2025到2026年的开源模型格局，和两年前完全不是一个画风。那时候讨论开源模型基本就是在讨论 Llama，偶尔提一嘴 Mistral。现在？中国这边直接杀出了 Qwen 和 DeepSeek 两个重量级选手，加上老牌的 Hermes 系列，三方角力的态势已经很明显了。
对于中文用户来说，这三个模型的选择直接关系到日常生产力。今天就把它们拉到一起，认真比一比。
三个模型的基本定位
先理清楚各自的背景和定位。
Hermes 4 405B：Nous Research 出品，基于 Llama 3.1 405B 微调。核心卖点是超强的工具调用能力、灵活的安全策略、以及混合推理模式。MATH-500 跑到了 96.3%，AIME 2024 拿了 81.9%。这个数学成绩相当能打。
Qwen 2.5：阿里通义千问团队的作品，从底层就为中文场景做了深度优化。词表专门针对中文做了扩展，中文 token 效率比基于 Llama 的模型高出不少。有从 0.5B 到 72B 的完整尺寸覆盖。
DeepSeek V3：深度求索的旗舰模型，采用 MoE（混合专家）架构，总参数量达到 671B，但激活参数只有 37B。以极低的训练成本（据称约 560 万美元）实现了惊人的性能，在数学推理和代码生成上尤其强悍。
三个模型来自完全不同的技术路线，这让对比更有意思。
中文能力：正面硬刚
先聊最关心的中文能力。
词表和 Token 效率
这是一个很容易被忽略但实际影响巨大的因素。Qwen 2.5 的词表包含超过15万个 token，其中大量是中文专用 token。同样一段中文文本，Qwen 2.5 消耗的 token 数量大约只有 Hermes 4 的60-70%。
这意味着什么？意味着同样的上下文窗口长度，Qwen 2.5 能塞进去更多的中文内容。在处理长文档、多轮对话等场景时，这个优势会不断累积。
DeepSeek V3 的词表设计也考虑了中文，效率介于 Qwen 和 Hermes 之间。
中文语义理解
让三个模型处理一些需要深度中文理解的任务——文言文翻译、中文成语解释、歧义句分析、方言理解。
Qwen 2.5 在这些场景下表现最稳。它对中文语义的把握最准确，很少出现理解偏差。一个典型例子：让三个模型解释”这个人很阴”在不同上下文中的含义，Qwen 2.5 能准确区分出”阴险””阴沉””阴柔”等不同语义，而 Hermes 4 有时会混淆。
DeepSeek V3 的中文理解能力也相当不错，特别是在技术和学术领域的中文表达上。它能很好地处理中英文混杂的技术文档，这在国内开发者的日常场景中非常实用。
Hermes 4 的中文表现嘛，说好听点是”还行”，说直接点是”能用但不惊艳”。简单的中文对话、技术讨论没问题，但涉及到文化内涵丰富的中文内容时，会暴露底座模型中文训练不足的短板。
中文写作质量
Qwen 2.5 写出来的中文最地道，用词选择和句式结构都很自然，基本看不出机器生成的痕迹。DeepSeek V3 的中文写作稍显正式，但质量也很高。Hermes 4 的中文写作偶尔会有翻译腔，长文中这个问题更明显。
数学和推理：Hermes 4 的逆袭
中文不行，那就比数学。
| 测试项 | Hermes 4 405B | Qwen 2.5 72B | DeepSeek V3 |
|---|---|---|---|
| MATH-500 | 96.3% | 83.1% | 89.7% |
| AIME 2024 | 81.9% | 约30% | 约40% |
| GPQA Diamond | 70.5% | 49.0% | 59.1% |
数学推理是 Hermes 4 的拿手好戏。96.3% 的 MATH-500 成绩，加上 81.9% 的 AIME 2024，这个表现放在整个开源模型阵营里都是顶尖水平。
但需要再次强调，Hermes 4 的数学强项很大程度上来自它的 Extended Thinking 模式。这个模式允许模型在回答前进行长时间的内部推理，相当于给了模型”打草稿”的时间。关掉这个模式后，成绩会有显著下降。
DeepSeek V3 在数学方面也相当能打，特别是考虑到它的激活参数只有 37B。MoE 架构在数学推理场景下展现了出色的参数效率。
Qwen 2.5 72B 的数学能力在同尺寸模型中算是中上水平，但和 405B 级别的模型比确实有差距。不过 Qwen 2.5 Max 版本（非开源）在数学上的表现要好得多。
代码生成：三足鼎立
编程能力的对比比较复杂，因为不同编程语言和任务类型下的表现差异很大。
Python/JavaScript 等主流语言：三个模型都很能打，差距不大。DeepSeek V3 在代码生成的准确性上可能有微弱优势，但不到能感知的程度。
中文技术文档 + 代码混合场景：这是国内开发者的典型使用场景——用中文描述需求，让模型生成代码。Qwen 2.5 和 DeepSeek V3 在理解中文技术需求方面更准确，生成的代码注释也更自然。Hermes 4 有时会把中文需求中的细节理解错。
复杂架构设计：涉及到系统设计、架构决策等高层次编程任务时，Hermes 4 的 Agent 能力 反而成了加分项。它可以通过多步骤的工具调用来辅助复杂的代码分析和重构。
LiveCodeBench 成绩：Hermes 4 拿到了 61.3%，DeepSeek V3 约 64%，Qwen 2.5 72B 约 55%。
工具调用和 Agent 能力
这个领域 Hermes 4 有明显优势。
Hermes 系列从 Hermes 2 Pro 就开始重点打磨工具调用能力，到了 Hermes 4 已经相当成熟。支持复杂的嵌套函数调用、多步骤工具链、以及并行工具调用。
Qwen 2.5 也支持 Function Calling，但实现的深度和稳定性不如 Hermes 4。特别是在多步骤的 Agent 场景中，Qwen 2.5 偶尔会在中间步骤丢失上下文。
DeepSeek V3 的工具调用支持相对较弱。它更像是一个”纯对话”模型，在 Agent 场景下的适配需要更多的工程化工作。
如果你的项目核心是构建 AI Agent 或者需要频繁使用工具调用，Hermes 4 是最省心的选择。
部署成本和硬件需求
这个维度的对比直接关系到钱包。
Hermes 4 405B：全参数 FP16 需要约 810GB 显存，量化到 INT4 需要约 200GB。这基本意味着你需要多卡服务器，不是个人开发者能轻松玩得转的。
Qwen 2.5 72B：FP16 需要约 144GB，INT4 约 40GB。两张 A100 或者一张 H100 就能跑，友好很多。而且 Qwen 2.5 还有 7B、14B 等小尺寸版本，消费级显卡也能玩。
DeepSeek V3：虽然总参数671B 听着吓人，但 MoE 架构下激活参数只有 37B，实际推理时的显存占用比想象中低。不过 MoE 模型对推理框架的要求更高，不是所有框架都能很好地支持。
从性价比角度看，Qwen 2.5 的尺寸覆盖最友好。你可以根据实际需求选择不同尺寸的版本，在性能和成本之间找到最佳平衡点。
社区生态和文档支持
Hermes 4：Nous Research 的社区以英文为主，但 cocoloop 社区为中文用户提供了不少资源和讨论空间。Discord 社区活跃度很高，技术讨论的质量也不错。
Qwen 2.5：阿里的官方文档做得很全，中文支持自然不用多说。HuggingFace 上的模型卡片和示例代码也比较完善。国内各大云平台基本都第一时间支持了 Qwen 的部署。
DeepSeek V3：深度求索的文档质量在国内开源项目中属于上乘。论文写得很详细，技术报告的透明度很高。社区规模在快速增长中。
选择建议
总结一下各自的最佳使用场景：
选 Hermes 4 如果你：
- 核心需求是构建 Agent 系统或使用工具调用
- 需要灵活的安全策略控制
- 数学和推理任务是主要应用场景
- 有足够的算力资源
选 Qwen 2.5 如果你：
- 中文是主要使用语言
- 需要从小到大多种尺寸的灵活选择
- 硬件资源有限，需要控制部署成本
- 对中文写作质量有较高要求
选 DeepSeek V3 如果你：
- 看重整体性价比（激活参数少但性能强）
- 代码生成是核心需求
- 需要处理大量中英混合的技术内容
- 对数学推理有较高要求但算力有限
三个模型不存在谁全面碾压谁的情况。开源生态的健康发展恰恰需要这种多元竞争。作为使用者，能有这么多高质量的开源选项可以挑选，这在两年前是不敢想的。
选模型就像选工具——没有最好的，只有最合适的。搞清楚自己的核心需求，再对号入座，比盲目追跑分有意义得多。