试逻辑、错误处理、fallback策略），开源模型也能跑起来，只是工程成本更高。
最后说一句：这篇文章的分数是2026年6月的数据。按照目前开源模型的迭代速度，也许到年底，这个差距就真的可以忽略了。到那时候再跑一轮，结果可能会不一样。
AI这个领域，3个月就是一个时代。所以这篇文章也有保质期——但至少现在是这个局面。