最近发现 @dgrid_ai 上线了 Model Marketplace。 我第一眼以为它只是一个集中展示模型的目录，后来顺手点进 DGrid Chat 试了一下，发现里面有一个模型实验工作台。 同一条提示词，可以同时交给 Claude、GPT、Gemini 和 DeepSeek，然后让它们并排回答。 我这次没有专门做模型测评，只是把一篇文章交给四个模型一起处理。结果看下来，速度和回答风格差异还挺明显： Claude Opus 4.8：响应速度不错，反馈比较谨慎，对安全和风险更敏感； GPT-5.4：速度快，结构清晰，整体表达比较平衡； Gemini 2.5 Pro：输出更完整，但思考时间相对更长； DeepSeek V3.2：响应更快，回答相对直接，问题拆解也比较清楚。 我觉得这次测试的具体结论没有那么重要。 因为换一个提示词、换一种任务类型，模型之间的表现可能就会变化。更有意思的地方在于，DGrid 把这种“同题对比”做成了一个很顺手的使用流程。 以前我们选模型，很多时候只能看模型名称、排行榜或者别人写的评测。真正开始使用之后，还要自己判断它的响应速度、输出质量、价格和稳定性。 而在 DGrid Chat 里，这些差异可以被直接放在同一个页面里观察。 模型越来越多之后，开发者需要解决的问题也变了： 我应该去哪里发现模型？ 这个模型适合我的任务吗？ 它的成本和上下文窗口怎么样？ 推理服务是否稳定？ 同一个请求，换一个模型或供应商，响应时间和调用成本会差多少？ 我再去看了 DGrid 的 Model Marketplace，里面可以按照供应商、模型类型、输入输出模态和提示词价格筛选模型。点进具体模型之后，还能查看上下文长度、输入输出价格、供应商价格表，以及兼容的 API 端点。 这让模型选择从“听说哪个模型比较强”，变成了可以搜索、比较、调用和验证的一套流程。 模型市场的价值，也在这里开始体现。 模型供给负责让开发者有更多选择，推理服务负责让这些模型稳定运行，用户反馈则帮助网络判断哪些模型和服务更适合真实需求。 所以 DGrid 的 PoQ 机制也很关键。 Proof of Quality 关注推理服务质量如何被验证，以及高质量、高效率的服务如何获得合理激励。一个模型本身很强，如果服务经常超时，开发者也很难把它接进长期运行的应用。 AI Arena 则从用户侧收集偏好反馈。 用户通过盲测比较两个匿名回答，选择自己认为更好的结果。用户不需要先研究模型参数，也不需要知道背后是哪家公司，只需要根据实际体验做判断。 这些反馈会继续影响模型发现和路由，让网络逐渐贴近真实用户的选择。 我现在会把 DGrid 的这几个产品理解成一条连续路径： Model Marketplace 负责发现模型。 Chat 负责实际调用和比较。 PoQ 负责推理服务质量。 AI Arena 负责用户偏好反馈。 这样看，DGrid 做的事情就不只是增加一个模型入口，而是在尝试把模型供给、推理服务和真实需求放进同一个开放市场。 官方此前已经披露半年 23M ARR。现在 Model Marketplace 上线，相当于把已有的实际需求继续连接到模型提供方、推理节点和开发者应用。 最近如果你也在关注去中心化 AI，可以自己去 DGrid Chat 发一条提示词。 不用先看别人怎么评价，选几个模型跑一次，速度、表达和稳定性会直接展示出来。