中美AI能力差距对实际生产工作负载是否仍有意义？

今年我越来越多地使用中国模型。从DeepSeek开始用于推理任务，转向Qwen处理更长的上下文工作，在OpenRouter上当GLM有那个小DeepSeek时刻时尝试了它。目前，轮换主要是中国模型，Claude作为复杂创意任务的备用。这周我终于试了试Hy3，这让我更加确信了这一点。这个模型每个token激活21B参数，总共有295B参数。相比DeepSeek的671B或Kimi K3的2.8万亿，它很小。然而，对于我投入的编码和API集成工作，其输出质量比它应有的更接近那些模型。这是难以忽视的部分。当DeepSeek单独主导OpenRouter使用量，Qwen在Arena-Hard中领先，现在连像Hy3这样注重效率的小模型也能在实际任务中与它们匹敌……OpenAI和Anthropic的‘护城河’与我日常所见并不相符。如果这就是一个21B活跃模型在2026年中能做的，我真的不知道差距论点现在还基于什么。但这只是我的感受，我好奇其他人从自己的技术栈中看到了什么。