416个模型、171个今年发布，没人测得完

2026年还没到10月，就已经有171个模型发布，其中26个集中在9月。没人能全部测一遍，所以真正值得存的追踪站，加上一套挑发布的方法，比"追完所有更新"更实际。

看9月最后十天就够了。xAI 发了 Grok 4.7，Anthropic 发了 Claude Opus 5.5，几天后又跟上 Sonnet 5.5，OpenAI 推出新的 GPT-6 Sol 变体。每一个都配着图表，宣称自己是目前最好的。

上一篇发布稿还没写完，下一条已经在刷屏。这种感觉不是错觉——LLM Gateway 的发布时间线目前统计了54家厂商的416个模型，时间跨度从2022年至今。其中171个出现在2026年，仅9月就有26个，来自16家不同的厂商。没人测得完这些，包括你、我，以及发布当天转发基准图表的人。

为什么追起来这么累

三年前，一个大模型发布是件事。现在它更像天气。

• 实验室变多了。除了美国几家大厂，还有 Qwen、DeepSeek、Moonshot 的 Kimi、Z.ai 的 GLM、小米的 MiMo、Mistral 等，各自按自己的节奏发。
• 尺寸变多了。一次"发布"往往是一整个家族：旗舰、中端、快速廉价版，有时还有编程版。
• 点版本发布。实验室现在直接发 5.5、5.6、5.7，不再等一个大版本跳跃。
• 降价也算发布。OpenAI 的 GPT-5.6 Luna 在7月30日便宜了80%，这件事可能比一个全新模型更重要。

所以别想着认识每一个模型。记住对你工作重要的那三个，留意它们什么时候被替换掉。

值得收藏的追踪站

LLM Gateway 时间线：覆盖54家厂商、33个模型家族的416个模型，按月给出发布数量，是看"这个月出了什么"最快的方式，适合看整个市场的大图。

Evertune：更聚焦，收录六家主要厂商（OpenAI、Anthropic、Google、Meta、DeepSeek 等）约133条发布和更新。每条都有日期、大白话总结和官方公告链接，每天更新，适合快速、不带吹捧地了解一次大发布改了什么。

Opper、BenchLM 和 LMMarketCap：适合查过去24到48小时的动态，每条发布旁边会附基准或价格背景，用来回答"今天有没有大东西掉下来"。

价格追踪站是最被低估的一类。发布抢头条，但价格和限额的变化才真正打到预算上。UsagePricing 的活动日志记录了 AI 和 SaaS 厂商带日期的价格变动，能在账单出现之前发现成本变化。

三个问题的过滤器

我用这套过滤器决定一次发布值不值得花时间，整个过程大约30秒。

1. 它来自我已经在用的厂商，或者是我所用模型的直接替代品吗？如果不是，除非后两问都是强烈的"是"，否则跳过。
2. 它是否让价格、速度或限额变化至少20%？微小的基准提升对实际工作很少有意义，成本或速度的大幅变化才有。
3. 它是否解锁了我之前做不到的事？可能是更长的上下文、新的模态、更强的工具调用，或者在类似我这类任务上高得多的编程分数。

三个答案都是否，我就关掉标签页。这一条规则能砍掉大部分噪音。对多数人来说，每个月只有少数几次发布能通过。

基准展示的是模型在别人测试里的表现，你自己的五任务测试才说明它对你怎么样。

建一套自己的五任务测试

当一次发布通过过滤器，别再看发布当天的图表，跑一遍自己的快速测试。这套测试建一次，之后可以一直复用。

• 从你的工作里挑五个真实任务。我的包括：把杂乱的 HTML 页面转成 JSON、写一个分页的 Python 函数、总结客户简报、清洗日期格式混杂的 CSV、起草一封简短的客户回复。
• 保存确切的输入，每次都使用同样的输入，比较才公平。
• 保存你当前最好的输出，作为基线。
• 简单打分：更好、一样、更差，同时记录成本和时间。
• 记日志。每个模型一行，每个任务一列。

几轮之后，这份日志会比任何公开排行榜都有用，因为它基于你的工作。

每周15分钟的例行流程

周一5分钟：扫一个大追踪站，看上周的发布，逐个过三个问题的过滤器。周一再5分钟：看价格追踪站，查你在付费的模型有没有变动。每月一次30分钟：对通过过滤器的发布跑五任务测试。每季度一次：过一遍你在付费的模型，看有没有更便宜的现在能干同样的活。

就这样。你不会什么都知道，但你会知道什么重要。

维护一张"我的模型"表

公开追踪站覆盖整个市场，你还需要一张小表覆盖你自己的市场，也就是你实际在用的模型。我的表很基础，每个模型一行，列包括：模型名和厂商、我拿它做什么（抓取解析、写作、编程、总结）、当前每百万输入和输出 token 的价格、我在哪里用它（API、订阅、Cursor 这类工具）、已知的弃用或退役日期、我上次测试它的日期、如果涨价我会换用的更便宜模型。

建表花20分钟。之后每次发布只面对一个问题：它能不能打败我表里的某个模型？当厂商宣布退役，比如 Moonshot 在8月31日终止 Kimi K2.5 和 moonshot-v1 API 系列，你能立刻知道这影不影响自己。

开源模型值得单独看一眼

2026年那171个发布里，很多是来自 Qwen、DeepSeek、Z.ai、Moonshot、Mistral 等实验室的开源权重模型。只用聊天应用的话很容易忽略它们，但我仍建议每月简单看一眼，原因有两个。

一是价格。推理厂商托管的开源模型，在分类、抽取、清洗这类批量任务上往往便宜得多。处理上千页的抓取流水线，省下来的钱累积得很快。二是控制权。很多模型可以跑在自己的硬件上、可以微调、数据留在自己的环境里，对某些客户来说这是决定性因素。

不必追踪每一个开源发布，只要在五任务测试里保留一个开源模型，你就始终知道预算选项能扛住什么。

哪些信号说明一次发布重要

• 工具构建者切换得快。编程工具和 API 网关在48小时内加上某个模型并设为默认，值得注意。
• 同等质量下价格下降。Opus 5.5 以每百万 token 输入4美元、输出20美元发布，低于 Opus 5 的5美元和25美元，这类变化会动到真实预算。
• 旧模型被弃用。当前模型一旦有了退役日期，不管愿不愿意都得关注。
• 你信任的开发者真的换了技术栈，而不只是发推。

哪些可以忽略

发布当天跳过方法论的排行榜截图；头六小时内的"这改变了一切"；和你做的事毫不相像的任务上的基准；你根本不用的厂商的小版本更新。

这叫自我防御。当几乎每天都有新模型出来，这是保持清醒的唯一办法。

你不需要看到全部。存一个大追踪站和一个价格追踪站，建好五任务测试，每周给它15分钟。你会错过很多发布，没关系——你抓住的是对自己工作重要的那些，而这是唯一划算的"跟上"。