经过 4000 个分类处理，360 把国内这 12 个顶尖大模型擅长点都说清楚了。

说起大模型，现在的情况挺有意思的——各家都有自己的独门绝技，但没有谁敢说“我全都要”。那如果把各家最擅长的部分拼到一起呢？这就是 360 最近在做的“混合模型”思路。 这个方案的核心逻辑其实很朴素：。换句话说，它不是让你一个模型硬扛所有需求，而是让每个模型去做自己最拿手的事。 理论上说，这个思路可以把国内头部模型的优势都收进来。毕竟，即使是 GPT-4O 或 Claude 3.5，也不是在所有任务上都能稳压所有人。而混合模型这种“取长补短”的架构，能做到的其实是——在每个细分维度上，都给你最优解。
听起来简单，但落地有个关键问题：怎么判断哪个模型擅长哪个领域？ 360 的做法是用数据说话。他们把自己过去积累的用户真实问题拿出来，挑了几千万条，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、知识问答等等，然后逐个测试，跑出每个类别下的最佳模型。 最终画出的能力分布图大致是这样的： - ：在搜索、总结、思维导图方面表现突出，而且生成速度快； - ：创意写作、逻辑推理、知识问答这类任务更在行； - ：对代码和图表有很强的理解能力； - ：擅长沉浸式角色扮演，虚拟角色体验丰富； - ：电商、法律等垂直领域知识库扎实，翻译能力也很强； - ：20万字的超长上下文记忆，适合处理专业长文本； - ：办公场景首选，会议纪要、周报等能省不少事； - ：内容创作、对比判断类的知识问答更稳定； - ：逻辑推理和翻译能力突出，教育方向是强项； - ：擅长医疗、编程等专业垂直方向； - ：多模态场景下表现好，模型推理训练也拿手； - ：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 的这个测试结果肯定更靠谱一些。 再说一个直观的对比。有没有遇到过这种情况，你单独问某个模型，它的回答就是不对劲。比如让它讲个笑话——Kim、文心一言、通义千问分别给你讲了一个，结果是真的不好笑，甚至有点尴尬。 但换到混合模型里调用，效果明显就正常多了。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。对用户来说，你不需要操心背后调用了谁、切换了谁，只需要当它是一个模型在使用就好。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，不用再分别登录到各家官网一个个问了。 目前体验上有个小遗憾：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，没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。