作者｜周一笑
微信｜smiletalker
一个月前，我们在《深度｜外宾 Genspark》一文中，把 Genspark 称作一家 AI Costco：
GPT、Claude、Gemini，谁家货好就采购谁家的，再通过模型路由和 Agent 包装以后卖给用户。连模型的产地，它过去也有点区别对待。OpenAI、Anthropic 直接摆在货架正中央，一些中国开源模型则藏得没那么显眼。
一个月后，这家 Costco 开始卖自有品牌了。
和 Costco 的 Kirkland 一样，自有品牌不等于养牛、种麦子全部都自己干。Genspark 新发布的 PPT 制作专用模型 Gen-1 Slides，以 MiniMax M3 为底座，Fireworks AI 共同参与训练。Genspark 负责提供 PPT 任务和产品运行环境，并制定评价 PPT 质量的标准。
这次还有一点不同，MiniMax M3 被明明白白写在了包装正面，出现在了官方致谢当中。
Gen-1 Slides 是 Genspark 基于 MiniMax M3 这个开源基座，通过后训练做出来的专用模型。所谓后训练，简单说就是在一个已经具备相当能力的基座上，围绕自己的任务继续训练，不用再从头训练通用大模型。Gen-1 最终用了约 2000 个内部构造的 Slides 任务做强化学习。
从 Genspark 公布的数据看，经过后训练，Gen-1 在 PPT 任务上的整体表现已与 Opus 5 处于同一水平。在 200 个真实 PPT 任务中，Gen-1 综合得分 0.821，Claude Opus 5 为 0.810；完成一份 PPT 的平均模型调用成本则分别为 0.44 美元和 4.16 美元。上线后的 157 万次生产任务里，两者平均用户评分分别是 4.25 和 4.23。
不过，不能单纯把这些数字理解成 Gen-1 已经超过 Opus。Genspark 自己的评测里，Opus 在任务完成度和内容质量上仍然更高，Gen-1 的优势更多来自视觉设计。不过，这套内部评测还有一个问题。grader 同时参与了强化学习训练，因此它的评分并不是完全独立的。为了进一步验证结果，Genspark 又用没有参与训练的 PPTEval 和 UniPPTEval 两套公开学术评测进行交叉测试，Gen-1 在九组组合里拿到八个第一。
对普通用户来说，最直观的变化是 Gen-1 已经进入 Genspark Slides 的 Standard 模式，并成为默认模型，价格不变。
对一家过去最擅长采购和组合模型的 AI 应用公司来说，Genspark 现在也不是要转向自己造模型。它仍然高度依赖外部模型和训练基础设施，只是过去主要组合 API，现在又把这种能力往模型权重上推了一层。Costco 还是那个 Costco，但货架上开始出现了一些自有品牌。
1
AI 应用，开始不满足于租模型
对 Genspark 这样的 AI 应用公司来说，一直调用最强模型是最省事的选择。模型升级就跟着换 API，一家掉队，就把任务路由给另一家。Genspark 本来也是靠这种能力起家的。
但当一种任务每天高频重复，单纯调用最强模型未必还是最好的选择。根据官方数据，Genspark 单日最多生成 12 万份 PPT。PPT 又远比问答复杂，模型要搜资料、组织结构、生成页面、渲染、检查，再根据结果反复修改。
Genspark CTO 朱凯华此前把内部的模型使用拆成三层。重复而明确的工作优先交给更便宜的模型，适合专项优化的任务通过 fine-tuning 补强，少数需要更强推理能力的节点再调用 frontier model。按照他的总结，高频、重复、定义清楚，同时拥有明确质量标准的任务，最适合专项训练。
Claude 依然很强，但通用模型的能力优势，未必就能带来最好的垂直产品体验。模型公司要覆盖广泛的任务，应用公司却可以反复观察同一类任务。这样就能知道模型在哪些特定环节出错，哪些结果会被用户接受或需要重做。
垂直 AI 创业常见的一条路径，是围绕特殊数据训练专用模型。但现在，应用公司不一定需要从零开始训练模型。更强的开源基模已经提供了通用能力。公司的任务变成了围绕具体场景继续训练，把自己的数据、评价标准和工作流程融进去。
Agent 时代，“应用公司拥有用户数据”也变得更具体。一次任务可以留下完整的执行轨迹，包括用户提出了什么要求、模型调用了哪些工具、在哪里出错，以及最终交付的结果。这些轨迹能帮助团队找到反复出现的错误，再决定应该调整工作流，还是通过训练改变模型的行为。
1
什么样的基模适合作为训练底座
Harvey 用 Qwen 做法律 Agent 的强化学习实验，Heidi Health 用开源模型训临床模型，各家选的基座不同，考虑的东西也不一样。对 AI 应用公司来说，需要的未必是一个在所有榜单上都排第一的模型。通用能力够强，又便于继续训练，反而更适合作为产品持续开发的基座。
放到 PPT 这个具体任务里，Genspark 看中的 MiniMax M3 能力也比较明确。M3 支持百万级长上下文、原生多模态，也面向 Agent 工具调用做过设计。Slides 恰好是一种长轨迹任务，模型需要在文本、视觉和工具之间不断切换，完成搜索、生成、渲染、检查和修改。
Genspark 在 Gen-1 Slides 的官方博文中提到，正因为有 M3 这样的开源基座，它才能跳过预训练，把资源集中到 Slides 的循环优化，并在几周内完成 Gen-1。也就是说，M3 把训练一个 PPT 专用模型的起跑线，直接搬到了最后几公里。
除了面向具体产品做后训练，另一种路线是在基模上继续预训练。沙特 AI 公司 HUMAIN 推出的 humain-m3，同样以 MiniMax M3 为基础，又通过超过 1 万亿 Arabic-native tokens 的进一步预训练强化阿拉伯语能力。它和 Genspark 走的是两条不同的技术路线，共同点在于都把 M3 当成了继续训练的起点。
1
模型后训练变成了一种服务
AI Coding 是较早将后训练用进产品的一类应用。Cursor 通过持续预训练和强化学习开发 Composer，法律 AI 公司 Harvey、医疗 AI 公司 Heidi Health 也开始将后训练纳入产品开发。这些公司处理的任务差别很大，但都有一些共同点，比如任务高频而相对稳定，也比较容易判断一次工作完成得好不好。
这些案例背后都出现了 Fireworks 这家公司。作为提供模型训练和推理基础设施的平台，Fireworks 降低了应用公司进入模型层的门槛。应用公司不需要自己搭起完整的模型训练体系。以 Gen-1 为例，Genspark 制定 PPT 质量标准和训练目标，Fireworks 参与算法优化和训练工程，前后进行了超过 100 次实验，有些训练轨迹长度超过 10 万 token。
这项工作也远不止提供一批训练数据。在Gen-1 的训练中，模型很快学会了利用 grader 的评分规则，有时会提高视觉评分，却同时降低任务完成质量。更具体的例子包括，模型会声称资料已经核验却没有真的核验，也会缩小字号来逃过版面溢出检测。Genspark 和 Fireworks 只能不断查看训练轨迹、调整 reward 和 grader。
为了减少 PPT 里明显的 AI 味，团队还加入了一个专门的判别器。用最终版本回测后，被判为 AI 制作的比例从 74.9% 降到了 41.7%。
做到这里，应用公司手里的优势也不只是用户数据。它还得知道自己的产品什么叫好，怎么评价，以及模型开始迎合评分体系时怎么把它拉回来。
1
不是所有 AI 应用都该做后训练
开源基模变强、Agent 工作流逐渐稳定，再加上训练门槛下降，才让 post-training 变成一条更现实的产品路线。但这些条件并不意味着所有 AI 应用都应该做后训练。
Manus 早期就做过另一种选择。项目启动时，团队认真讨论过是否基于开源模型训练一个端到端 Agent，最后把主要精力放在 context engineering 上。Manus 联合创始人兼首席科学家季逸超当时认为，对于快速变化、尤其还没有找到 PMF 的应用，几周一次的训练迭代跟不上产品变化，底层模型的进步也可能很快让已有训练贬值。
从 Manus 此后的公开产品路线看，它目前仍把大量改进放在 Agent 架构、上下文、工具和工作流上。今年推出的 Projects That Learn From Every Task，也是把一次任务中可复用的经验写回 instructions、files 和 skills，没有去碰模型权重。
而 Slides 这类场景，已经具备相对成熟的工作流。任务规模大，产品形态稳定，有明确的交付质量标准，再选择把长期积累的经验训练进模型，收益才更明确。
Genspark 和 Manus 的不同选择，也说明后训练有自己的适用边界。还在快速试错的 Agent 产品，更适合跟着基模升级，继续优化上下文和执行框架；已经形成稳定工作流的垂直应用，则更有条件把优化做到模型参数这一层。
但一个训练好的模型本身也很难成为长期壁垒。更强的基模出来以后，应用公司可能需要重新训练，相比某一个具体模型版本，能够跟着迁移的评价体系和训练流程，价值更大。
1
开源模型开始卖可训练性
这里说的可训练性，首先得能训。最基本的问题是，模型权重和许可证是否允许继续训练，SFT、偏好优化、强化学习能不能直接跑，现有训练平台是否已经支持这个模型，这些都会影响一家应用公司能不能把后训练真正做起来。Fireworks 的训练产品里，就会直接列出不同基模支持的训练方式、上下文长度和训练规格。
基模本身的能力也得足够强。一个模型再开放，如果通用能力太弱，或者和业务需要的能力差得太远，后训练很难补课。法律、代码、PPT 各自需要的能力组合不同，应用公司挑选的考量也会不同。
训练完成之后，还要考虑能不能长期整合进产品。模型大小、吞吐、延迟、推理成本，以及部署和训练基础设施是否成熟，都会影响这套方案最终是否划算。Harvey 在法律场景做 post-training 时，甚至会把 token 消耗写进 reward，提高任务表现的同时控制推理成本。
可训练性最后其实落在三个问题上：能不能训，值不值得训，训完以后能不能用得起。
闭源模型公司也在争这部分需求。OpenAI 已经提供强化微调等能力，所以应用公司的选择不会简单变成开源和闭源二选一。对开源模型来说，除了直接提供能力，能不能成为一个好用的训练起点，也开始影响下游的选择。
一个模型能被多少产品直接调用是一种规模，能成为多少产品继续训练的底座，可能是另一种。
