Interconnects：开源权重模型权力格局已向中国倾斜
来源Interconnects查看原文
速览
- 中国开放权重模型在下载量、基准、平台份额、论文引用四个维度全面领先美国
- Hugging Face 累计下载量中国约 32 亿次，为美国两倍
- AAII 指数上中国前三模型得分 42-45，美国最高仅 26
- 中国开放模型落后美国闭源前沿约 2-5 个月，美国开放模型落后 6-9 个月
- OpenRouter 上中国模型份额超 80%，OpenCode 推理量 95% 以上用中国模型
- arXiv 论文中中国开放模型被提及超 40%，美国约 30%
- 蒸馏对美国前沿差距的贡献估计仅 1-2 个月，不足以解释中国领先
- Harvey、Cursor、DoorDash、Airbnb、Perplexity 等美国公司已在使用中国模型
- 开放权重模型进入可被滥用的能力区间，网络安全风险需生态级应对
- 作者主张美国应继续投资开放模型，以掌握协调与扩散能力
AI 研究者 Nathan Lambert 在 Interconnects 发布文章，整理其向美国国会议员及幕僚做闭门简报时的讲稿，系统梳理开放权重模型的竞争格局。核心结论是：自 2025 年 4 月前后起，中国 AI 公司已在开放权重模型上取得明显领先，并在下载量、基准测试、平台调用份额和学术论文引用四个维度上全面超过美国。文章给出量化数据：Hugging Face 累计下载量中国约 32 亿次，是美国的两倍，领先约 16 亿次；Artificial Analysis 智能指数上，Z.ai 的 GLM-5.3、GLM-5.3-Flash 与 Moonshot AI 的 Kimi K3 分别得分 45、42、44，而美国最强的 Thinking Machines Inkling 系列为 26、Nvidia Nemotron 3 Ultra 为 23；OpenRouter 上中国模型的使用份额从约 70% 升至 80% 以上，开源编码 Agent OpenCode 的推理量约 95% 以上来自中国模型。文章同时讨论了蒸馏对差距的实际贡献（估计仅 1-2 个月）、开放权重模型带来的网络安全风险，以及美国应继续投资开放模型的理由。
关键事实
- 自 2025 年 4 月前后起，中国 AI 公司在开放权重模型上成为明确领先者
- Hugging Face 累计下载量中国约 32 亿次，美国约为其一半，中国领先约 16 亿次
- Artificial Analysis 智能指数上，GLM-5.3 得 45 分、Kimi K3 得 44 分、GLM-5.3-Flash 得 42 分
- 美国最强开放模型 Thinking Machines 的 Inkling 与 Inkling Small 均为 26 分，Nvidia Nemotron 3 Ultra 为 23 分
- 美国顶尖开放模型发布于 2026 年 6 月和 7 月，更新频率低于中国同行
- 中国开放权重模型整体落后美国闭源前沿约 2-5 个月，美国开放权重模型落后 OpenAI、Anthropic 约 6-9 个月
本站视角
这篇文章的价值不在于它披露了什么新事件，而在于它把「中国开放权重模型领先」从一句口号变成了可核查的多维数据。对中文开发者而言，最直接的含义是：Qwen、GLM、Kimi、DeepSeek 已经不只是「便宜替代品」，而是学术研究和企业产品的事实默认选项——arXiv 论文里中国开放模型被提及超 40%、OpenCode 推理量 95% 以上用中国模型，这两个数字说明生态锁定已经发生，且切换成本会随时间上升。对国内做 Agent 和编码工具的团队，这意味着你们的模型选型与海外同行正在趋同，海外企业客户对中国模型的采购意愿也在上升，Harvey、Cursor、DoorDash、Airbnb、Perplexity 的案例说明合规顾虑并未阻止采用。对美国政策制定者，作者的潜台词很明确：如果以安全为由限制中国开放权重模型，受伤的首先是依赖这些模型做防御性网络安全和生物研究的美国机构，因为闭源模型会拒绝这类请求。需要指出的是，本文的数据来源高度集中于作者自己维护的 ATOM 项目和 Interconnects Dashboard，Hugging Face 下载量、OpenRouter 份额这类指标本身存在偏差——下载不等于使用，OpenRouter 也不代表私有部署和企业内网的真实用量，作者本人也承认这些只是「近似值」。因此「中国领先」这一结论方向可信，但具体倍数（如下载量两倍、份额 80%）应视为量级判断而非精确测量。另一个值得警惕的点是，作者对蒸馏影响的估计（1-2 个月）是个人判断而非实测结果，且他本人长期主张美国应投资开放模型，这一立场可能影响其对差距的表述。真正需要观察的是：美国实验室（OpenAI 的 gpt-oss、Google 的 Gemma 4、Nvidia 的 Nemotron）能否在 2027 年前把基准差距从 20 分级别压缩到个位数，以及中国实验室在转向购买训练数据后，成本结构会如何变化。
背景与影响
这篇文章源自作者 Nathan Lambert 受邀向美国国会议员及幕僚做的一次闭门简报，讲稿被整理成面向更广泛读者的「开放模型国情咨文」。文章先厘清概念：开放权重模型公开权重与许可证，但不公开训练代码和数据；真正的开源模型（如 Allen Institute for AI 的 Olmo、OpenAthena 的 Marin、EleutherAI 的 Pythia）还需公开可复现的全部信息，且这些开源模型主要由美国非营利机构构建。Nvidia 的 Nemotron 介于两者之间，公开了大量训练数据但并非全部。竞争格局的转折点在于：美国曾靠 Meta 的 Llama 领先，但约 18 个月前中国开放权重模型在下载量和能力两个维度反超，2025 年 7 月中国在 Hugging Face 下载量上取得领先，主要靠 Alibaba 的 Qwen。作者自 2025 年 8 月发布 ATOM 项目以来持续跟踪该数据。文章还指出，中国实验室出模型更快、任务分布更窄，这在公开基准上略有加成，但模型本身确实强。蒸馏方面，作者认为它在新领域最有效，但无法轻易造出全面强大的模型，即使 Anthropic 和 OpenAI 用 KYC 工具完全阻断蒸馏，差距也只会扩大 1-2 个月。风险层面，文章提到 OpenAI-HuggingFace 事件，并指出 HuggingFace 在分析该网络攻击时使用了中国开放权重模型，因为闭源模型拒绝回答相关请求，说明限制开放模型反而会拖累美国企业。作者最后主张，开放模型将成为少数真正前沿实验室之外所有人的基础设施，掌握开放模型意味着掌握软实力与影响力。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
