中國大模型橫評:DeepSeek、Qwen、Kimi、GLM 等八家,香港學校可以怎樣用?

一位中文科主任在示範會上問了一條很好的問題:「DeepSeek 的輸入價是 GPT-6 Astra 的六十七分之一,中文又不比它差,為甚麼你們的平台不直接接上去?」他說得對——以 2026 年 9 月官方定價計,DeepSeek-V4.1-Flash 每 100 萬 token 輸入 0.15 美元,GPT-6 Astra 是 10 美元,剛好 66.7 倍。但這條問題的答案不在能力表上,而在「學生的作文交出去之後,去了哪一個司法管轄區」。

這篇文章把八家中國供應商放在同一張表上,然後把真正的決定點——資料落地與授權條款——攤開來講。

原理白話化:三個必須分清的層次

香港學校討論中國模型時,最常見的混淆是把三件事當成一件。

第一,模型權重是不是公開。 權重就像食譜:公開了,任何人都可以下載回來自己煮。DeepSeek 用 MIT 授權、騰訊混元 Hy4 Preview 用 Apache 2.0,這兩種是最寬鬆的開源授權。但公開不等於免費午餐——Qwen 旗艦的開源版本用自訂授權且不含圖像輸入,Kimi K3 與 MiniMax M3 也各有自訂條款。

第二,你用的是權重還是 API。 這是最關鍵的一層。用官方 API,資料離開學校去到供應商的伺服器;下載權重在校內伺服器自架,資料完全不出校網。同一個「DeepSeek」,這兩種用法的私隱風險天差地遠。

第三,參數量與啟動參數。 參數量是「腦細胞數量」,但 2026 年的中國模型幾乎全部採用 MoE(混合專家)架構:DeepSeek-V4.1-Flash 有 5,520 億總參數,推論時只啟動 80 億(prefill)至 160 億(decode);MiniMax M3 約 4,280 億總參數,每個 token 只啟動約 230 億。這就是它們能把價格壓到這麼低的原因,也解釋了為甚麼「參數多」不代表「自架容易」——下載模型仍需放得下全部參數的顯示記憶體。

實戰橫評:八家中國供應商

價格為美元,每 100 萬 token(輸入 / 輸出),除另有註明外為 2026 年 9 月各家官方文件所列。

補充幾點官方文件上的細節,學校在比價時容易漏看:

• DeepSeek 的 0.15 / 0.60 是非高峰價,高峰時段加倍。 而香港學校的使用高峰(上課日的日間)與內地高峰時段重疊,實際成本要按較高一檔估算。
• GLM 的兩層結構值得留意。 GLM-5.3-Flash(2026 年 8 月 26 日,3,200 億總參數、180 億啟動參數)以 MIT 授權發佈,推廣價 0.075 / 0.25(標價 0.15 / 0.50),是這批模型中最便宜的一檔;但旗艦 GLM-5.3 的權重在本文更新時仍未公開。
• 混元 Hy4 Preview 的授權最乾淨。 7,700 億總參數、490 億啟動參數,以 Apache 2.0 這種完全寬鬆的授權發佈,條款比 GLM-5.3 或 Kimi K3 的自訂授權清晰得多。代價是實際自架仍需伺服器級硬件。
• 文心的上下文明顯落後。 12.8 萬 token,不足同期其他旗艦的八分之一,而它最大的賣點(結合百度搜尋的即時資料)正好是香港學校最需要小心評估的部分。
• 豆包完全閉源、只經火山引擎供應。 定價以人民幣計,服務條款與資料處理地點都以內地法規為框架。

至於「哪一家中文最好」,坦白說我們沒有可公開引用的第三方實測可以引用,各家自報的盲測結果(例如騰訊稱混元 Hy4 Preview 在其自家盲測中略勝 GLM-5.3 與 Kimi K3)都是供應商自評,學校不應當成獨立證據。以我們在學校的使用觀察,這批模型在簡體中文與內地語境上普遍較強,但香港學校要的是繁體中文、香港用語與本地課程脈絡,這是另一回事——模型很容易寫出「信息」「視頻」「軟件」這類內地用詞,或套用內地課程概念。

香港學校的真正決定點:資料去了哪裏

這一節比上面的表更重要。

八家的官方 API 全部設於中國內地。學校只要直接呼叫,學生的作文、成績、SEN 資料或家長聯絡方式就會離開香港,進入另一個司法管轄區。在《個人資料(私隱)條例》(第 486 章)的六項保障資料原則之下,這件事至少牽動三點:

1. 收集目的與告知(DPP1):學校在收集學生資料時所說的用途,是否涵蓋把資料交給境外 AI 供應商處理?
2. 使用限制(DPP3):未經同意,個人資料不得用於原本收集目的以外的新用途。
3. 保安(DPP4):學校仍然是資料使用者,對資料保安負責,不會因為外判給供應商而轉移。

還有一層是條款本身:大部分內地 AI 服務的用戶協議以內地法規為框架,學校在評估時應要求 IT 主任逐條核對資料保留期、是否用於訓練、以及刪除機制。這不是「中國模型不能用」的意思,而是「用之前要做完評估,並且寫進校本 AI 政策與家長通告」。

值得強調的是:這個問題不是中國模型獨有。 用美國供應商同樣是跨境傳輸,分別只在於學校對兩地法律框架與合約保障的風險評估結果。完整的部署與擁有權討論,見 校內部署與雲端部署怎樣選。

邊界與局限:誠實說清楚的部分

開放權重不會消除幻覺。 自架 DeepSeek 或 Qwen,資料是安全了,但模型一樣會用肯定的語氣說錯事。而且自架模型缺少雲端供應商的內容安全分類器,學校必須自己補上守門、監控與稽核。私隱風險與內容風險是兩張不同的清單。

「可下載」不等於「跑得起」。 Kimi K3 的 2.8 萬億參數、混元 Hy4 的 7,700 億參數、GLM-5.2 的 7,440 億參數,全部遠超一般學校伺服器可負擔的規模。真正對學校現實的只有小型號:Qwen3.8-27B(278 億參數,官方稱可在 24GB 顯示記憶體運行)、Qwen2.5 系列,以及部分蒸餾或量化版本。

授權條款有真實的商業限制。 例如 Qwen 旗艦的開源版本要求年收入超過 5,000 萬美元的供應商另取商業授權。學校自用一般不受影響,但辦學團體若打算把自架系統提供給其他機構使用,必須先看清楚條款。

推廣價會結束。 MiniMax M3 的 0.30 / 1.20 是推廣價(標價 0.60 / 2.40),GLM-5.3-Flash 的 0.075 / 0.25 同樣是推廣價。以推廣價做三年預算是不安全的。

繁簡與用語差異需要提示層面的處理。 這不是缺陷,是訓練資料分佈的自然結果。實務上必須在系統提示中明確要求繁體中文與香港用語,並在教師介面提供覆核步驟。

落地指南:三條可行路線

路線一(推薦):校內自架開源權重,處理敏感資料。 適合有 IT 人手、且有明確「資料不得離開校網」政策的學校。做法是在校內伺服器以 Ollama 運行 Qwen3.8-27B 或 qwen2.5:14b 級別的型號,再由平台把敏感任務路由到本地模型。Edor.ai 的校內部署支援 LoRA / QLoRA 微調與 INT4 / INT8 量化,單張消費級顯示卡即可運行。成本、硬件與回本計算,見 開源與閉源的成本與私隱權衡。

路線二:雲端主供應商 + 明確界線。 日常教學任務走已完成評估的雲端供應商(平台原生支援 OpenAI、Azure OpenAI 與 Anthropic),涉及學生個人資料的任務則限定在校內或不使用 AI。這是大部分學校的實際做法。

路線三:教師個人試用,材料必須去識別化。 教師想試 Kimi 的長文件能力或 DeepSeek 的數學推理,可以用個人帳戶,但材料必須完全去識別化——沒有學生姓名、學號、成績、SEN 標記或家長資料。這條界線應該寫進校本 AI 使用守則,而不是靠個別教師自行判斷。

一份給 IT 主任的五項核對清單:

1. 這個型號的權重授權是哪一種?MIT 與 Apache 2.0 最寬鬆,自訂授權須逐條讀。
2. 我們用的是權重還是 API?如果是 API,資料去了哪個司法管轄區?
3. 服務條款有沒有寫明不以學校資料訓練模型?保留期多久?
4. 硬件是否放得下?24GB 顯示記憶體是學校自架的現實分界線。
5. 這個決定能不能撤回?模型換掉之後,知識庫與歷史紀錄會不會受影響?

結語

中國模型在 2026 年提供了業界最激進的價格與最開放的權重授權,這對學校是真實的機會——但機會落在「自架開源權重」那一邊,而不是「直接呼叫內地 API」那一邊。對香港學校來說,正確的問法不是「這個模型好不好」,而是「這份資料可不可以離開校網;如果不可以,我可以把哪一個模型搬進來」。

想看逐家的完整資料頁,見 DeepSeek、通義千問 Qwen、Kimi、智譜 GLM、MiniMax、豆包、騰訊混元 與 百度文心;想看它們與美國供應商的全局對照,見 2026 全模型橫評。