开源模型亟需另开一桌

开源模型到了最危险的时刻。

在结束了三季度的编程能力狂飙后，这两个月来国内模型厂基本上是没活硬整。

国模为了提高一点自己在AA榜的分数，手段可以说是无所不用其极。

由此导致了一个非常幽默的现象，AA榜得分越高的国产模型可能反而越不可用。

因为国模为了刷分都整了雷霆大思考，分数越高，思考过程越长，完成任务速度越慢。

跑分和模型使用体感出现了严重反差，甚至跑分极高成了模型的反向指标。

而你能发现，AA榜单和25年底流行过的OpenRouter调用量一样，都被国产模型刷烂了。

看一下过去几个月的AA榜单排名变化，你会发现除MiniMax以外，没有哪个国产模型刷不上去AA排名。

先是GLM、Kimi和Qwen互刷第一，然后Mimo也能刷穿AA榜，直接刷到开源第一。

沐秋在Mimo登顶AA榜时，不解地问我，Mimo为何在宣传图里暗戳戳嘲讽同行蒸馏，而暗示他们才是踏实本分进步，你都搞出跑分大跃进了，显然也和踏实本分扯不上关系。

我告诉沐秋，这是因为罗福莉特别伟大，在她的带领下，小米Mimo一定能成为进步最快、性价比最高的开源模型。

不过我对此稍有异议的是，我很赞成蒸馏，蒸馏是一件很正义的事情。

套用拜登不等式来说，你不能只在你蒸馏人类知识时支持蒸馏。

蒸馏是反制闭源的工具，你蒸馏全人类，我就要蒸馏你，很合理。要是没有蒸馏，那两家闭源模型厂不就垄断全世界了，岂有此理？

沐秋还是不太满意，他说Mimo刷成AA榜国模第一，说明这玩意跟MiniMax当年登顶OpenRouter一样，指标本身失去意义了。

作为一个米粉，我对此不予置评。

话说回来了。

这么干的也不只小米Mimo。之前稍显沉寂的阶跃，也能交出不错的应试答卷。Step 5 Preview也一度飙升到AA榜开源前三。

更有甚者。

两周前，蚂蚁集团的百灵大模型，Ling-3.1 Flash也一度刷到了AA榜国模第五，比K3还高，超越 Claude Haiku 5.5。

我只能想到两个答案来解释蚂蚁百灵跑分突飞猛进：

一、百灵真实性能跟K3、Qwen 3.8 Max、GLM 5.3一个水平，并且吊打Seed 2.1 Pro等一众国产模型；二、AA榜被刷烂了，纯幽默。

请各位家人在评论区投票选择❤️

只能说，蚂蚁是真的有点惨的，跟K3一个水平大伙都不知道，纯空气。

基于上述种种乱象，我经过严肃思考得出一个结论：AA榜是美国人的星球大战计划，是扰乱国产开源模型训练的工具。

美国厂商做事情的肌肉记忆是定标准，用大义名分建立标准组织搞行业准入。你是跟随者，你就必须费劲力气，耗尽资源，把自己改造成人家的模样，才能获得人家的认可。

这会事实上锁死开源模型赶超的可能性。

因为大模型是一个工程问题，算法架构保下限，性能主要取决于数据和算力。谁有更高质量的训练数据，谁有更大规模的算力，那这家公司就几乎一定能训出更好的模型。

必须要承认的是，国产模型是跟随者，高质量数据供给和算力都远远不如美国同行，这两个月来，国产模型距离OpenAI和Anthropic的差距似乎还在进一步拉大。

如果按照完全相同的竞争策略，那国产模型没有任何赢的可能性。

所以，中国模型厂主导了开源。

开源是最有希望的破局方案，因为开源把竞争从中美叙事，切换到了开源和闭源叙事，占据了大义。并且，开源还让这么多的模型厂集中力量，加速进步。

但只有开源是不够的。

开源模型都去刷AA榜，都以提升几个著名Benchmark为最高目标，这么干的动机还是为了爆一二级市场老登的金币，因为这些老登大都是买办，他们只能看明白最有名的榜单，然后参考Anthropic的1/10给估值，完全没有主体性。

并且，都刷一样的榜，还是在一条赛道正面竞争，那开源不是白开了？没起到啥作用啊。OA两家还是可以靠暴力堆资源遥遥领先，完全没有赢的可能性。

所以，开源是不够的，国产模型必须另开一桌，建立自己的标准。实现你打你的，我打我的，国产模型要有主体性。

那么如何做呢？

首先，AA榜肯定是不能刷了。刷烂了的玩意，你刷到第一也只能说明自己和Mimo、百灵一个水平。纯浪费宝贵算力。

其次，需要有众多贴合真实任务、真实环境的Benchmark，来评估模型能力。

我们必须要承认一个现实是，不可能有任何一个榜单，可以全面充分体现模型性能。

综合性榜单注定没有意义。大模型发展到现在，事实上分出了Flash、Pro两个档位，之后还会按工作领域再细分，跨档位比较毫无意义。

就像是你不可能用百公里加速度、续航等任何指标得出有效的汽车排行榜一样。假如有人拿仰望U8和Model Y比，说明这人是傻福。

我们只能从每个细分领域来评价大模型。

好消息是，经过了这一轮国产模型大跃进后，主流模型的基础性能都远远越过了可用线。

DeepSeek 4.1 Flash又快又能用，MiniMax 3.1 Flash也很快且将近能用。总之，不会有哪个主流模型厂的模型性能会不如Qwen 3.8 27B——除了百度的文心大模型。出于尊敬，沐秋认为百度也算模型厂。

那么，未来方向自然而然出现了，每种工作类型都有自己的SOTA模型。

国产模型要做的不是冲高一个注定无效的综合全面榜单，而是找到自己的赛道，做到赛道第一。

简单来说，要拿回模型性能的定义权，不能被美国老乡牵着鼻子走。

这方面比较神的是梁圣。

一个月前我还不理解梁圣，因为DeepSeek这一年来从来不是摸高选手，而是专注提升推理效率，事实上All in Flash路线。

结果国产模型缺卡问题进一步突出，2T参数模型事实上慢得有点揪心，而梁圣的DeepSeek 4.1 Flash快得飞起，我日常用能跑出150 TPS。

看来梁圣的路线也很创新，就是纯往死里干闭源模型。你发个GPT-6，我就发个速度更快、价格几十分之一的GPT-6平替，并且毛利率还不低。

纯复仇者赛道。

另一个我提了整整三个月的正面案例是K3 。

予彤也很擅长神奇打法，K3专门优化了小游戏、网页的训练数据，做到了前端领域第一，成功hack了人民群众普遍用一次性生成小游戏测试模型能力的基本事实，打穿用户心智，让大伙发自内心感觉Kimi牛逼。

当然，Kimi过于路径依赖也是一个问题。GPT-6开创了大模型炒作3D能力之后，K3.1还想跟进，也想炒作自己3D能力很行，并且价格又是美国人的几分之一。

这就起到反噬。原因很简单，Kimi炒作一次性生成小游戏是创新，创新有奖励；炒作3D能力是跟随，走平替赛道，主要是没活，大伙也不尊敬你，跟随过程中暴露的问题会被放大，开团秒跟。

相信Kimi家人们这两周都深切感受了炎上的滋味😭

有鉴于此，葬AI决定搞一个开源Benchmark社区。用各种来自真实任务、真实环境的题目评估大模型各领域的能力。

我们合作的若干Bench将陆续开源发布，也欢迎各位家人一块合作开发更多狠活Bench。希望和国产模型厂一起有骨气，一起建立主体性！