选择模型
选对模型，省时省力又省钱。
最后更新时间
选模型的两个核心原则
在 Vibecoding 里，选模型就像选工具——不是越贵越好，而是越适合越好。我的选择标准就两条：
- 能力够用就行：别用牛刀杀鸡，也别用指甲刀砍树
- 成本要可控：免费优先、排队少的优先、性价比高的优先
一个重要的认知
没有完美的模型，只有最适合当前任务的模型。
写文档的时候用弱一点的模型就行（便宜、快），解决复杂 Bug 的时候就得上强模型（贵但靠谱）。学会根据场景切换模型，是 Vibecoding 的高级技巧。
国内模型一览
下面这些都是我对 Trae CN 上模型的评价。纯个人观点，仅供参考。场景限定为 Rebar 附属开发。
| 模型 | 特点 | 推荐用法 | 避坑指南 |
|---|---|---|---|
| GLM 5.2 | 国内最强模型，1M 上下文，推理能力顶尖 | 高难度代码/超长任务/复杂 Debug | 不支持多模态，纯文本任务首选 |
| GLM 5.1 | 代码能力强，但推理速度较慢，思考时间长 | 仓库级重构/复杂逻辑/算法实现 | 上下文窗口 200K，超长任务注意截断 |
| GLM 5 | 综合能力均衡，排队短响应快 | 日常主力模型，适合大多数场景 | 编程能力弱于 5.1/5.2，复杂任务换高阶 |
| Doubao Seed 2.1 | 编程/长 Agent/多模态能力全面升级 | 多模态任务/长对话场景 | 实际使用体验有限，建议先小范围验证 |
| MiniMax M3 | 编程 + 1M 上下文 + 多模态一体化 | 超长上下文任务/多模态需求 | 同样缺乏长期使用数据，谨慎评估 |
| MiniMax M2.7 | 能力有限，已被 M3 取代 | — | 建议直接上 M3 |
| DeepSeek V4 Pro | 1M 上下文，综合能力扎实 | 适合需要长上下文的复杂任务 | 高峰期排队时间长，影响开发节奏 |
| DeepSeek V4 Flash | 1M 上下文，低成本快速响应 | 高频调用/轻量级 Agent | 综合能力不如 GLM 5，复杂场景慎用 |
| Kimi K2.7 Code | 代码能力可用，稳定性尚可 | 日常编程开发 | 与顶尖模型有差距，复杂场景换模型 |
| Kimi K2.6 | 已被 K2.7 全面超越 | — | 直接上 K2.7 Code |
| Qwen 3.7 Plus | 综合能力强，支持 1M 上下文 | 界面感知/工具调用场景 | 纯文本能力不如 Max 版，按场景选择 |
| Qwen 3.6 Plus | 编程/Agent 表现均衡，1M 上下文 | 通用均衡任务 | 已被 3.7 Plus 超越，优先用新版 |
国外模型一览
如果你有条件使用国外模型（科学上网 + 付费），这里有几个顶级选手：
| 模型 | 特点 | 推荐用法 | 成本参考 |
|---|---|---|---|
| Claude Fable 5 | 神话级模型 | 用不起 | 极为昂贵 |
| Claude Opus 4.6 / 4.7 /4.8 | 目前所有模型中的最强存在，没有之一。理解能力强、代码质量高、极少犯低级错误 | 解决最复杂的问题：架构设计、性能优化、疑难杂症 Debug | 很贵！按用量计费，重度使用一个月可能要几十到上百美元 |
| GPT-5.5 | OpenAI 的最新模型，据说很强 | 暂无实际使用经验，不敢乱说 | 应该不便宜 |
| Gemini 3.1 | Google 的最新模型 | 同上，没怎么用过 | 有免费额度 |
国外模型虽然强，但有两个门槛：
- 需要科学上网：国内无法直接访问 API
- 需要付费：除了有限的免费额度外，基本都要花钱
如果你不想折腾网络也不想花钱，老老实实用国内模型就好。GLM 5、GLM 5.1、GLM 5.2 已经足够应付绝大多数 Rebar 开发场景了。
实战：如何根据任务选模型
说了这么多理论，来点实际的。以下是我在开发筛子附属时不同阶段用的模型：
场景 1：头脑风暴和需求讨论
任务：和 AI 讨论功能设计、拆解需求、分析可行性
推荐模型：Doubao / MiniMax / Qwen
原因：
- 这类任务不需要很强的代码能力
- 主要靠语言理解和逻辑推理
- 弱模型就够了，还省钱/省排队时间
- 回复速度通常更快
场景 2：编写核心功能代码
任务：让 AI 写物品类、方块类、事件监听器等核心代码
推荐模型：GLM 5.2 > GLM 5.1 > DeepSeek V4 Pro
原因：
- 需要较强的代码生成能力
- 要能理解 Rebar 的 API 用法
- GLM 5.2 综合能力最强，DeepSeek V4 Pro 作为备选
场景 3：调试复杂的 Bug
任务：代码跑不通、报错看不懂、性能问题排查
推荐模型：Claude Opus 4.6/4.7/4.8 GPT 5.5 GLM 5.2 > GLM 5.1
原因：
- 需要强大的推理能力去分析问题根因
- 弱模型可能会给出错误的诊断方向
- 这种时候别省钱，用最强的模型能帮你节省大量调试时间
场景 4：写文档、注释、翻译
任务：给代码加注释、写 README、翻译语言文件
推荐模型：任何模型都行（甚至可以用专门的写作模型）
原因：
- 不需要代码能力
- 只要语言流畅、表意清晰就行
- 用最便宜的模型即可
最佳实践
建立你自己的"模型使用习惯"。
刚开始你可能不知道该用哪个模型，没关系，多试试就能找到感觉。我现在的习惯是：
- 默认用 GLM 5（日常主力，排队短响应快）
- 卡壳了换 GLM 5.2（大招）
- 写文档用 Qwen 3.7 Plus（便宜够用）
找到适合你的组合后，Vibecoding 效率会大幅提升。
关于模型能力的误区
在使用过程中，我发现新手容易陷入几个误区：
误区 1："贵的模型一定更好"
真相：贵不一定更适合你的场景。Claude Opus 确实强，但如果只是让它帮你写个 YAML 配置文件，用 GLM 5 就够了，还能省下不少钱。
误区 2："免费的模型都很烂"
真相：GLM 5.1 是免费的，但它的代码能力已经能媲美很多付费模型了。免费 ≠ 弱鸡。
误区 3："一个模型走到底"
真相：不同的任务适合不同的模型。学会切换模型，就像木匠会根据需要换锯子、锤子、刨子一样。
误区 4："AI 说的一定对"
真相：不管多强的模型都会犯错！永远要验证 AI 生成的代码——跑一下测试、看看编译有没有报错、检查逻辑是否合理。
最后提醒一句：模型技术在快速发展，这篇文章里写的评价可能在几个月后就过时了。
当你读到这篇文章时，建议你去各大 AI 社区看看最新的模型评测，结合自己的实际体验做判断。别人的体验只能作参考，你自己试过才知道哪个顺手。