开源大模型的价格战，又被往前推了一大步。 DeepSeek V4 Flash 昨晚正式开源。竞技场综合排名第 7、得分 1586，开源模型里排第 3，设计、数据分析、游戏类排第 6。原生支持 Responses API，直接适配 Codex。 榜单是一回事，实测更说明问题。商业级跑步游戏一次生成，跳跃、滑行、计分系统全都能跑，和 Opus 4.8 同题对决，交卷时间几乎一样，成品质量略输一筹，但成本只有对方的十分之一。在 Hermes Agent 里跑一个设计游戏，33 分钟总成本 0.07 美元，同样的效果走 Claude 或 OpenAI，至少要贵出百倍。 对上 Gemini 3.06 Flash 几乎是碾压：对方交卷最快，生成效果一塌糊涂。对 Kimi K2 能还原七八成，价格不到对方的十分之一。 关键是它开源，量化版可以直接本地部署，硬件够的话连 API 钱都省了。 闭源旗舰的能力，开源模型的价格。这条线被踩实之后，后面所有模型的定价恐怕都得重新算一遍。 #DeepSeek# #AI# #开源模型#

国产开源大模型迎来集群式突破，多款中国自研基础模型面向全球开放走出低成本高效率差异化技术路线 China’s open-source large models achieve collective breakthroughs. Multiple domestically-developed foundation models go global, pioneering an efficient and cost-effective technical path

中国开源大模型强势崛起：Moonshot Kimi K3（2.8万亿参数）成为全球最大开源权重模型，多基准超越或接近西方前沿模型 Moonshot AI发布的Kimi K3以海量参数和百万token上下文，在编码、推理等任务上表现突出，已登顶部分排行榜（如Arena Frontend Code），引发芯片股波动和行业关注。 中国模型（如Kimi K3、Alibaba Qwen3.8）正通过开源路线挑战美国主导地位，促使美国考虑对外国开源模型实施限制，同时重塑行业对边际成本和推理效率的焦点。

国产开源大模型在加密AI领域有非常高的欢迎度，加密行业最擅长的就是协调资源、降低成本、隐私与数据保护等，国产优质大模型补齐了加密行业门槛最高的一个短板。 此情此景，我觉得中国大模型的开源模式会取得成功。

一个思考，当开源大模型水平和垄断大模型的代差逐渐缩减，那去中心化的分布式模型和算力有没有生存空间？会不会应运而生下一个加密的协议？🤔

🎓 兄弟们，想把开源大模型微调成自己想要的样子，Hugging Face 官方维护的 TRL 把整套后训练都备好了。 GitHub 上 1.9 万 star，DeepSeek R1 训练用的 GRPO 算法，在 TRL 里就是一个现成的训练器。今天刚发 1.13 版，上一版是 8 月 26 号。 以前想照着论文给模型做一遍偏好对齐或者强化学习，得自己写训练循环、算奖励、处理多卡，光把代码跑通就要耗掉不少时间。 在 TRL 里，从监督微调 SFT，到用偏好数据做 DPO，再到 GRPO 强化学习，每一步都有对应的 Trainer 直接调，不想写代码还能用命令行起训练。 显卡不够也有办法：接上 PEFT 用 LoRA、QLoRA 加量化，有限的硬件也能训大模型；卡多了就通过 Accelerate 和 DeepSpeed 扩到多节点。连标注都能省，KTO 只要“好 / 不好”这种二元反馈，不用两两比较。 想自己动手做后训练的，先把 TRL 摸熟准没错。 GitHub：

大模型狂奔两年后，AI巨头集体掉头修数据底座 发动机装上了，但路还没修好 上半场：大家在展厅里赛跑 过去两年的AI叙事很统一，模型更大、参数更多、榜单更高，开源闭源两队抢风头。企业的剧本也高度雷同，买算力、招算法、部署模型，默认模型够强落地自然跟上 现实给了一刀，某大型央企CIO的故事是典型样本，17个业务系统、9个数据仓库、3朵云，数据格式五花八门，大量纸质报告没有数字化。最后连设备故障诊断这个最基础的应用都跑不起来，模型连历史维修记录都读不懂 瓶颈不是模型不行，是数据喂不进去 下半场：车要开进真实街区 工厂要不停工、医院要安全、政府要合规。模型再强，数据这条路没修好，就只能在原地打转 全球产业链的动作开始趋同，同一个大模型裸跑企业数据和接入完整数据工程体系，准确率有断崖式差距。差距不在模型的脑子，在能不能吃到对的食材 于是新的架构浮出来，上面是模型与能力，下面是数据工程、权限审计、治理策略。模型和数据不再是流水线的上下游，而是互相喂饭的搭档 中国的难度再加一层 制造业供应链更长、合规要求更严、非结构化数据更多、系统更碎、口径更杂。跨越通用智能到行业智能的鸿沟，底层支撑恰恰是全链路数据基础设施 不是给AI装大脑，而是先把神经系统修通 真正稀缺的是什么 这轮掉头修底座，本质是一个认知的修正，AI的规模化价值不取决于某个模型今天跑了多少分，而取决于数据能不能持续供给质量、体系能不能持续治理可信、工程能不能持续闭环落地 中国不缺第101个开源大模型，缺的是把数据这口锅先洗干净、熬出高质量的汤 等这件事跑通，AI才会从热点新闻变成工作台上的工具 DYOR 非投资建议