社区里常看到「某某模型又屠榜了」，但落到业务里，先要回答三个实际问题。

1. 任务主要是推理还是检索？

强推理（数学证明、复杂代码重构）倾向选推理专长的模型；大量检索+摘要（客服、内部知识库）可能更看嵌入与 RAG 工程，基座模型差距会被缩小。

2. 单次上下文要装多少原文？

长合同、长代码库，要确认窗口与价格是否同时可接受。有时「先摘要再问答」比硬塞全文便宜且更稳。

3. 失败时代价是什么？

医疗、金融、公共安全场景，宁可多一步人工审核，也要把自动化的边界写清楚。模型再强也不消除产品责任。

榜单是参考，场景与风险才是决策主语。