模型名称里藏着什么？

A35B 是真正干活的那部分

Qwen3-Coder-480B-A35B-Instruct 这个名称里，A35B 指的是 350 亿激活参数。再看 A 前面的 480B，那是总参数，一共 4,800 亿个，每一个都是模型训练时学到的数字。模型读写文字时以 token 为单位，也就是一小段一小段的文字，每处理一个 token，真正出力的只有其中 35B 参数。这两个数字都写在 Qwen 的模型卡上。

名称里会出现 A，是因为这个模型采用混合专家（MoE）结构，由许多小模块拼成，每个 token 只调用其中几个。两个数字各对应一种开销。总参数决定模型要占多少内存，因为每个模块都得先加载好待命。激活参数决定每个 token 要做多少运算，速度和运行成本都取决于它。552B 的 DeepSeek-V4.1-Flash，每读一个 token 只动用 8B 参数，靠的就是这种分工。

供应商的 PPT 里最常出现的，是五个系列：Qwen、DeepSeek、Gemini、GPT 和 Claude。Qwen 和 DeepSeek 公开模型文件和规模，Qwen 把规模直接写进名称，DeepSeek 写在模型卡上。Claude、GPT 和 Gemini 完全不公布规模，名称遵循的是另一套规则。

怎么读懂一个模型名称？

把这个 Qwen 名称按连字符拆开，会得到五段，每一段回答一个不同的问题。

Qwen3 表示系列和代际，Coder 表示专长，因为这个模型是专门为写代码设计的。再往后是两个规模数字：总参数 480B，激活参数 A35B。末尾的 Instruct 说明微调的方向，在这里就是遵循指令。Qwen 还注明，这个模型只在它所说的非思考模式下运行，也就是不会先把问题一步步想清楚再回答。

参数规模不止于十亿级。Qwen3.8-2.4T-A95B 的总参数是 2.4T，T 代表万亿，所以 2.4T 就是 2.4 万亿，折合 2,400B，其中每个 token 用到 95B。

名称里没有 A 的模型，得多留个心眼。Qwen3.6-27B 就没有，因为它是稠密模型，每个 token 都会用上全部 27B 参数。OpenAI 的开放权重模型 gpt-oss-120b 同样没有 A，却是混合专家模型，总参数 117B，激活参数 5.1B。连名称里的 120 也只是个约数，模型卡上写的是 117B。名称没写全的时候，就去翻模型卡。

FP8、BF16 这类标记给出的是精度，也就是每个参数用多少位来存。BF16 是 16 位（2 字节），FP8 是 8 位（1 字节）。Qwen3.6-27B-FP8 就是按 8 位存储的 Qwen3.6-27B，占用内存更少，27B 参数一个不少。

结尾的数字有时是日期。DeepSeek 在 2026年9月10日发布了 V4.1-Flash，10月17日又推出架构相同的更新版，取月和日作后缀，叫 V4.1-Flash-1017。至于 Flash、Lite、Pro、Mini 这类档位词，含义由各家厂商自己定。

552B 的模型，为什么跑起来像 8B？

MoE 模型里，大部分参数分布在许多小型网络中，这些小网络就是专家。每处理一个 token，路由器都会从中挑出几位专家，只有这几位被激活并参与计算，其余的留在内存里待命。被激活的专家算出的结果，在模型里继续往下传，最后变成回答。

DeepSeek-V4.1-Flash 有 384 个路由专家，路由器每次挑 6 个，另有 1 个共享专家每次都参与。按 DeepSeek 给出的数字，模型读取输入时的激活参数是 8B，写出回答时是 16B，总参数则是 552B。Qwen3.6-35B-A3B 的做法一样，只是规模小一些：256 个专家里每个 token 用 8 个，再加 1 个共享专家，最终是 35B 里的 3B。

把六个模型放在一起看，其中每个 MoE 模型的激活部分都不到总参数的 9%。DeepSeek-V4.1-Flash 读取输入时用 552B 中的 8B，约占 1.4%，是图中占比最小的。Qwen3.8-2.4T-A95B 和 gpt-oss-120b 比较接近，分别是 2.4T 中的 95B（4.0%）和 117B 中的 5.1B（4.4%）。Qwen3-Coder-480B-A35B-Instruct 用 480B 中的 35B（7.3%），Qwen3.6-35B-A3B 用 35B 中的 3B（8.6%）。只有稠密模型 Qwen3.6-27B 是全部用上，27B 中的 27B。

内存是另一笔账。下一个 token 会被路由器分给哪几个专家，事先无法确定，所以所有专家都得留在内存里。单算权重，可以用总参数乘以每个参数占的字节数来估一下：BF16 下每 10 亿参数约 2 GB，FP8 下约 1 GB，4 位下约 0.5 GB。上下文和运行模型的软件还要另外占内存。

拿 Qwen3.6 的两个模型来比。Qwen3.6-35B-A3B 在 BF16 下，光权重就要约 70 GB（35 × 2），尽管每个 token 只激活 3B。Qwen3.6-27B-FP8 约需 27 GB（27 × 1），每个 token 都用上全部 27B。这个差距有一部分来自精度。但就算按同样的方式存储，MoE 模型仍然更大，35B 对 27B，而每个 token 的运算量还更小，这正是它能快速作答的原因。

Flash、Sonnet、Luna 是什么意思？

Claude、GPT 和 Gemini 都是仅限 API 的模型，您只能调用厂商提供的服务，拿不到模型文件。它们的名称由代际编号和档位词组成，档位词标明同一系列里的大小或速度等级。每个档位具体适合做什么，只能看厂商自己的描述。

表格里是各厂商自己的描述，出自 Anthropic 的 Claude 模型总览、OpenAI 模型页面和 Google 的 Gemini 模型页面。本文中的名称和数字，均以各厂商 2026年10月21日公布的内容为准，而这些系列的更新很频繁。价格也常有调整，各家厂商都会在自己的价格页上公布。

Anthropic 还给四个 Claude 模型做了速度上的相对评级：Fable 较慢，Opus 居中，Sonnet 较快，Haiku 最快。四个模型都能接收文字和图片。如果您正在比较 Claude Opus 和 Sonnet，Anthropic 建议大多数工作负载先从 Opus 5.5 试起。

再看上下文窗口，也就是模型一次能读入多少文字。各厂商给出的数字是：四个 Claude 模型、Gemini 4 Argon 和 Gemini 3.8 Flash 都是 1M token，OpenAI 的三个旗舰模型 GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna 是 1.05M。Google 的 Gemini 3.8 页面还补充说，Gemini 3.8 Flash 最多输出 64K token，并提供可设为低、中、高的思考等级。

OpenAI 把 GPT-6.1 Sol 描述为接近 Astra 的水平，但 GPT-6 Astra 的编号反而更小。代际编号更大，并不等于档位更高。

留意 Flash 这个词，两家厂商用它指的是不同的东西。DeepSeek 的 Flash 是一个 552B 的开放权重模型，DeepSeek 称它是“新架构系列中最小的模型，原生支持视觉理解”。Google 的 Flash 属于仅限 API 的系列，是其中的快速档位，规模没有公布。所以供应商说用的是 Flash 时，不妨问一句：哪家的 Flash？

哪些模型可以自己部署？

本文提到的 Qwen、DeepSeek 和 gpt-oss 模型都是开放权重，您可以下载模型文件，按随附的许可证在自己的硬件上运行。不过开放权重不一定意味着自己部署，DeepSeek 就同时通过自己的 API 提供 V4.1-Flash，名称是 deepseek-flash。

先看许可证。DeepSeek-V4.1-Flash 采用 MIT 许可证，gpt-oss-120b 和四个 Qwen 模型中的三个采用 Apache 2.0。这里最大的 Qwen，也就是 Qwen3.8-2.4T-A95B，用的是自己的 Qwen3.8-Max 许可证，可见同一个系列也可能适用不同的条款。如果您在为自己的服务器比较 Qwen 和 DeepSeek，那就在有人下单采购硬件之前，先把许可证读完。

接着用前面的内存估算来定硬件规模。DeepSeek 公布的文件里包含按 8 位（FP8）存储的权重，按每个参数 1 字节算，552B 光权重就要约 552 GB。也就是说，得用一台装有多块 GPU 的服务器，而这个模型每个 token 实际只用 8B 到 16B。OpenAI 把 gpt-oss-120b 的专家权重存成一种叫 MXFP4 的 4 位格式，并称这样它可以“在单张 80GB GPU 上运行”。

输入和回答方式也不一样。DeepSeek-V4.1-Flash 接收文字和图片，Qwen3.8-2.4T-A95B 只接收文字，而且回答之前总会先把问题想一遍，这就是 Qwen 所说的思考模式。Qwen3.6-35B-A3B 默认也是这样，不过可以切换成直接回答。

哪项工作该用哪类模型？

客服运营交给模型的工作，彼此差别很大。通话进行中，模型得趁来电客户还在线上就给出回复，而昨天那批通话的摘要，没人在等。下表依据各厂商自己的描述，每一行只是测试的起点，不是排名。

实时通话是要求最严的一行。来电客户对每一次停顿都听得一清二楚，而模型只是造成停顿的原因之一。我们有篇文章专门讲语音线路上的等待来自哪里，把这段停顿拆成了几个可以测量的环节。

从与您的工作对应的那一行里挑两三个候选模型，拿自家的通话录音去试，录音里要有您的产品名称、实际使用的语言，以及客户真正会问的问题。评分就看工作本身，比如摘要有没有记下对来电客户承诺的回电时间。

供应商来推介时，问清楚每个环节分别由哪个模型负责，从实时对话到分流，再到通话后的摘要。要问全称，连同代际编号和档位。如果每个环节报出的是同一个名称，值得再追问一句。我们整理的采购语音 AI 前要问的 30 个问题里，还列了其他需要核对的事项。

DRING 在其中做什么？

DRING 的技术栈不绑定模型。每个 AI 智能体背后的语音和推理模型，根据语言和业务流程来选。语音识别、语言模型和语音合成的供应商，则按智能体分别从主流厂商中选定。其中任何一个都可以替换，无需重建，更换时也不影响技术栈的其他部分。我们的模型层页面对此有说明。

业务流程也可以路由到另一个模型，无需迁移平台。某家模型供应商出现问题时，通话可以切换到正常工作的供应商。架构评审接下来会问到哪些问题，面向 IT 总监的页面里逐条讲了。

更换模型，和新版本上线一样要经过测试。每个 DRING 智能体在接第一通真实电话之前，都会先跑 1,000 至 10,000 次为您的公司专门生成的模拟对话。更强的模型也要先通过整个技术栈共用的那套回归测试集才能上线，发布之前，结果还要与上一个版本对比。告诉我们，您希望先在通话的哪个环节用上 AI 模型，DRING 两分钟内给您回电。