开放模型的实力天平，不止一张排行榜

开放模型的强弱格局，最近又被拿出来重新算了一遍。Interconnects 发了一篇题为《The current balance of power in open models》的文章，随后在 Hacker News 上积累了 79 分和 25 条评论。热度算不上爆炸，但这类话题的读者往往就是真正要做选型决策的人。

标题里的 “balance of power” 是国际政治用语，放在模型上并不违和。它问的不是哪家分数高，而是几方各握着什么筹码，谁的筹码更难被替代。

“开放”两个字承担了太多

把 Llama、Mistral、Qwen、DeepSeek、Gemma 这些名字放进同一个篮子，说它们是“开源模型”，会掩盖掉不少实际差别。权重能不能下载，只是第一层。往下还有：训练数据和训练代码是否公开，许可证允许什么、禁止什么，商用有没有月活或营收门槛，微调之后的模型能不能再分发。

这些条款直接决定一家公司能不能把模型塞进自己的产品里。一个权重开放但商用受限的模型，和一个 Apache 2.0 的模型，对于要落地的人来说几乎是两种东西。讨论开放格局时如果不先区分这一层，后面的比较很容易变成空谈。

排行榜测不出来的部分

评测分数是最容易拿到、也最容易误导的指标。测试集污染、提示词写法、中英文表现落差、长上下文里的实际衰减，都会让同一个模型在不同榜单上差出一截。更麻烦的是，通用问答强不等于代码强，代码强不等于能稳定调用工具。

对使用方来说，另一条线往往更重要：推理成本。开放权重的好处是你能自己部署，代价是运维、显存和延迟都要自己扛。当闭源 API 的价格持续下探，这条成本曲线能压到什么位置，比多拿两分更能决定选型结果。

推天平的是谁

大概能分出三类推动者。大厂用开放权重换生态、换开发者习惯，也换招人时的话语权；创业公司把开放当差异化手段，因为闭源赛道拼算力拼不过；国家和地区层面的投入则是另一股力量，中国团队在这一层尤其活跃，Qwen 和 DeepSeek 的迭代节奏就是例子。

还有容易被忽略的下游：微调社区、推理框架、本地部署工具。模型能不能被真正用起来，很大程度上取决于这些工具链跟不跟得上。权重放出来而没人接得住，和没放出来差别不大。

讨论里反复出现的两个误读

Hacker News 上这类帖子的评论区，通常会出现两种简化。一是把“权重可下载”等同于“开源”，忽略许可证和训练资料的差别；二是把单个模型的能力等同于整个开放生态的实力，忽略工具、算力和人才。

这两种简化都会让判断偏掉。真正的格局变化，往往先出现在许可证措辞和工具链支持上，而不是排行榜的名次上。

想看清天平往哪边斜，与其等下一份榜单，不如盯三件事：许可证有没有变松，权重之外还开放了什么，以及下游工具链有没有跟着动。这三样动了，格局才算真的动了。