从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？

8月13日凌晨，DeepSeek V4 Pro正式登场，给开源模型生态又添一把猛火。从Kimi K3到MiniMax H3，再到DeepSeek V4 flash、DeepSeek V4 Pro，在中国开源模型的猛攻之下，美国的AI公司这次是真的坐不住了。

黄仁勋亲自下场发表了人生第一条推文，呼吁全行业共同推动美国开源生态的发展。目前，这个联盟除了Anthropic之外，美国AI圈的主要玩家几乎全员到齐，Sam Altman、Sundar Pichai等闭源模型掌门人也都罕见发文表示支持。

为什么这些平时斗得最厉害的公司，这次却罕见地站到了同一战线？而Anthropic坚持不加入的原因又是什么？

要回答这个问题，我们得先搞明白一个更基础的事情，那就是今天AI行业所说的“开源模型”到底是什么？以及模型开源之后，对于模型厂商以及整个行业又意味着什么？

本文为视频改写，欢迎大家收看以下视频

很多人会觉得，一个 AI 模型就是一套代码，所谓“开源”，就是把代码发布出去，但其实并不是。要理解模型到底开放了什么，我们首先需要捋一遍一个大模型从训练到最终发布的完整流程。

这个过程大致可以拆成七个部分。

第一，训练数据。研发团队首先要决定使用什么数据训练模型，比如网页、书籍、代码，以及不同类型数据如何配比，再经过清洗和筛选。这一步，决定了模型的“底子”好不好。

第二，模型架构和参数规模。这个阶段主要进行模型规划和设计，包括采用什么模型架构、参数规模有多大，以及各种训练配置。这些设计，决定了模型的能力上限和训练效率。

需要注意的是，参数规模并不是指训练数据的大小。训练一个模型，本质上是在不断地做“调整”，而参数规模说的是“这次总共要调整多少个地方”。参数规模越大，模型能捕捉和处理的细节、规律也越复杂。

第三，训练基础设施。模型设计完成后，需要庞大的算力来完成训练，包括GPU集群、高速网络、存储系统以及各种训练框架。而如何把这些算力高效组织起来，正是如今最火的AI Infra（人工智能基础设施）领域。像DeepSeek的DeepGEMM、Kimi K3的FlashKDA、MoonEP，都属于这一层的创新。

数据、架构和基础设施准备完成后，才进入真正的训练阶段。

第四，训练流程和Checkpoint。在这个阶段，模型会进行预训练、微调和强化学习，在训练过程中，也会不断"存档"，方便继续训练、测试或回滚。

第五，“模型权重”。经过漫长的训练之后，模型内部数十亿甚至数万亿个参数都会被逐步调整到合适的数值。这些参数最终形成的集合，就是“模型权重”，也是整个模型最核心的成果，记录着模型在训练过程中学到的知识和能力。

第六，模型部署。训练完成后，还需要将权重部署到服务器，通过API或者本地部署的方式，真正提供给开发者和企业使用。

最后，“技术报告”。这些流程结束之后，模型厂商们通常还会写一个“技术报告”。里面会介绍模型架构设计的思路、数据大致的构成、训练中踩过的坑和最终的评测结果等内容，让外界理解这个模型是怎么做出来的。但技术报告不是可以照着复现的操作步骤，它讲的更多是一种方法论。

清楚了训练流程之后，那么“开源”具体是指开放的什么环节呢？按照模型的开放程度，现在主要分为闭源、开放权重和完全开源这三大类型，我们先说两端。

闭源模型很好理解，就是以上环节全部都不对外开放，客户只能在模型部署层面通过API或具体产品使用模型能力。Anthropic、OpenAI和谷歌目前的大部分模型都是这种形式。

完全开源的模型叫Open Source，是指从训练数据、训练代码到中间存档、技术报告都完全公开。Ai2 （艾伦人工智能研究所）推出的OLMo系列，就是这样的代表。

但现在说的大部分的开源模型，其实都不是真正的Open Source，而是位于开源和闭源中间地带的Open Weight（开放权重）。相当于只是送出了模型训练的最后结果，大家可以直接拿去用，也可以在结果之上进行微调和改进。

但现在不同的开放权重模型之间，开放的程度也存在很大差异，我们用几个比较具有代表性的模型来具体说明一下。

首先，“模型权重”严格来说只是一个巨大的数字文件，光靠它并不能直接运行。如果从Hugging Face上直接下载Kimi K3的权重，得到的是约2.8万亿个浮点数，按照模型架构规定的顺序，整齐排列在其中。

所以，除了权重本身，厂商通常还会公开一份推理代码，专门负责教用户如何读取权重文件、按照什么顺序进行计算，以及最后怎么把结果变成一句话回复用户。

最基础的“开放权重”，就是把模型权重以及这个能跑、能微调的推理代码公布出来，让任何人都可以把模型下载到自己的服务器上运行。其中最具代表性的，就是Meta的Llama系列。

但训练数据的具体配方、训练过程中不断调整的策略，以及支撑整个模型训练的内部工具链，这些更核心的部分，Meta始终没有开放。

此前，从Llama 1到Llama 3，Meta还会发布较为详细的技术报告，分享模型设计和工程经验。但到了去年的Llama 4，Meta只发布了一篇简短的博客，没有再公开完整的技术报告，开放的程度也变得更加保守。

而DeepSeek之所以震撼整个行业，其中一个重要原因就在于，它不只是把方法详细地讲了出来，甚至还把内部的工程工具链本身开源了，可以说是“Open Weights”的Plus版本。

在此之前，大部分模型厂商的技术报告更像是公关稿，通常会告诉大家模型有多少参数、在哪些Benchmark（基准测试）上取得了什么成绩，却很少解释这些成绩是怎么做出来的。

但DeepSeek V3和DeepSeek-R1却把过去一些很少公开的研发细节，几乎毫无保留地写了出来。比如，它详细介绍了MoE（混合专家）模型是如何设计的、为什么要采用Multi-head Latent Attention（MLA）来降低KV Cache的内存占用、FP8训练是如何稳定实现的，以及不同方案之间，为什么最终选择了现在的设计、放弃了其他路线。

除了技术报告，DeepSeek还陆续开源了DeepEP、FlashMLA等训练和推理基础设施组件，把很多过去只属于内部工程团队的工程经验，也变成了整个行业都可以使用的工具。

可以说，DeepSeek开启了一种新的模型开放形式，而此次Kimi K3也延续了这种做法。

除了公布非常详细的技术报告，介绍模型架构、训练方法和大量工程细节，Kimi K3此次还同步开放了三大自研底层基础设施。其中包括解决MoE（混合专家）模型里几百个“专家”之间通信效率的MoonEP，加快注意力计算的FlashKDA，以及给智能体训练搭建可运行的环境的AgentEnv。

这三项分别对应训练大模型时会遇到的三个卡点：通信、计算、训练环境，也让大家能更了解Kimi团队是怎么高效训练出这个模型的。

不过，在目前整个训练环节中，大多数开放权重模型真正公开的，其实只有模型权重、推理代码，以及一部分技术报告和基础设施工具。而训练数据和完整训练流程，仍然是各家最核心的商业机密。

而且，开放权重也并不意味着毫无限制。真正决定开发者能不能将模型商用、修改以及再发布的，是模型附带的许可证（License）。

过去一年，一个很明显的趋势是，中国大部分模型厂商的许可证正在变得越来越开放。

比如，DeepSeek最早发布模型时采用的是自己制定的协议，对使用场景还有一些限制。但到了DeepSeek-V3和R1，已经全面切换到了MIT License。这意味着，只要保留版权声明，开发者几乎可以自由下载、修改、商用，限制非常少。

阿里的Qwen也走了一条类似的路线。从最初采用阿里自定义协议，到后来切换为国际上广泛使用的Apache 2.0许可证，同样大幅降低了商业使用门槛。值得注意的是，此前Qwen的旗舰Max系列一直是保持闭源、只能走API，但在这个月初，阿里表态，将首次把旗舰模型Qwen3.8-Max的权重开源。

智谱GLM也是一样，他们从2025年的GLM-4-0414开始使用MIT License，后来一直沿用至今，商业使用限制很宽松。

当然，也并不是所有公司都会选择“完全放开”。 Kimi之前的K2系列用的是一种叫Modified MIT的许可证。但这次K3启用了一份全新的，叫做Kimi K3 License的协议，不再自称是MIT的修改版。

对绝大多数开发者和中小企业来说，其实实际使用体验和MIT差别不大，因为都是免费下载、商用和修改。但它加了两道门槛：一是产品月活超过1亿或者月收入超过2000万美元的，需要在界面上显著展示“Kimi K3”标识；第二，如果做的是模型即服务的托管生意，且连续12个月总收入超过2000万美元，就必须先和月之暗面另行签署商业协议才能商用。

而限制最多的，则是Meta的Llama。它没有采用MIT、Apache这些主流开源许可证，而是自己制定了一个Llama Community License，中间的限制非常多，例如月活用户超过7亿的产品需要额外申请授权，部分版本曾限制在欧盟地区使用，同时协议还明确禁止开发者利用Llama的输出去训练其他大型模型等等。

不过Meta近期也在重回开放路线，它们最新发布了300亿参数的开放权重模型Muse Glimmer，就采用了Apache 2.0许可证。此外扎克伯格还宣布，Meta目前最强基础模型Muse Spark 1.2也即将开放权重。

王铁震 前Hugging Face亚太生态负责人 把这些东西写清楚之后，很多专门做模型推理和云服务的厂商实际上就没有办法take free ride（不劳而获）。过去一些开源项目，包括开源数据库，最担心的就是云厂商没有出工、没有出力，却可以直接把开源项目部署到自己的云上赚钱。所以，这种不劳而获，一直是开源社区想要避免的。

当然，许可证只是划定了红线，并不能把模型变成收入。那么，这些开源模型的公司靠什么赚钱呢？

实际上，开放权重并不等于放弃商业化。企业下载模型只是第一步，要真正把模型稳定部署到生产环境，还需要算力、运维、持续更新以及针对业务场景的定制开发等等。相比自己组建团队，很多企业依然会选择直接购买模型公司的API服务、企业版部署或行业解决方案。

因此，开放模型可以带动一整套围绕模型的服务收入。

第一种，是通过开放模型带动云计算和基础设施消费。

以千问为例，模型权重虽然可以免费下载，但企业想要大规模部署，依然需要GPU、云存储、网络、数据库和模型管理平台。对于阿里这样的云厂商来说，开放模型更像是一个入口：模型本身可以免费，但运行模型所需要的整套云服务都是收费的。

第二种，是为企业提供部署和定制服务。

很多金融、医疗、政府或大型企业不希望把内部数据发送给外部API，而是希望把模型部署在自己的服务器或私有云里。但下载权重之后，企业还需要完成模型适配、数据清洗、安全评测、推理优化和后续维护。

模型公司可以向这些客户出售私有化部署、行业微调、技术支持和长期维护服务。

第三种，则是提供收费的后训练和模型开发平台。

现在的企业更希望在现有开放模型的基础上，加入自己的数据和业务规则，把它变成更适合特定任务的专用模型。模型公司可以提供微调、强化学习、评测、数据管理和版本管理等工具，并按照训练算力、使用量或企业订阅收费。像Thinking Machines的思路，就更接近这种。

Keith Zhai TinyFish联合创始人 关于 AI，一个核心问题是，intelligence（智能）到底应该是我租借来的，还是应该真正变成自己的。而整个的大背景是，越来越多企业正在接受这样一种观点：智能应该为我所有，而不应该是租借。

以Kimi为例，虽然模型权重已经开放，但它们依然提供付费订阅、API调用以及企业级AI服务。

除此之外，开源模型厂商的另一部分收入来源，是提供模型服务的MaaS（Model as a Service）厂商和云厂商。

MaaS厂，包括最近很火的Together AI、Fireworks AI等等，是把开放权重模型部署到自己的GPU集群上，再通过API提供给开发者使用。云厂商，也就是大家熟悉的卖基础设施的AWS、阿里云等等，现在也会卖模型服务。在K3这样的许可证下，这类厂商也要向Kimi交钱。

公开信息显示，Moonshot AI当前的年化经常性收入（ARR）已经达到约3亿美元。

王铁震 前Hugging Face亚太生态负责人 一个反常识的观点是，云厂商和MaaS厂实际上应该非常欢迎Kimi来找他们收钱。因为只要Kimi收钱，就意味着你和Kimi存在官方认证关系，包括你卖的token质量等等，都是有官方给你做保证和背书的。Kimi官方还发布了一套vendor verification（供应商验证）流程，有点像“Intel Inside（英特尔商标）”。只有通过验证的流程，卖出来的token才能被证明是好的，包括准确性和性能都是有保障的。对消费者来说，也更容易知道应该购买谁的token。

所以，开放权重并不意味着商业价值的消失，更多的是一种商业模式的变化。而对于整个AI生态来说，它也有着非常重要的价值。

过去几年，Claude、ChatGPT、Gemini这些业界最强的模型几乎都是闭源的，但这些模型能力始终牢牢掌握在少数几家公司手里。

而开放权重，则让拥有前沿能力的AI模型可以像软件一样，被下载、部署、微调，并在此基础上继续创新。

对于企业用户来说，这绝对是件天大的好事。

首先是成本。还记得今年年初编程Agent开始流行，每家企业都开始token maxxing的几个月吗？这一通操作下来，每家公司都发现自己的token账单水涨船高。在这样的背景下，开源模型显然成了最优解。毕竟，中国开源模型能力已经能追平最强闭源模型，又很便宜，还能自己调整，谁不爱呢？

而现在一种主流的企业做法就是：最困难的任务还是使用几家能力最强的闭源模型，日常的任务就都通过中国的这些开放权重模型来实现。

其次，是所有权问题。

Keith Zhai TinyFish联合创始人 如果模型的一切都取决于对方是否开放，就像Fable今年早一点的事情，对大家影响很大的。突然有一天，美国商务部说不可以用了，那就一夜之间就都不可以用了，之前做的部署可能都没有了，那这种情况怎么办？

这就是为什么对于企业来说，在能力几乎相当的情况下，开放模型有绝对的优势了。而对于普通开发者来说，开放权重也大大降低了参与模型创新的门槛。

以前开发者想要基于GPT或者Claude开发产品，能做的事情其实很有限。但借助权重和技术报告，开发者就能够自己去尝试修改模型、继续训练模型，甚至让模型适配完全不同的场景。

而且现在vLLM和SGLang等开源推理引擎都能够对大部分开源模型做到Day-0支持，这也意味着开发者们不需要自己解决复杂的推理部署问题，就能直接部署模型。

如今，开放权重模型已经成为大量AI Agent、机器人等项目的重要基础，推动着整个AI创业生态的繁荣。

此外，开放权重本身也在加速着模型的迭代。比如在Kimi K3的技术报告里，有一部分专门介绍了他们如何优化MoE（混合专家）模型中的负载均衡，而这套方法就是他们在DeepSeek V3方案基础上的继续演进。

闭源模型的技术突破，很可能永远留在自己的服务器里。但借助于开放的技术经验，整个行业就能够站在巨人的肩膀上加速往前走。

所以无论是从商业、还是整个AI生态的角度，开放权重都正在成为非常重要的一条技术路线。这也是为什么此次黄仁勋会牵头来做这件事，并且一呼百应。

最近针对中国开源模型的强势崛起，有消息传出美国政府正在考虑采取相关限制行动。

“开放安全AI联盟”的核心观点是，美国既需要最先进的闭源模型，也需要最先进的开放模型。他们认为，开源模型对网络安全和AI创新、AI主权都至关重要。监管应该针对具体风险，而不是因为安全担忧，就限制开放权重这种技术路线本身。

但这个联盟背后也有着更深的商业考量。比如对于微软、亚马逊、谷歌这几个大型云厂商来说，不管客户最终部署的是OpenAI、Llama、DeepSeek还是Kimi，只要运行在云上，它都能够从中获益。

对于英伟达、AMD、Baseten这样的基础设施企业来说，开放权重意味着会有更多企业、开发者和国家，把模型部署到自己的服务器。而每一次部署、微调和推理，都会带来新的算力需求。不少基础设施公司的业务增长，甚至就是伴随着一代代开源模型而发展壮大。

Keith Zhai TinyFish联合创始人 （英伟达）从芯片、基础设施的角度看，它肯定是所有人，每个人都能自由搭建一个模型最好。因为它并不在乎这个谁能挖到金子，重要的就是它能卖更多的铲子。

而对于像Palantir、Databricks这样的企业软件和AI应用公司来说，它们卖的本来就是模型之上的数据平台、AI应用和行业解决方案。模型越开放，它们能够服务的客户和场景反而越多。

目前，这个联盟名单几乎聚齐了美国所有主要AI公司的名字，但唯独少了Anthropic，它们为此也专门发了一篇长文来阐明立场。

Anthropic首先表态它们从来没有主张过禁止开放权重模型，但它们担心两件事：一是前沿开放模型带来的安全风险。在闭源的情况下，一些危险的AI能力还被掌握在少数模型公司手里，但如果最强大的模型权重被公开，任何人都可以下载、部署、修改，那么恶意使用这些能力的门槛也会随之降低，这将让整个世界都处于危险之中。

第二是蒸馏问题。它认为中国的开源模型之所以发展的这么快，就是大规模地蒸馏了美国最前沿的这些闭源模型，进而也会大幅降低追赶最前沿模型所需要的算力。与其纠结要不要管开源，美国政府更应该先管管“蒸馏”。

但很多人认为，Anthropic之所以坚持不开源，更多的也是出于商业利益的考虑。

对于闭源模型公司来说，开放权重无疑是会严重冲击它们的商业模式。因为一旦越来越多高性能的开放模型出现，企业就有了更多本地部署和自主定制的选择，对闭源API的依赖也会降低。而模型能力本身也更容易被快速追赶和复制，让闭源模型赖以建立的竞争壁垒受到挑战。

而最近，在美国全行业越来越强的开源声势下，Anthropic坚持闭源的立场现在正在遭受着越来越大的压力，对它AI安全立场的质疑声也逐渐变大。

但是我们也看到，并不是所有人都反对Anthropic的这些观点。比如本次Kimi K3开源之后，网上就出现了不少声音，认为把这样已经达到最前沿能力的模型开放出来，本身就是一种风险。

最近，OpenAI和Anthropic的模型接连曝出越狱攻击事件，让这种担忧进一步升温。因为即便是部署在官方服务器、拥有持续监控和安全更新能力的闭源模型，目前看来也并非绝对安全。

而如果未来，越来越多能力接近Fable 5这一水平的开放权重模型被部署到成千上万家企业、本地服务器甚至个人设备上，情况就会变得更加复杂，模型治理、安全更新和风险控制必然将面临更大的挑战。

目前业界关于开源模型的讨论还在激烈的进行着，但无论如何，开放权重已经成为推动这一轮AI发展的重要力量。它降低了技术门槛，加快了创新速度，也让越来越多企业和开发者有机会参与到AI生态中。

但与此同时，它确实可能也会带来新的问题和风险。接下来，我们也会持续追踪中美开源模型的发展，以及它对整个AI产业的影响。

注：部分图片来源于网络

【本期节目不构成任何投资建议】