过去几年，大模型厂商发布新产品，总少不了一张密密麻麻的 Benchmark 成绩表。但当模型真正进入工作场景，评判标准就没那么简单了。
今年 3 月，一项研究分析了 43 套 Agent 评测基准，涉及超过 7.2 万项任务，并与美国劳动力市场的 1016 种职业进行对照。结果发现，现有评测高度集中于编程等计算机相关任务，管理、法律等大量真实工作场景却明显覆盖不足。
模型在测试中表现出色，究竟能在多大程度上反映它解决实际问题的能力？
10 月 30 日，2026 腾讯全球数字生态大会「模型与 MaaS 服务专场」上，腾讯云 MaaS 产品中心总经理邹辉谈到了大模型市场的三项变化：模型能力持续增强，百万 Token 调用成本从“元”降至“角”甚至“分”，Agent 也从对话接口逐渐发展为能够规划和执行任务的智能主体。
随着应用门槛降低，企业关心的问题也越来越具体：模型能力是否匹配业务，成本能否控制，服务是否稳定，以及复杂任务能否真正完成。
这些要求贯穿模型研发、训练推理和业务应用，也让 MaaS 的技术体系面临新的挑战。 此次专场上，腾讯云围绕混元、TI-ONE、TokenHub 以及产业伙伴的模型实践，展示了模型能力从研发、部署到实际应用的完整链路。
当排行榜无法回答所有问题
Benchmark 依然是衡量模型能力的重要工具，但真实工作往往比测试题更复杂。
一段代码通过单元测试，与完成涉及需求理解、跨文件修改、调试验证的软件工程任务，并不是一回事。尤其在 Agent 场景中，模型还需要持续调用工具、处理执行异常，并根据中间结果调整后续动作。单项能力出色，不意味着整项任务一定能够完成。
混元在模型研发过程中，除了 Terminal-Bench、DeepSWE 等公开基准，以及 Arena 等第三方评测平台，还组织了 163 名内部高频使用大模型的业务专家，围绕软件工程、游戏开发等四类典型场景，对模型开展盲测。
目前，腾讯已建立覆盖 9 大业务方向的内部评测体系。这些来自具体业务的评价，也成为模型后续迭代的重要参考。
评测方式的变化，与混元研发体系的调整同步发生。2025 年 12 月，混元启动研发体系重组；2026 年 1 月，重点升级后训练基础设施，以适应智能体长程推理任务的需求。此后，混元逐步形成每两到三个月进行一次重大版本迭代的节奏。
模型与产品联合设计（Co-Design）是其中的重要一环。
WorkBuddy、CodeBuddy 等产品连接着大量具体任务。代码开发关注跨文件修改、调试验证和工程质量；办公应用涉及跨文档分析、数据处理与成果交付。不同业务对准确性、长程执行能力、响应速度和 Token 消耗各有要求。
这些实际需求为模型研发提供了更具体的优化方向。公开榜单能够帮助团队判断模型的能力水平，真实工作流则让能力短板变得更加清晰。
模型足够聪明，还要足够好用
模型能够完成复杂任务，并不意味着它已经适合生产环境。
长程任务通常伴随着更大的上下文窗口、更频繁的工具调用，以及持续增长的推理开销。即便最终结果正确，如果响应过慢、运行成本过高，也很难支撑规模化应用。
尤其当企业需要同时使用不同厂商、不同规模的模型时，底层硬件、推理框架和部署方式的差异，还会进一步增加工程复杂度。如何在不同算力环境下稳定交付模型服务，成为 MaaS 平台需要解决的问题。
腾讯云 TI-ONE 产品总监王仿坤将生产级推理的难点归纳为性能、成本和运营三方面。
Prefill 和 Decode 阶段对算力的需求不同，算子效率、并行通信、缓存策略以及长尾时延都会影响推理性能；异构算力适配与资源闲置影响使用成本；模型上线之后，还需要具备可观测、弹性伸缩和平滑更新能力。
基于开源权重部署模型已不算困难，真正的挑战是让它长期稳定地满足生产要求。
作为腾讯云的训推一体化平台，TI-ONE 向下兼容并调度国产及海外异构算力，向上支撑 TokenHub 等 MaaS 服务及企业专属部署。训练工具链、推理加速、资源调度和部署工具被整合在同一体系中，以降低模型与硬件的适配门槛。
国产算力上的推理优化是此次升级的重点之一。 王仿坤介绍，在主流国产加速卡的测试环境下，Hy4 preview 经过优化后，单卡吞吐达到初始版本的 5 倍。相关团队仅用两周完成了这轮专项优化，并将成果沉淀到 TI-ONE 平台，供后续部署复用。
平台还将推理配置与调优经验封装为部署模板，减少企业针对不同模型、不同硬件反复配置推理服务的工作量。
这些工程优化不会直接提高模型在 Benchmark 上的得分，却能够让相同的模型能力以更低的成本、更稳定的性能进入业务。
而模型版本更新越快，持续适配和交付这种能力的重要性也越突出。
真实业务需要怎样的模型？
模型能力持续提升，企业却未必总是需要参数规模最大的版本。
复杂科研任务更看重推理深度，终端交互需要更快响应，工业预测则关注数据适配、准确率和运行稳定性。不同任务对模型的要求，并不存在统一答案。
小米 MiMo-V2.6 系列体现了这种差异。据小米大模型商业化产品负责人崔巧英介绍，MiMo-V2.6 Pro 面向专业场景与复杂长程工作流；Pro-Ultraspeed 重点优化推理速度，适合强实时交互；Flash 则兼顾能力与成本，面向高频调用和批量任务。
在小米披露的测试中，Ultraspeed 版本的输出速度最高可达 Pro 版本的 20 倍以上。不同版本的性能取舍，直接对应不同应用对响应时间和资源消耗的要求。
模型进入应用，也需要高效的服务通路。MiMo-V2.6 在腾讯云 TokenHub 首发，并接入腾讯 ima、WorkBuddy 等产品。小米方面披露，V2.6 上线后的日调用量较 V2.5 增长 15 倍以上。
TokenHub 产品负责人何世友介绍，平台通过 Day 0 接入机制，尽可能在重点模型正式发布当天完成上架，并提供不同等级的模型服务，让开发者能够根据业务需要更快开展选型和验证。
终端设备的模型选择则更加复杂。荣耀全场景产品软件总经理席迎军介绍，荣耀在 YOYO Claw 中采用端云双向智能路由：适合本地处理的任务尽量利用设备侧算力，复杂任务则交由云端处理，并根据任务特点选择模型。目前，相关产品已接入腾讯提供的多类模型服务。
用户并不需要了解模型运行在哪里，但响应速度、操作体验和任务完成质量会直接影响他们是否愿意持续使用 Agent。
工业场景则有不同的能力需求。稳准智能研发平台负责人原豪介绍，其结构化数据基础模型 LimiX-2 面向表格、时序等数据进行预测与决策。在石油化工场景中，传统方案需要针对单口油井的 13 项指标分别训练专有模型，而 LimiX-2 能够以单一模型统一覆盖这些预测任务。
据稳准智能披露，这一方案缩短了部署周期，并改善了部分关键指标的预测效果。
与通用语言模型侧重文本理解、推理和任务执行不同，结构化数据模型的价值更多体现在预测精度、生产效率等业务指标上，其训练方式与工程要求也有所区别。
LimiX-2 借助腾讯云 TI-ONE 开展训练与迭代，通过资源组管理、任务调度和故障恢复等机制保障运行。原豪特别提到，对于需要长时间运行的训练任务，稳定性往往比瞬时峰值速度更重要。
从实时交互到工业预测，模型的能力、运行环境和成本结构都需要与业务相匹配。混元持续优化基础模型能力，TI-ONE 提供训练与推理的工程支撑，TokenHub 则承接多模型接入与服务，让不同能力能够更有效地进入实际应用。
当模型开始承担越来越多实际工作，能力的边界也在被重新审视。一次出色的评测表现或任务演示，远不足以证明它在生产环境中的价值。如何让模型持续进步，并以稳定、经济的方式服务于不同业务，将越来越考验模型厂商从研发到 MaaS 服务的整体能力。
点击链接（https://qdrl.qq.com/uiViAqav），查看精彩回放
