本文源自微信公眾號“未盡研究”，作者為未盡研究團隊，原標題為《開放模型緣何能與封閉模型拉開差距 | 筆記》

美國艾倫實驗室研究員Nathan Lambert長期致力于開放權(quán)重模型的訓練與跟蹤工作。他去年發(fā)布的報告及榜單顯示，中國的開放模型已全面超越美國，這一結(jié)論在中美兩國均引發(fā)了強烈反響。

近期，Lambert針對開放模型與封閉模型的競爭態(tài)勢提出了新觀點，其中部分判斷與我們?nèi)ツ甑讓衲觊_源模型的展望高度契合。

目前，中國開放模型整體保持領(lǐng)先地位，而美國的開放模型也在形成新的陣營，如Nemotron、Gemma等，有望收復部分失地。

2026年，關(guān)于AI的10個展望

2026/12/21 閱讀全文>

此外，由于封閉模型在智能體性能和經(jīng)濟性方面持續(xù)優(yōu)化，且開放模型缺乏商業(yè)支持，美國封閉模型預(yù)計將顯著擴大領(lǐng)先優(yōu)勢。

以下是Nathan Lambert的文章內(nèi)容：

當前階段，我們正面臨一個關(guān)鍵問題：開放模型能否跟上封閉實驗室的發(fā)展步伐？表面上看，答案似乎是否定的。

這種觀點的潛臺詞是，開放模型不可能在所有領(lǐng)域都與封閉模型并駕齊驅(qū)。它否定了一種流行預(yù)測——即開放模型會完全追平封閉模型，兩者最終趨于同質(zhì)化。然而，在實際觀察中，我們很難判斷能力上的長期穩(wěn)定均衡何時會到來。

這是一個極為復雜的動態(tài)過程，核心關(guān)注點在于模型之間的能力差距。而這一差距又與多種不斷變化的因素相互交織，包括開放模型的資金供給、開源模型的構(gòu)建主體、蒸餾等快速跟進技術(shù)向新應(yīng)用領(lǐng)域的遷移、可能阻礙開源AI生態(tài)的監(jiān)管政策，以及開放模型的實際用戶群體。

能力差距只是眾多復雜因素中的一個信號，這些因素正將供給與需求推向不同的方向。在很多情況下，需求端（大量個人、組織和主權(quán)實體對開放模型的期待與需求）與供給端是相互分離的。供給完全由經(jīng)濟因素決定，而“哪些商業(yè)策略能支持開放模型的發(fā)布”這一問題至今仍未得到解決。

面對這種復雜性，我將核心觀點提煉為一份清晰的清單。這些判斷基于我今年春季圍繞開源模型撰寫或錄制的10多篇內(nèi)容。

1. 令人意外的是，即便考慮到訓練和研究中的算力差異，頂級封閉模型在能力上并未對開源模型形成持續(xù)擴大的優(yōu)勢，尤其是在2025年下半年至今的這段時間。

2. 開源模型實驗室在保持基準測試同步方面展現(xiàn)出強大的技術(shù)實力。這種情況將持續(xù)下去，反映出人才與算力的平衡狀態(tài)。

3. 中國的開源權(quán)重實驗室相比美國同類封閉實驗室，更側(cè)重于基準分數(shù)的提升。蒸餾技術(shù)幫助中國大語言模型公司實現(xiàn)了這一點，但它并非萬能。蒸餾技術(shù)的動態(tài)變化（如監(jiān)管政策）不會成為決定能力平衡的關(guān)鍵因素。對基準分數(shù)的高度關(guān)注，本質(zhì)上是激勵機制的結(jié)果——維持“正在追趕前沿”的敘事，對AI領(lǐng)域的融資和應(yīng)用推廣至關(guān)重要。

4. 目前，封閉模型往往比得分相近的開源模型更穩(wěn)健、更具通用性。封閉模型具備一些難以量化的特質(zhì)，這些特質(zhì)未被當前或過往的基準測試充分捕捉。這將成為封閉模型主導某些市場的關(guān)鍵因素，尤其是在用戶不斷提出新需求的場景中，即模型作為直接助手為知識工作者提供支持。

5. 從基準測試來看，在市場結(jié)構(gòu)收縮之前，開源與封閉模型的競爭很大程度上是一場關(guān)于經(jīng)濟續(xù)航能力和快速跟進的較量。我預(yù)計，中國的開源權(quán)重實驗室可能最早在今年晚些時候面臨融資困難，3到9個月后，這種困難將導致能力發(fā)展軌跡出現(xiàn)分化。

6. 在以強化學習為主導的訓練時代，將模型部署到真實使用場景成為持續(xù)提升能力的關(guān)鍵因素。這些任務(wù)包括用戶直接使用Claude Code或Codex等工具，通過智能體解決工作中的問題。這是封閉實驗室首次在明確的技術(shù)領(lǐng)域有機會在能力上超越開放權(quán)重模型，并且可能直接利用基于用戶反饋的在線強化學習技術(shù)。

7. 開放模型將越來越多地應(yīng)用于重復性自動化任務(wù)，這將體現(xiàn)在整個生態(tài)系統(tǒng)中API市場份額的相對占比上，尤其是在重復性任務(wù)領(lǐng)域。其應(yīng)用形式包括大量新的AI原生應(yīng)用、企業(yè)后臺自動化等。這方面的成功將推動對特定領(lǐng)域、高效率開放模型的更多投資。

這是一幅復雜的圖景，其長期發(fā)展軌跡更多取決于經(jīng)濟因素而非技術(shù)能力。許多渠道傾向于傳播更簡單的敘事，例如“中國AI必然會追上我們”，因為這類故事更容易被接受。但現(xiàn)實是復雜的。只有真正的AI收入才能帶來更多投資，而這最終又與模型持續(xù)快速改進的能力相關(guān)。到目前為止，經(jīng)濟現(xiàn)實尚未對開放模型的擴展造成普遍影響。

這種以經(jīng)濟為中心的視角，也關(guān)系到我對更廣泛開源模型生態(tài)系統(tǒng)的看法。

8. 要求禁止某些類型開放模型的呼聲仍會持續(xù)，但在實踐中根本無法實施。訓練強大的AI模型（接近但未達到前沿水平）的成本，與大規(guī)模部署相比其實相對較低。例如，如果美國禁止超過某一算力閾值的開放模型，其他主權(quán)實體最終仍會訓練并公開發(fā)布這類模型，且這些模型會以監(jiān)管較少的方式進入美國市場。

9. 開源模型影響的“二階導數(shù)”已發(fā)生變化，美國將從2027年初開始，在開源模型的采用指標上緩慢收復失地。中國的發(fā)展速度放緩乃至趨勢反轉(zhuǎn)，需要較長時間。例如Google的Gemma 4取得了顯著成功，還有Nvidia的Nemotron和Arcee AI等案例。

10. 隨著越來越強大的封閉模型被構(gòu)建、預(yù)覽和發(fā)布，還會出現(xiàn)更多安全沖擊事件，人們會認為最強AI模型的開放權(quán)重版本絕不能被允許存在，類似于對Claude Mythos的反應(yīng)。這些事件可能推動針對開源模型的嚴格監(jiān)管。

11. 與此同時，市場對開放模型的長期興趣會增加，因為主權(quán)實體和現(xiàn)有權(quán)力結(jié)構(gòu)逐漸意識到，即將到來的超級強大AI工具不能僅掌握在一家或少數(shù)幾家公司手中。這些實體將把開放模型視為一種不同的治理范式。

12. 新的開放模型融資結(jié)構(gòu)將會出現(xiàn)，因為許多利益相關(guān)方意識到，讓獲取智能的渠道依賴于單一盈利性公司是不可靠的。

13. 本地智能體、OpenClaw以及其他個人智能體，代表著一個迄今為止被嚴重忽視的開放模型應(yīng)用市場。它就像暗物質(zhì)一樣普遍存在，對開放與封閉模型的力量對比具有巨大的潛在影響。

有一個詞貫穿了這篇文章，我也有意反復使用它——復雜。

正是這種復雜的現(xiàn)實，促使我更深入地思考如何清晰描述開放模型的差距，以及為什么我會同時持有這樣的判斷：盡管已有明確證據(jù)支持近期開放權(quán)重模型的能力，但我仍預(yù)計美國的封閉實驗室會顯著擴大領(lǐng)先優(yōu)勢。

--

原文鏈接：

https://www.interconnects.ai/p/my-bets-on-open-models-mid-2026