先这样答
项目选型不依赖公开榜单，而是围绕业务实际能力、上下文长度与长文本利用率、工具调用及结构化输出稳定性、成本与合规等维度展开。榜单分数与真实业务表现相关性有限，必须用贴合自身业务的专属评测集来跑实测数据。
在具体权衡上，GPT 和 Claude 等闭源旗舰模型能力强，但面临输入输出单价高昂及数据出境等合规限制。相比之下，Qwen 和 DeepSeek 等国产开源模型支持私有化部署，解决了数据合规问题，且在中文场景表现优秀、调用成本低，是目前企业内部落地的常用选择。对于 Agent 或代码生成等对工具调用和结构化输出稳定性要求高的场景，各家模型的表现差异较大，需要针对性地进行实测对比。
在工程实践中，为了应对模型迭代和 API 稳定性波动，通常会抽象出统一的模型网关层，并接入双供应商作为互备。选型是一项持续的工作，我们会固定一套业务评测集用于版本选型回归，在切换模型时采用灰度发布机制控制风险。最终的选型结果是业务场景需求与工程约束共同决定的。
面试官会怎么追问
-
「如果发现开源模型在某个复杂任务上总是表现不稳定，你会怎么处理？」 先检查该任务是否可以通过拆解提示词或优化上下文来降低难度。如果单模型依然无法稳定输出结构化数据或正确调用工具，会考虑在路由层做分流，将这部分复杂任务交给闭源旗舰模型处理，简单任务保留给开源模型，平衡成本与稳定性。
-
「你提到的业务专属评测集，具体是怎么构建的？」 从真实的线上日志中抽取具有代表性的脱敏数据，覆盖常见的正常请求和边界异常情况。针对结构化输出、工具调用准确率等指标，编写自动化校验脚本进行客观评分，确保每次模型版本更新或切换时能快速完成回归测试。
-
「引入双供应商机制后，如何保证不同模型之间的切换对上层业务透明？」 在业务逻辑和模型服务之间封装一层模型网关，统一对外的 API 接口和参数格式。网关层负责处理不同模型提供商在输入格式以及结构化输出格式上的差异，当主模型 API 出现波动时，网关能自动转换请求给备用模型。
回答的坑
- 试图背诵各家模型在公开评测集上的具体分数和版本对比结论，正确的做法是强调基于业务自有评测集的实测流程与多维度权衡。
- 忽略合规限制与工程兜底方案，在企业级项目中数据私有化与双供应商互备往往是决定选型的关键约束，不能只谈模型本身的推理能力。