撰文：庄洲
大模型正在上演 Linux 的故事
世间建筑可以分为两种，一种是集市，天天开放在那里，从无到有，从小到大；一种是教堂，几代人呕心沥血，历尽几十年方能完工。Eric Raymond 在《大教堂与集市》中如是写道。
而 Linux 的故事，更像是用集市的方式，建造一座大教堂。如今，在生成式人工智能领域，越来越多的开源模型正在为这样的「建造模式」贡献新的案例。
阿里云，是开源模型的坚定追逐者。目前，通义千问 Qwen 衍生模型数量已突破 10 万，超越美国 Llama 模型，通义成为全球第一 AI 开源模型。
4 月 29 日凌晨，阿里发布新一代通义千问模型 Qwen3（简称千问 3），参数量仅为 DeepSeek-R1 的三分之一，为 235B，成本大幅下降。
据悉，千问 3 是国内首个「混合推理模型」，「快思考」与「慢思考」集成进同一个模型，对简单需求可低算力「秒回」答案，对复杂问题可多步骤「深度思考」，大大节省算力消耗。
2023 年至今，阿里通义团队已经开源了 200 多款模型，包含大语言模型千问 Qwen 及视觉生成模型万相 Wan 等两大基模系列，开源囊括文本生成模型、视觉理解 / 生成模型、语音理解 / 生成模型、文生图及视频模型等全模态，覆盖从小到大全尺寸参数，满足不同的终端需求。
千问 3 的总参数量为 235B，激活仅需 22B。千问 3 预训练数据量达 36T ，并在后训练阶段多轮强化学习，将非思考模式无缝整合到思考模型中。
千问 3 的部署成本还大幅下降，仅需 4 张 H20 即可部署千问 3 满血版，显存占用仅为性能相近模型的三分之一。
阿里的开源模型发布，对行业意味着什么？开源模型的能力如何？未来的大模型竞争将会走向何方？
01 开源大模型的能力正在后来居上
开源大模型的能力正在赶上闭源模型。
这是笔者在询问了多位 AI 创业者、大厂大模型开发者及投资人后的共识。
尽管，他们也同意，如今还是闭源模型处于领先地位，但开源模型和闭源模型之间的差距正在逐步缩小，而这样的速度，令业界始料未及。
「闭源模型先做到了 90 分，但如今，开源模型也能够做到 90 分的水平。」一位大模型开发人员表示。Scaling Law 总有瓶颈，这个瓶颈所体现的便是模型越大，能力提升、付出的成本则是成倍增加，因此给了开源模型追赶的时间。
是开源模型究竟开放了什么？其与开源软件有什么区别？又与闭源模型的差异体现在哪里？
开源软件通常是公开源代码的全貌，允许开发者查看、修改，后续开发者可以很容易根据代码复现相应的功能实现。但开源模型一般只开源参数，至于其中用了什么数据、如何微调、如何对齐，却难以知晓。闭源模型则是直接提供一整套方案。可以理解为，开源模型是基于原有的材料，需要厨师自备工具、菜单、研究做法，但究竟能不能做出一道好菜，全靠厨师功力。闭源模型则是预制菜，加热即用。
但开源模型的好处在于，能够让更多开发者参与到模型的开发中，帮助模型提升性能、完善生态，并且灵活性强。这能够帮助模型公司省去很多人力成本和时间成本。对于使用开源模型的一方，也是一种节省成本的方式。
不过，开源模型的成本优势在前期，举个例子，据计算，闭源模型 GPT-4 每百万个代币输入的成本约为 10 美元，每百万个代币输出的成本约为 30 美元，而开源模型 Llama-3-70-B 每百万个代币输入的成本约为 60 美分，每百万个代币输出的成本约为 70 美分，这使其成本大约便宜 10 倍，而性能差异却很小。但如果涉及到后续的部署，则需要极强的技术实力和投入。
不过，阿里此次发布的千问 3，也正在逐步解决成本投入的问题，以阿里新发布的千问 3 为例，从部署成本看，千问 3 是满血版 R1 的 25%～35%，模型部署成本大降六 / 七成。旗舰版千问 3 模型的总参数 235B 激活 22B，大致需要 4 张 H20 或同等性能的 GPU。对比来看，满血版 DeepSeek-R1 总参数 671B 激活 37B，1 台 8 卡 H20 虽然可跑，但较吃紧（100w 左右），一般推荐 16 卡 H20，总价约 200 万左右。
模型推理上看，千问 3 独特的混合推理模型，开发者可自行设置「思考预算」，在满足性能需求的同时实现更精细化的思考控制，自然也会节省整体推理成本。可以参考的是，同类型的 Gemini-2.5-Flash 在定价上的推理和非推理模式的价格相差约 6 倍，用户使用非推理模式时相当于可节省 600% 的算力成本。
一位大厂从事大模型开发人员告诉硅兔君，开源模型更适合于有很强技术实力，但没有足够预算的团队，例如学术机构。而闭源模型则适合人少钱多的公司。不过，随着开源模型能力的提升，有 41% 的受访企业计划增加对开源模型的使用，而 41% 的企业认为如果开源模型和闭源模型性能相当，会转向开源模型。在这项调查中，仅有 18% 的企业不打算增加对开源 LLM 的使用。
A16z 创始人马克・安德里森就表示，开源，让大学重新回到竞争中，因为，如果研究者的担心是，第一，大学没有足够的资金来参与 AI 领域的竞争并保持相关性；其次，所有大学加在一起也没有足够的资金来参与竞争，因为没有人能够跟上这些大型公司的筹资能力。而当开源模型越来越多且能力上来之后，就意味着大学可以使用开源模型进行研究。对没有足够资金的小公司而言，这个逻辑同样成立。
硅兔君制图
02 大模型的东方启示
DeepSeek 的横空出世，让诸多人发现了中国公司开源模型的能力。
「Deep Seek 代表的是轻量化、低成本的 AI 产品。」一位中美 AI 投资人表示，举个例子，混合专家模型（MoE）的调整需要极高的工艺，过去的主流模型使用 MoE 的并不多，是因为难，但是「小孩不信邪」，却把这件事做成了。
但开源模型最重要的是生态，也就是说到底有多少人用。毕竟，要切换不同的模型，对用户而言是极高的成本。不过，当 DeepSeek 横空出世之后，在硅谷一些用 Meta 的大模型的用户也切换到了 DeepSeek，「后来者一定要比先发者有足够的优势。」一位大模型研发人员表示，这样才会吸引用户放弃前期投入的成本，切换到新的开源模型上来。
硅兔君整理了目前全球知名模型的开源和闭源情况发现，除了亚马逊，微软、谷歌、Meta、OpenAI 都有开源模型的布局，一些公司选择纯开源路线、一些选择开源和闭源并行，在中国，阿里是在开源道路上走得最坚定的大厂。早在 DeepSeek 发布 R1 前，阿里就在开源模型上押注和布局。
全球知名模型开源情况
根据李飞飞的《斯坦福人工智能报告 2025》，2024 年中，阿里发布的著名 AI 大模型数量为 6 个，位于全球第三，谷歌和 Open AI 并列第一，为 7 个。而在报告中所提及的 2024 年重要大模型排名，阿里的 AI 贡献度位列全球第三。
来源：《斯坦福人工智能报告 2025》
而 29 日发布的千问 3，作为通义千问系列最新一代大语言模型，提供了一系列稠密（Dense）和混合专家（MoE）模型。在推理、指令跟随、智能体能力和多语言支持方面取得了突破性的进展，具有以下特性：
1) 独特的混合推理：支持在思考模式 （用于复杂逻辑推理、数学和编码）和 非思考模式 （用于高效通用对话）之间无缝切换，确保在各种场景下的最佳性能。
2) 显著增强的推理能力 ：在数学、代码生成和常识逻辑推理方面超越了之前的 QwQ（在思考模式下）和 Qwen2.5-Instruct 指令模型（在非思考模式下）。
3) 更好的人类偏好对齐 ：在创意写作、角色扮演、多轮对话和指令跟随方面表现出色，提供更自然、更吸引人和更具沉浸感的对话体验。
4) 智能体能力突出 ：可以在思考和非思考模式下精确集成外部工具，在复杂的基于代理的任务中在开源模型中表现领先。
5) 强大的多语言能力：支持 119 种语言和方言，具备强大的多语言指令跟随和翻译能力。
其中所提到的「混合推理」，相当于把顶尖的推理模型和非推理模型集成到同一个模型里去，需要极其精细、创新的设计及训练。目前，热门模型中只有千问 3、Claude3.7 以及 Gemini 2.5 Flash 可以做到。
具体而言，在「推理模式」下，模型会执行更多中间步骤，如分解问题、逐步推导、验证答案等，给出更深思熟虑的答案；而在「非推理模式」下，模型会直接生成答案。同一个模型，可以完成「快思考」和「慢思考」，这类似于人类在回答简单问题时，凭经验或直觉快速作答，面对复杂难题时再深思熟虑，仔细思考给出答案。千问 3 还可 API 设置「思考预算」（即预期最大 thinking tokens 数量），进行不同程度的思考，让模型在性能和成本间取得更好的平衡，以满足开发者和机构的多样需求。
Qwen3的性能情况
对中国而言，开源模型的做法也比闭源模型能够吸引更多客户，因为如果是闭源的模型，只能更多集中在国内市场，但开源则能够让更多国外公司也进行使用，举个例子：Perplexity 是一家美国公司，但用户可以在 Perplexity 上使用 DeepSeek R1，并完全托管在美国，使用美国的数据中心。
03 大模型的下半场
2023 年 3 月，在旧金山的探索馆一场开源 AI 盛会上，羊驼漫步在会场上，致敬了 Meta 的开源大语言模型「LLaMA」。
2023 年至今，一年多时间里，生成式 AI 正在不断发生变化。公众的关注点已从基础模型变为 AI 原生的应用。在 YC W25 的 Demo Day 中，80% 的项目都是 AI 应用。
「开源模型将会促进更多 Agent 的落地。」多位业界人士向硅兔君表达了这个观点。一方面是开源将会降低使用成本及门槛。
例如千问 3 有很强的工具调用能力，在伯克利函数调用 BFCL 评测榜中，千问 3 创下 70.76 的新高，将大幅降低 Agent 调用工具的门槛。同时，可结合 Qwen-Agent 开源框架来充分实现 Qwen3 的智能体能力。Qwen-Agent 是一个基于 Qwen 的指令跟踪、工具使用、规划和内存功能开发 LLM 应用程序的框架，框架内部封装了工具调用模板和工具调用解析器，还附带浏览器助手、代码解释器和自定义助手等示例应用程序，大大降低了编码复杂性。千问 3 原生支持 MCP 协议，开发者要定义可用工具，可基于 MCP 配置文件，使用 Qwen-Agent 的集成工具或自行集成其他工具，快速开发一个带有设定、知识库 RAG 和工具使用能力的智能体。
不仅如此，阿里的千问 3 能够支持不同尺寸模型，千问 3 对手机、智能眼镜、智能驾驶、人形机器人等智能设备和场景的部署更为友好，所有企业都可免费下载和商用千问 3 系列模型，这也将大大加速 AI 大模型在终端上的应用落地。
另外，有从业者指出，闭源模型在 To B 端并没有很好解决信任问题，很多大企业其实并不愿意将自己的业务接入第三方大模型的 API，因为这背后是核心数据是否会成为第三方大模型训练的一部分，这也是开源模型的机会。
有一个说法是，开源作为早期产品，在没有经过 beta 测试之前的市场推广策略，当不知道明天会是什么样的时候，先开源出来，吸引开发者。当有人用起来的时候，就有了最佳实践，紧接着就建立起了自己的生态。
不过，由于开源模型的商业链条较长，不如闭源模型来得快和清晰，因此业界人士表示，开源模型更多适合家里有钱有资源的「富二代」的游戏。以 Meta 来说，Meta 做开源模型，更多是搭建生态，为 Meta 其他业务板块提供支持。阿里做开源的逻辑，则更多是为其云服务。阿里有很强的云设施服务，可以在此基础上训练大模型，另外也可以将大模型部署在自己的云服务商，甚至可以根据用户部署定制专属大模型，用这样的方式走通商业逻辑。
「我的模式是，让大公司、小公司和开源相互竞争。这就是计算机行业发生的事情。」马克・安德里森曾表示。而在大模型逐渐变成如水、电、煤一样的标准化产品，开源可能更适合未来的方向。
