西方开源权重模型崛起：为企业AI部署提供新选择

寻求自行托管、定制和管控其人工智能的企业，日益不得不在来自中国公司的开源权重模型（open-weight models）的灵活性与西方专有模型之间权衡；后者使供应商对模型开发和部署拥有更大控制权。

但这一选择正开始扩大。由英伟达（Nvidia）支持的 Reflection AI 本周推出了其 Beam 开源权重模型 ，与此同时，法国人工智能实验室 Mistral 预览了其新款 Large 4 模型，为企业在开源权重市场提供了新的西方选项。

对企业而言，这些发布的意义远不止于模型在基准测试中的表现。如果这些模型被证实具备足够能力，它们便可为那些因安全、数据处理、来源可追溯性、司法管辖区或合规性顾虑而回避中国系统的组织，提供一种适用于其希望以开源权重运行工作负载的西方替代方案。

“重大变化在于，开源权重正成为西方企业一项真正的采购选项，而不再仅仅是研究团队进行实验的对象，”企业级人工智能供应商 Glokal AI 的创始人兼首席技术官吉特·帕塔奈克（Jeet Pattanaik）表示。“这便将问题从‘企业能否使用开源权重’转向‘企业应在哪类工作负载上运行开源权重’。”

帕塔奈克指出，迄今为止，最强劲的开源权重模型主要来自中国，这给银行、保险公司及公共机构等面临模型来源可追溯性与合规性相关限制的组织带来了挑战。

中国的开源模型领先优势并非永久性的

中国公司在开源权重人工智能领域已确立领先地位，阿里巴巴（Alibaba）、深度求索（DeepSeek）、月之暗面（Moonshot）和 Z.ai 推出的模型因其能力与相对较低的运营成本而广受青睐。

Counterpoint Research 已 识别出 包括 Kimi 和 GLM 在内的中国模型，位列市场上表现最佳的开源权重系统之列。

云软件测试平台 Sauce Labs 总裁兼首席执行官普林斯·科利（Prince Kohli）表示，中国开发者的早期领先部分源于必要性：资源约束促使他们更早地优先考虑成本与硬件效率，而西方人工智能公司则将更多资源集中于前沿模型性能。

“这使中国开发者获得了先发优势，从而在性价比与开源权重实验方面取得了一时领先，”科利称。

科利预计，随着更多西方工程资源转向优化，西方与中方模型之间的差距将逐步缩小，并指出：“没有任何根本性障碍阻止西方开发者实现与中国模型早期领先所依赖的相同成本与硬件改进。”

尽管这些模型仍需独立测试，但它们无需在每一项基准测试中均居首位，即可对企业产生实用价值。“它们只需对特定工作负载具备足够能力，并能提供一种可行的专有模型替代方案，”科利表示。

这一转变对企业的重要性不仅限于模型性能，更关乎企业部署模型后所能开展的工作。

控制权比成本更重要

对企业而言， 开源人工智能（open source AI） 的吸引力往往在于更高自主性，而非更低的成本。借助开源权重模型，企业可在自有环境中运行该系统，将敏感数据保留在该环境内，并自主决定何时升级至新版本模型；企业还可利用专有数据对模型进行微调。

科利表示，自主部署尤为重要，因为它赋予企业对其数据更强的监管能力，而这在国防、政府及高度监管行业尤为关键。

“微调还使企业能够利用私有、领域特定的数据适配模型，从而创造出可作为知识产权加以管控的人工智能能力，”他称。组织还可自行制定模型更新与弃用政策，降低性能或质量突发变动的风险。

帕塔奈克指出，成本在高且稳定的工作负载量下仍具意义，但一旦计入 GPU、人员配置与评估开销，开源权重对于较小规模工作负载未必更便宜。

更大的优势在于企业可自主管理人工智能技术栈的多大比例，这也使得可移植性变得重要。“将应用程序、提示词（prompts）与人工智能逻辑与任一模型供应商相分离，有助于在需求变化时更便捷地切换模型，”帕塔奈克称。

他还表示，企业亦可针对不同任务采用不同模型：例如，以较小的开源模型处理高吞吐量、常规性工作负载，而以专有的前沿模型处理需要更高级推理能力的任务。

但更高的控制权也意味着更大的责任。开源权重——不同于完全开源系统所提供的公开训练数据——并不必然提供关于模型如何训练或用于创建模型的数据的透明度。企业可以控制模型运行地点，却未必能全面审计模型内部构成。

许可条款亦各不相同，因此商业使用、修改及再分发的相关条款，成为企业评估过程中的重要一环。自行运行模型的组织还需承担更多安全、性能评估、更新及治理责任。

“你无法审计一个概率，因此无论模型是开源还是闭源，相关控制措施都必须置于模型之外，”帕塔奈克称。

因此，开源权重并非绕过 人工智能治理（AI governance）的捷径。企业仍需在模型层面实施安全、评估、更新及其他治理流程的控制措施。

真正的考验在于企业采用率

Reflection AI 与 Mistral 并无需永久性超越中国开发者，即可令企业受益于更强劲的西方开源权重市场。其成败将取决于企业是否认为这些模型在真实工作负载中具备足够能力、可靠性与可信度。

这可能改变企业对模型采购的思路。企业不再仅 在专有西方模型与中国开源权重模型之间二选一，而是可根据工作负载、监管要求及所需控制程度，采用更广泛多样的模型组合。

随着西方与中方模型在能力上趋同，科利预计其他因素将在采用决策中发挥更大作用，包括质量、可靠性、成本与信任度。他表示，一旦每 token 成本足够接近，企业将更有理由评估模型性能的一致性，以及是否可信赖供应商的政策与数据来源可追溯性。

“企业需要可预测的结果、在复杂用例中表现出色的性能，以及维持模型选择灵活性的能力，而非 锁定于单一供应商，”科利称，“此外，他们还必须信任供应商的数据来源可追溯性及其相关政策。”