2026年中盘点：中国大模型九强争霸，谁在弯道超车？
DeepSeek估值冲上450亿美元，智谱AI港股上市市值破3200亿，豆包月活1.59亿——这场淘汰赛，才刚刚开始。
01 一个让硅谷震动的"小团队"
2025年1月，一家杭州公司做了件让整个AI圈炸锅的事。
DeepSeek发布了推理模型R1——在AIME数学竞赛中准确率达92.3%，超越了GPT-4 Turbo的88.7%。更离谱的是，他们用的是NVIDIA H800——被美国砍了一半性能的"阉割版"芯片。
发布当天，NVIDIA股价暴跌，单日市值蒸发超过5000亿美元。有人把这称为"AI领域的斯普特尼克时刻"。
这家公司的团队规模是多少？约140人，平均年龄不足30岁。
这就是2025年中国大模型行业的一个缩影：资源有限，但创新无限。当美国用3200亿美元年资本支出堆算力时，中国公司在用算法创新弥补硬件差距。
这篇文章，我想聊聊中国九大主流大模型的现状——它们各自擅长什么、对标谁、瓶颈在哪里，以及一个更关键的问题：中国大模型，真的有机会弯道超车吗？
02 九大模型，九条路
先说一个让我意外的发现：这九家模型，走出了完全不同的九条路。
| 模型 | 最强领域 | 对标对象 | 核心策略 |
|---|---|---|---|
| DeepSeek | 数学/代码/推理 | GPT-4/5 | 成本杀手 |
| 豆包 | 多模态/C端体验 | Gemini 3 Pro | 流量之王 |
| 千问 | 开源/中文理解 | Llama/GPT | 开源生态 |
| KIMI | 长文本 | Claude | 垂直深耕 |
| GLM | 编程/Agent | Claude Opus | 技术专家 |
| 文心一言 | 全栈AI/企业 | GPT-4 | 全栈整合 |
| 混元 | 3D/全模态 | GPT-4/Gemini | 慢热巨头 |
| 盘古 | 行业应用 | NVIDIA+OpenAI | 软硬一体 |
| 小米MiMo | 端侧/全模态 | 端侧AI框架 | 手机生态 |
你会发现，没有两家走的是完全相同的路。DeepSeek死磕成本和推理，豆包押注C端和多模态，千问用开源建生态，KIMI守着长文本这个护城河……
这说明什么？中国大模型行业已经从"全面追赶"进入了"差异化竞争"阶段。
发展路线分化：从"聊天机器"到"数字员工"
2026年，各家厂商的发展路线出现了明显的分化。一个关键的趋势是：从"聊天机器人"向"AI Agent（智能体）"转型。
简单来说，大模型是"大脑"，AI助手是"会说话的大脑"，而Agent则是个**"会行动、会协作、会学习的数字员工"**，能将能力转化为实际生产力。
一个成熟的Agent，至少要具备以下关键能力：
- 自主规划与拆解：接到"分析财报，写竞品方案"指令后，能自动拆解成数据抓取→清洗→对比→成文等步骤
- "有手有脚"调用工具：能像人一样操作浏览器、登录系统、调用API，将想法变成行动
- 驾驭超长任务的"内存"：在编写4000行代码的13小时任务中，能始终保持上下文连贯
两条典型路线：Kimi vs Trae
在Agent转型上，Kimi和Trae代表了两种不同的战略选择：
Kimi（月之暗面）—— 通用Agent
- 以"超长文本解析"为根基，构建"智能体集群"模式
- K2.6最多可调度300个子Agent并行工作，完成4000个协作步骤
- 是全能型选手，面向各行各业
Trae（字节跳动）—— 程序员Agent
- 专注于"垂直攻坚"，是顶尖的程序员Agent
- 基于VS Code深度改造的AI原生IDE，内置SOLO双智能体（规划+执行）
- 完全免费
两者的战略不同，但都引领着AI从"聊天"走向"实干"。
各厂家的战略转型
| 厂商 | 原定位 | 转型方向 | 核心动作 |
|---|---|---|---|
| 月之暗面 | 长文本对话 | 通用Agent平台 | OK Computer端到端交付；300子Agent集群 |
| 字节跳动 | C端聊天助手 | 多模态+Agent工具 | Trae AI IDE；Coze扣子平台；多模态矩阵 |
| 阿里巴巴 | 开源大模型 | Agent开发平台 | Qoder自主开发工作台；Quest模式 |
| 智谱AI | 编程模型 | 企业级Agent | CodeGeeX开源；GLM-5 Agent能力；港股上市 |
| 百度 | 闭源大模型 | 开源+全栈AI | 文心4.5开源；X1深度推理；全栈整合 |
| 华为 | 行业大模型 | 软硬一体生态 | 昇腾芯片路线图；盘古开源；行业深耕 |
技术路线深度对比：架构选型背后的逻辑
如果只看表面，九大模型都在做"大语言模型"。但深入技术架构，你会发现它们的选择截然不同——而这些选择，往往决定了各自的护城河和天花板。
| 模型 | 架构选择 | 核心参数 | 选型逻辑 |
|---|---|---|---|
| DeepSeek | MoE (专家混合) | 671B/37B (总/激活) | 极致稀疏，用算法弥补硬件差距 |
| 千问 | MoE + Dense 全尺寸 | 397B/17B ~ 0.6B | 覆盖全场景，开源生态最大化 |
| GLM | MoE | 744B/40B | 高参数密度，编程任务优化 |
| 混元 | Mamba-MoE 混合 | 295B/21B (Hy3) | 效率优先，线性推理复杂度 |
| Kimi | MoE + 长上下文优化 | 万亿级/未公开 | 长文本是护城河，显存管理优先 |
| 豆包 | 多模态原生架构 | 未公开 | 端到端多模态，非拼接方案 |
| 文心 | 多维弹性预训练 | 压缩至1/3总参数 | 一次训练，处处部署，成本极致 |
| 盘古 | 5+N+X 分层 | 行业定制 | 软硬协同，行业深度适配 |
| MiMo | 全模态统一 | 未公开 | 端侧优先，手机生态集成 |
MoE vs Dense：稀疏化的两种哲学
**MoE（混合专家模型）**已经成为2026年的主流选择，但各家的实现方式差异很大：
DeepSeek式MoE：极致稀疏 + 成本优先
- 671B总参数仅激活37B（5.5%），每百万token成本压到0.1美元
- 核心逻辑：在H800受限环境下，用极致的工程优化实现"小激活、大容量"
GLM式MoE：高参数密度 + 性能优先
- 744B总参数激活40B（5.4%），激活比例与DeepSeek接近
- 更注重编程任务的性能密度，Slime强化学习框架让模型在长程交互中持续学习
千问的特殊之处在于它是唯一一家同时押注MoE和Dense的厂商。从0.6B到397B的全尺寸覆盖，让它既能服务端侧小模型需求，又能在云端提供旗舰能力。
Mamba：状态空间模型的中国实践
腾讯混元是少数采用Mamba-MoE混合架构的厂商。Mamba（状态空间模型）相比传统Transformer的优势在于线性复杂度——处理长序列时，计算量随长度线性增长，而非平方增长。
这意味着什么？在生成超长文本（如小说、代码库）时，混元的推理速度会显著快于纯Transformer架构。这也是混元能在微信生态中实现"一句话生成小程序"的底层支撑——快速响应比绝对性能更重要。
多模态架构的分野：原生 vs 拼接
多模态（文本+图像+视频+音频）的实现方式，目前有两条路线：
- 原生多模态（豆包、MiMo）：从底层架构就统一处理多种模态，端到端训练。优势是模态间融合更自然，缺点是训练成本极高。
- 拼接式多模态（大多数厂商）：文本用Transformer，图像用ViT，视频用Video Transformer，通过适配层拼接。优势是模块化、成本低，缺点是模态间对齐困难。
字节选择原生多模态，是因为它有抖音、TikTok的海量多模态数据，以及足够的算力预算。MiMo选择原生多模态，是因为要在手机端实现"一个模型处理所有输入"，模块化方案功耗和延迟都不可接受。
文心的"反共识"：压缩即智能
当所有人都在追求更大参数时，百度文心选择了另一条路：极致压缩。
"多维弹性预训练"技术让文心5.1能在一次训练中产出大中小多个版本，总参数压缩至1/3，激活参数压缩至1/2，预训练成本降至同行的6%。这背后的逻辑是：
"对于大多数企业应用场景，70B参数的模型已经足够。与其追求1000B的'最强模型'，不如让70B模型便宜100倍，且部署到任何地方。"
这是一种典型的工程思维 vs 科研思维的分野。OpenAI、DeepSeek在追求"最强智能"，百度在追求"最可用的智能"。
03 中外差距，到底有多大？
这是很多人关心的问题。让我用数据说话。
| 维度 | 美国 | 中国 |
|---|---|---|
| AI算力占比 | 68.9% | 14.5% |
| 2024年私人AI投资 | 1091亿美元 | 93亿美元 |
| 2025年资本支出 | 3200亿美元 | 约45亿美元 |
| 超算规模 | xAI Colossus：20万块H100 | 华为昇腾：单卡性能约A100的60% |
算力差距是客观存在的。美国四大科技巨头2025年资本支出合计3200亿美元，而中国头部企业的投入约45亿美元，差距约7倍。
美国领先的系统性优势
谈到OpenAI和Anthropic的领先，根本原因在于它们身处一个由算力霸权、资本机器、人才黑洞和封闭生态构成的、难以复制的"正向循环"中。
- 💰 资本碾压：OpenAI最新融资1220亿美元，中国2024年全年私人AI投资额仅93亿美元。美国单个模型企业一轮融资额就超过中国全年投资总额。
- 🧠 人才黑洞：全球超60%的顶尖AI研究者集中在美国。华人研究者在美国顶级AI会议上贡献突出，甚至普通话已成为Meta顶尖AI团队的非正式交流语言。
- 💻 算力霸权：美国企业能轻易获得英伟达H100等顶级GPU构建20万卡级集群；中国则因高端芯片禁售面临算力硬约束。
- 🔒 生态护城河：美国头部公司倾向于闭源壁垒以构建商业优势，但已汇聚英伟达、微软等巨头形成"旋转门"式的强强联盟。
更需警惕的是：OpenAI最新融资的1220亿美元中，数百亿资金并非直接进入公司，而是以"买GPU"或"用云服务"的形式流回投资者手中。这实质上是一种用未来的IPO收益，来消化当下庞大投资的财务游戏。
所以，当前的根本差距，并非无法弥补。中国AI的追赶，正在于用应用层创新与独特的成本效率优势，去穿透这套由资本和算力铸成的护城河。
大厂重压下的差异化重生
与DeepSeek、Kimi专注于通用模型不同，腾讯混元和百度文心走出了独特的"企业级"路线——不约而同地转向了"用极致效率，解决真实世界问题"的务实逻辑。
| 维度 | 腾讯混元 | 百度文心 |
|---|---|---|
| 新模型 | Hy3 preview (2026.4) | 文心5.1 (2026.5) |
| 技术突破 | 295B/21B MoE，三大原则 | 多维弹性预训练，成本降至6% |
| 核心数据 | 接入131款产品，Token提升10倍 | LMArena搜索榜全球第四、国内第一 |
| 服务对象 | 国民应用生态（C端） | 产业生态网络（B端） |
| 落地方式 | 生态内嵌，无感使用 | 私有化部署，嵌入式合作 |
| 核心场景 | 内容与社交（小程序、视频） | 知识与决策（政策、舆情） |
| 独特优势 | AI Agent调度微信小程序 | 搜索知识增强，事实准确 |
混元和文心的变革是一个信号：大模型厂商们开始将焦点从"全能模型"转向"懂行业的AI"。
04 国产闭环：DeepSeek+昇腾的历史性意义
在谈"弯道超车"之前，我们必须先理解一个更具战略意义的事件：DeepSeek原生适配华为昇腾。
这不仅仅是一次技术迁移，它标志着中国AI产业首次完成了从**"芯片设计、模型训练到应用推理"的全链路国产闭环**。其意义远超"跑得快"或"成本低"的范畴。
传统模式 vs DeepSeek模式
| 维度 | 传统模式（先英伟达训练，后昇腾推理） | DeepSeek模式（昇腾训练+推理） |
|---|---|---|
| 核心流程 | 国外造"芯"，国内组装 | 从设计、锻造到组装完全在国内完成 |
| 训练算力 | 依赖英伟达H100/A100等国外芯片 | 完全使用昇腾910C/950等国产芯片 |
| 软件根基 | 基于CUDA开发，受制于英伟达生态 | 基于CANN开发，软件栈自主可控 |
| 根本性质 | 推理适配是"治标"，仅解决"能用" | 训练适配是"治本"，追求"好用"与"自主" |
| 风险敞口 | 训练阶段即受制于出口管制 | 训练和推理全链路不依赖美国技术 |
技术闭环：从"根"上重塑AI生产线
DeepSeek与华为的合作，不是简单的"移植"，而是从底层代码开始的"重写"。
- 软件栈的彻底迁移：DeepSeek重构了依赖CUDA的代码根基（如引入TileLang语言开发算子），将技术栈全面迁移至华为CANN。这意味着，其万亿参数的模型从第一行代码起，就生长在国产的软件土壤上。
- 硬件底层的协同设计：双方针对昇腾芯片的硬件特性进行了联合优化。例如，昇腾950芯片专门为DeepSeek的MoE模型架构优化了稀疏数据访问，并率先支持FP8等高效数据格式，实现了"软硬一体"的极致性能。
结果是，在昇腾平台上，DeepSeek V4的推理速度提升了1.5至1.73倍，时延低至10-20毫秒。
战略闭环：从被动应对到主动破局
- 无惧"卡脖子"：过去，国内AI的训练严重依赖英伟达GPU，存在被"釜底抽薪"的风险。DeepSeek证明了国产芯片不仅能训练，还能高效地训练世界顶级模型。
- 定义新成本规则：昇腾新款推理芯片的采购价格仅为英伟达同类芯片的四分之一。DeepSeek的成功适配，为行业提供了一个可复制的开源范本。
- 构建中国自己的AI生态：这次合作开创了**"国产算力支撑国产模型、国产模型丰富国产生态"**的良性循环。
"以前我们是在英伟达搭建的地基上盖房子，虽然房子是自己的，但地基随时可能被人抽走。而DeepSeek与昇腾的合作，则是从打地基、造砖块到最终建成摩天大楼，全部实现了国产化。"
这让中国AI第一次拥有了一个完全独立自主、不受外部制约的"家底"。
05 弯道超车，机会在哪里？
如果说大模型是"大脑"，AI Agent就是"手和脚"。这可能是中国最大的超车机会。
中信建投判断，2025年有望成为AI Agent元年。中国的AI Agent落地已经呈现出蓬勃态势。
7个值得关注的落地案例
| 公司 | 产品/平台 | 场景 | 效果 |
|---|---|---|---|
| 字节跳动 | Coze扣子 | 零代码AI智能体开发 | 开源后爆火，支持多Agent模式 |
| 腾讯 | 腾讯云智能体平台 | 智能客服、企业知识库 | 多智能体协同，RAG能力突出 |
| 羚数智能 | 百工工业大模型 | 工业制造 | 服务100+工业龙头，SQL准确度95%+ |
| 爱数 | AnyShare | 化工产业链知识网络 | 每年节约上百万成本 |
| 智平方 | AlphaBot 2 | 汽车制造 | 国产具身大模型首次全场景验证 |
这些案例有一个共同特点：不是在"比模型"，而是在"比落地"。
AI编程工具：一场围绕"智能体"的竞赛
除了通用Agent平台，还有一个赛道竞争格外激烈——AI编程工具。
| 厂商 | 产品 | 定位 | 核心特色 |
|---|---|---|---|
| 字节跳动 | Trae | AI原生IDE | 完全免费；SOLO双智能体；多模态输入 |
| 阿里巴巴 | Qoder | 智能体开发工作台 | Quest模式自主交付；专属Agent团队并行 |
| 腾讯 | CodeBuddy | 全流程开发工作台 | 插件/IDE/CLI三形态；腾讯云生态深度集成 |
| 百度 | 文心快码 | 全栈自动编程智能体 | SPEC规范驱动；C++生成质量领先 |
| 华为 | 云码道 | 工程化编码智能体 | 鸿蒙原生适配；节省30% Token |
| 智谱AI | CodeGeeX | 开源本地部署 | 完全开源免费；130+编程语言 |
怎么选？
- 个人开发/快速原型：字节Trae（免费、快）
- 复杂项目/重度工程：阿里Qoder（深度理解、长期维护）
- 企业落地/生态依赖：腾讯CodeBuddy或百度文心快码
- 安全敏感/开源偏好：智谱CodeGeeX（本地部署）
这场AI编程工具的竞争，本质上是**"谁能让程序员更高效"**的竞争。
06 2026年Q3：各家在忙什么？
2026年6月前后，各厂商在大模型领域的动态不尽相同。
| 厂商 | 核心动态 | 说明 |
|---|---|---|
| DeepSeek | V4.1预计6月发布 | 升级版本，重点增强企业工具与MCP协议适配 |
| 百度 | "天池"超节点6月上市 | 256卡超节点，吞吐性能提升25%，适配主流模型 |
| 腾讯 | 46个旧版模型6月22日下线 | 引导用户向新版模型和平台迁移 |
| 字节 | 暂无6月新模型计划 | 5月已发布全模态Doubao-Seed-2.0-lite |
| Kimi | 暂无6月新模型计划 | 4月已开源K2.6，近期侧重生态合作 |
| 阿里 | 5月已发布新旗舰 | Qwen3.7-Max，Arena盲测国产第一 |
| 智谱 | 5月已发布高速版API | GLM-5.1高速版，400 tokens/s刷新纪录 |
DeepSeek：V4.1升级版
DeepSeek计划在6月推出V4模型的迭代版本V4.1。此次更新的重点在于：
- 提升企业级能力：为企业用户提供更多工具支持，并强化与外部软件连接的MCP协议适配
- 提升社区口碑：根据用户反馈改进性能，特别是提升备受关注的编程能力
百度：算力基础设施升级
百度在6月的重点在于AI基础设施的增强。它计划上市全新的**"天池"256卡超节点**，这是一个基于自研昆仑芯的AI算力集群。该超节点的吞吐性能比上一代提升了25%。
腾讯：旧模型下线与平台整合
腾讯云将在2026年6月22日正式下线HY2.0、hunyuan-turbos等46个旧版本模型，并计划在9月30日全面停止旧的"腾讯混元大模型平台"服务。
行业趋势：从"拼模型"转向"拼落地"。DeepSeek专注企业工具适配，百度升级算力基础设施，腾讯整合旧平台——大家都在为AI的真正规模化应用做准备。
07 一句话总结：八大玩家怎么选？
看了这么多分析，你可能还是有点晕。让我用最直白的话，帮你做个最终总结。
| 模型 | 核心定位 | 一句话总结 |
|---|---|---|
| Kimi | 智能体先驱 | 死磕"让AI自己干活"，用几百个Agent协作完成任务 |
| DeepSeek | 极致性价比 | 把成本打到地板价，编程和长文本理解极强 |
| 千问 | 企业级生态 | 卖"AI大脑"，Agent能力国产第一 |
| 字节豆包 | 超级应用工厂 | 全模态矩阵+海量C端应用，日均调用万亿次 |
| 盘古 | 行业地基 | 不炫技，做底层算力和开发平台，赋能别人造AI |
| 文心 | 知识增强 | 把模型做小做快，一次训练到处用，成本降95% |
| 混元 | 国民应用AI | 深度嵌入微信/QQ，一句话生成小程序，实用优先 |
| MiMo | 全模态双修 | 视频/音频/图像通吃，Agent能力也强，MIT开源自由 |
按场景选：你最需要哪个？
- 💰 想省钱写代码 → DeepSeek
- 🤖 想让AI自动完成项目 → Kimi 或 千问
- 🎬 要做视频/音频/图片 → 字节豆包
- 💬 要在微信里搞事情 → 混元
- 📚 需要准确知识问答 → 文心
- 🏢 企业想开发AI应用 → 华为盘古
- 🔧 想自己部署、随便改 → MiMo 或 DeepSeek
- 📱 手机上的全能助手 → MiMo 或 豆包App
谁最像谁？帮你建立认知
- DeepSeek = 国产版Claude Opus（强推理+编程）+ 价格屠夫
- Kimi = 国产版OpenAI Operator（做任务型Agent）
- 千问 = 国产版Microsoft Copilot（嵌入企业工作流）
- 字节 = 国产版Google（多模态+应用全家桶）
- 盘古 = 国产版NVIDIA（卖算力和平台，不直接卖模型）
- 文心 = 国产版Perplexity（搜索+知识）+ 极致压缩
- 混元 = 国产版WeChat AI（超级App里的AI能力）
- MiMo = 国产版GPT-4o（全模态）+ 开源友好
08 普通人怎么不掉队？
写了这么多行业分析，最后我想聊聊一个更实际的问题：作为普通人，怎么在这场AI革命中不掉队？
认知升级：理解AI的三层逻辑
第一层：AI是工具，不是替代者。 大模型本质上是"超级工具"，它能极大提升效率，但无法替代人类的判断力、创造力和责任感。正确的态度是"学会使用它"，而不是"恐惧被它替代"。
第二层：AI的能力边界在快速扩展。 2023年，AI还只能写简单的文案；2024年，AI已经能生成代码、分析数据、制作视频；2025年，AI Agent开始独立完成复杂任务。不要用去年的认知来判断今年的AI。
第三层：早用者优势是真实的。 每一轮技术革命中，最早掌握新工具的人总是获得最大的红利。现在开始系统学习和使用AI，就是在积累"认知复利"。
实操建议：从哪里开始？
第一步：选择1-2个主力AI工具深度使用。 推荐组合：
- 日常对话和创作：豆包（免费、中文体验好）
- 专业工作和编程：DeepSeek（推理能力强、成本低）
- 长文档处理：KIMI（200万汉字输入窗口）
- AI编程IDE：Trae（免费、快速原型）或Qoder（复杂工程）
- 编程辅助插件：CodeGeeX（开源免费、本地部署）
第二步：学会"提示词工程"。 掌握5要素提问法：
- 角色：我是谁？（行业、职位、经验水平）
- 背景：我在做什么？（项目、场景、约束）
- 任务：我要什么？（具体、可量化）
- 约束：什么限制？（篇幅、格式、风格）
- 参考：像什么？（对标对象、风格参考）
第三步：将AI融入日常工作流。
- 写作：用AI做大纲、初稿、润色
- 编程：用AI写代码、调试、写测试
- 数据分析：用AI做数据清洗、可视化、报告
- 学习：用AI做知识检索、概念解释、练习题
第四步：关注AI Agent的发展。 2025年下半年，AI Agent将越来越成熟。学会使用Coze扣子、腾讯元宝等平台创建自己的AI智能体。
不掉队的心态
- 不要焦虑，但要行动。 每天花30分钟使用AI工具，比花3小时看AI新闻更有价值。
- 不要迷信任何模型。 今天的第一名可能明天就被超越。保持开放心态。
- 关注"AI+你的专业"而非"AI本身"。 AI的价值在于与具体行业和场景的结合。
09 这场淘汰赛，才刚刚开始
2025年中，中国大模型行业呈现出一幅复杂而生动的图景。
一方面，DeepSeek用140人的团队证明了算法创新可以弥补硬件差距；豆包用1.59亿月活证明了C端市场的巨大潜力；智谱AI用3200亿港元市值证明了资本市场的认可。
另一方面，算力差距、芯片制裁、人才流失等挑战依然严峻。
但正如腾讯AI前负责人刘伟所言："LLM只是一个范式，范式会更替。"在大模型的基础能力差距逐渐缩小的今天，竞争的主战场正在从"模型本身"转向"应用落地"。
未来展望：三个确定性趋势
站在2026年中回望，我们可以清晰地看到三个正在发生的趋势：
第一，Agent将重塑软件行业。 从"人操作软件"到"AI自动完成任务"，这不仅是交互方式的改变，更是软件商业模式的重构。
第二，开源与闭源的边界将模糊。 百度文心开源、华为盘古开源、GLM-5同步开源……曾经的闭源巨头纷纷转向开放。这不是慈善，而是生态竞争的战略选择。
第三，中美技术路线将分野。 美国凭借算力优势继续追求"最强模型"，中国则在应用层创新和成本效率上寻找突破口。这不是简单的"追赶"，而是两条不同技术哲学的并行演化。
中国AI的真正机会，不在于复制OpenAI的道路，而在于用独特的场景优势和成本效率，走出一条属于自己的路。
而中国拥有全球最完整的制造业体系、最大的消费市场、最丰富的应用场景——这些"非技术因素"可能成为决定胜负的关键变量。
对于普通人来说，这场AI革命既不是遥远的未来，也不是不可理解的玄学。它正在发生，正在改变我们的工作方式、学习方式甚至思维方式。
早一天开始使用AI，就早一天积累"认知复利"。
这场淘汰赛，才刚刚开始。
