中美顶尖模型只差 3%：真正被改变的不是排名，是「追赶」的成本结构
结论
彭博行业研究给出的这组数字值得认真看，但不该被读成「追平」：DeepSeek 9 月发布 V4.1 Flash 之后，中国顶尖模型在基准测试上仅落后美国对手约 3% —— 5 月这个数字还是约 9%，今年更早的时候是 15%。真正的信息不是「只差 3%」，而是收敛的速度与成本不对称。
三个要点
- 收敛比线性外推更快。 从 15% 到 9% 再到 3%，大致用了一个半季度。若只做机械外推，几个月后「差距」这个指标本身就会失去区分度，而这恰恰是它最危险的地方：指标失效后，大家会误以为选择变简单了。
- 基准差距不等于产品能力差距。 LiveBench 这类离线静态评测，衡量的主要是单轮知识与推理表现。它不覆盖工具调用成功率、长程任务稳定性、缓存命中价格、区域可用性与限流策略 —— 而这些才是把模型接入生产时真正会卡住你的东西。
- 「差距」的定义权在评测方手里。 同一批模型换一个榜单、换一套采样参数，排序就会变。所以单一榜单收窄，说明不了差异化竞争结束，只说明通用能力这一维度确实在被拉平。
对你意味着什么
不要再按「国别」做选型。 拿你自己的失败模式做几条回归用例，按三个维度实测：任务形状匹配度、单位成本（含缓存与重试）、可部署性（私有化 / 区域 / 合规）。公开榜单只用来筛掉明显不合适的候选，不用来决定赢家。
把评测变成资产。 外部榜单会变、会失效；你自己那 10 条覆盖真实坑位的用例不会。企业侧尤其如此：与其追每季度的新榜，不如把评测沉淀成内部基准。
对做内容与增长的人： 「差距收窄」这类叙事会反复出现、反复被重新定价。它适合做讨论引子，不适合当作技术判断的依据。
一句话：差距缩到 3% 之后，竞争从「谁的模型更强」换成了「谁更懂自己的任务」。
参考来源
- 彭博行业研究报告（经 IT之家报道）：中美顶尖模型 LiveBench 差距缩至 3%