五款模型怎么选：一张决策图看完端侧、跑量、长任务与旗舰

一句话总结：选模型不是比分数，是先回答四个约束问题——能不能私有、要不要长上下文、任务长短、预算多少，答案组合基本就锁定了这五款里的唯一一个。

前面分别写了 Qwen3.8、M3.1 Flash、MiniCPM5-2B、LongCat 2.5、Step5，也做了横评和成本账。这篇收个口：怎么把选择做成流程，而不是凭感觉。

四个问题，按顺序问

图 1：先问约束，再问场景，收尾才看分数

问题一：数据能不能出内网？

不能出，只有一条路：MiniCPM5-2B。2.5B、4GB 显存、Apache 2.0，笔记本就能跑。别纠结它的分数只有 12.5，私有化的第一要求是「装得下且合规」。

能出网，继续下一个问题。

问题二：任务是不是要操作界面？

要——比如点网页、填表单、跑 RPA、驱动桌面软件——选 LongCat 2.5。它在这五款里是唯一把 GUI 操作当核心能力的。代价是慢（单任务 30 分钟起）和 Preview 状态。

不要，继续。

问题三：任务长不长、是不是金融/研报类？

单次跑几十分钟、要吞几万到几十万 Token 的文档、或者做投研分析，选 Step5 Preview。1M 上下文、单任务 0.71 美元、金融评测强。有卡可以自建，没卡走 API。

不是，继续。

问题四：预算和并发怎么权衡？

• 高并发、成本第一、任务短（分类、抽取、摘要）→ M3.1 Flash，$0.15 输入、170+ TPS
• 要最强多模态、要最高分、预算宽松 → Qwen3.8-Max，$2/$6，AA 45.4

按预算再看一遍

注意这张表是「量级」不是精确值。同样一个任务，输入输出比一变，成本能差好几倍，具体算法在成本那篇里。

五个常见误判

误判一：拿参数量当能力。 1.6 万亿的 LongCat 没进 AA 榜，2.5B 的 MiniCPM 数学能到 86.5。参数是容量，激活量和训练质量才是能力。

误判二：只看输入价。 输出价通常是输入的 3–4 倍，长输出任务光看输入价会算错一半。

误判三：把「开源」当「随便用」。 Apache 2.0、带商用门槛的自定义许可、仅 API，是三件事。Qwen3.8 的 2.4T 权重就有 1 亿月活和 5000 万收入两道门槛。

误判四：忽略思考成本。 M3.1 Flash 思考关不掉，简单请求也烧推理 token。报价单上看不出来，账单上很明显。

误判五：以为榜单能替代实测。 榜单是统一任务集，你的任务是另一回事。同一个模型在客服场景和代码场景的表现可以完全相反。

一个务实的组合方案

多数团队不需要只选一个。我自己的做法是三层：

1. 本地兜底：MiniCPM5-2B 跑在开发机或边缘设备上，处理离线、涉密、低价值高频的小任务
2. 主力跑量：M3.1 Flash 承担线上批量任务，成本可控、速度快
3. 难题升级：Step5 或 Qwen3.8-Max 处理长文档、复杂推理、需要高质量输出的场景

三层之间用路由判断：任务长度、是否涉密、输出质量要求。这套结构比「选一个最强模型」便宜得多，也更抗风险。

常见问题

只能选一个，选谁？

看你的主业务。做产品跑量选 M3.1 Flash，做研究选 Step5，做端侧选 MiniCPM5，做视觉多模态选 Qwen3.8-Max。

Qwen3.8 和 Step5 都是旗舰，差在哪？

Qwen3.8 多模态更全、AA 分更高（45.4 vs 44），Step5 便宜一半、金融与长任务更专。要视觉选前者，要成本选后者。

LongCat 现在能用吗？

能用，但它还是 Preview，接口和定价都可能变，适合验证方向、不建议压核心业务。

小团队有必要自建吗？

除端侧场景，一般没必要。600B 级别的模型自建成本远高于 API，2.5B 的端侧模型才是自建真正划算的地方。

多久重新评估一次？

三个月。这五款里有一半是这两个月才发的，迭代速度决定选型结论的有效期很短。

结语

这五款的差别，本质是四个约束的不同排列：私有化、GUI 操作、长任务、预算。把这四个问题按顺序问一遍，答案基本是唯一的。

分数榜可以看，但别当决策依据。真正决定成败的是「这个模型的工作方式，跟你的业务形态契不契合」——这件事只有拿自己的任务跑一遍才知道。