中国开源大模型： 供给与生态领先，能力、价值与治理仍在追赶

00摘要：九条可证伪的核心论断

只读这一页也够用。每条论断都写成可以被数据推翻的形式，括号内是它的主要证据层级。

1. 「引领」必须分维度判定，不能当布尔值。拆成供给规模、默认基座、前沿能力、企业价值捕获、治理与标准、商业可持续性六项后，中国在前两项明确领先、第三项快速追赶、后三项落后或未定。大样本观察 · 多源
2. 供给与生态领先是硬事实，且可复跑。Hugging Face 春季报告：过去一年中国模型占 Hub 下载 41%；ATOM Report：截至 2026-03 中国主线开放语言模型累计下载 11.5 亿次 vs 美国 7.23 亿次；2026-02 中国架构占新衍生模型 70%。三个不同口径方向一致。一手平台数据 + 学术论文
3. 真正值钱的不是下载量，是「默认基座」的锁定效应。Qwen 在 Hub 有 151,448 个衍生模型（Meta 总量的 2.6 倍、Llama 仓库的 4.7 倍），日均新增 180–210 个；2026 年 1–8 月 Qwen 下载约 20.45 亿次，是只发前沿大模型的 Moonshot（3700 万）的约 55 倍。全尺寸谱系比参数天花板更能转化为采用。一手平台数据
4. 驱动力是经济位势，不是路线信仰。178 个中国 >20B 参数发布中 59% 用 Apache 2.0、22% 用 MIT；美国同尺寸仅 29% 是宽松许可、41% 自定义条款、30% 未声明。既然收益不在许可费，就必然迁移到 API、云、芯片与私有化部署；后发者用开放换生态位是理性选择。一手平台数据
5. 技术贡献是真实的效率创新，且带约束倒逼的痕迹。MoE 把激活率压到约 3%–4%（Kimi K3：2.8T 总参、每 token 激活 16/896 专家）；混合注意力收敛到 3:1 便宜层与精确层交替；DeepSeek-V4 在 1M 上下文下只需 V3.2 的 27% 单 token FLOPs 与 10% KV cache。厂商技术报告 · 待第三方复现
6. 「开放权重」不等于「开源」，而且透明度在倒退。按 OSI 的 OSAID 1.0，旗舰模型没有一家交齐数据信息、训练代码、参数三要素；训练数据披露按下载加权从 2022 年 79.3% 降到 2025 年 39.8%；Foundation Model Transparency Index 均分 58→40，DeepSeek / Meta / Alibaba 平均仅 30。学术论文 + 指数报告
7. 前沿能力与企业预算仍在美国闭源体系。Artificial Analysis Index v5（2026-10-27，60% 私有测试集）把开放与闭源差距从 3 分拉到 12 分；已发布权重的最高分 32，落后榜首 26 分；Epoch ECI 口径下开放模型滞后约 4 个月；Menlo 报告里前沿模型支出份额 35%→63%，三家美国实验室拿走 69% 部署支出。一手评测 + 一手调查
8. 采用量在涨，价值捕获没有同步。美国企业开源模型 token 份额 11%→19%，支出份额却 6%→4%，均价一年降 3.3 倍到 $0.13/百万 token。中国模型拿下开源支出的 89%，但开源只占全部模型支出的 4%——赢了赛道，也把这条赛道的价格压了下去。一手调查 + 建模估算
9. 最缺的不是模型，是治理层与反馈闭环。15 万个衍生模型每天都在免费标注基座缺陷，但海外衍生的评测结果、失败案例、领域数据没有结构化回流通道，也缺少类似 Linux 基金会的中立模型治理组织。下一轮胜负手在这里，不在再刷一次参数上限。行业观点 · 可证伪

六维判定总表

口径提醒：41% 是 Hugging Face 上一年度下载份额；36.5% 来自夏季报告的国别拆分；72.7% 的分母是 OpenRouter 的开放模型 token；89% 的分母是开源模型支出；4% 的分母是全部模型支出。这些数字不可相加、不可互推。

01范式判定：什么才算「引领」

先把命题变成可证伪的判别式，再谈数据。否则「下载量第一」和「技术第一」会被轮流拿来支撑同一个结论。

1.1 六个判别问题

「引领全球」在日常语境里至少混了六种不同主张。把它们拆开，每一问都能找到对应的一手指标，也都能被某个数字推翻：

1.2 口径词典：最容易混淆的六个分母

本报告反复出现的数字之所以看似打架，多半不是数据错误，而是分母不同。下表是阅读后续所有章节的词典。

整理自 [S1][S2][S3][S5][S6][S11][S12]。特别提示：Hugging Face 春季报告原文只给出「中国 41%」与美国被超越的定性表述，未给美国具体百分比；36.5% 来自夏季报告的国别拆分与后续引用，引用时须标明出处差异。

1.3 演化时间轴：拐点发生在 2025 年，性质在 2026 年改变

2025 年的关键词是「追上」——DeepSeek R1 让开放权重第一次在推理任务上接近闭源前沿，中国厂商集体转向开放发布。2026 年的关键词变成「分层」——中国占住了开放权重这一层，美国把资源集中到闭源前沿与私有评测，两边不再同一赛道竞争。

1.4 概念分野：四个词不能互换

02理论根基：为什么必须是这个形状

本章不复述新闻，而是给出四条能推出具体工程动作的机理。好理论的标准是：读完知道下一步该改什么。

2.1 后发者的生态位交换：开放是经济选择，不是路线信仰

北京智源研究院副院长叶启威给了一个很干净的判据：开源与闭源之争「与其说是技术路线之争，不如说是经济选择」——开源是客户优先，先帮下游找到落地路线；闭源更关注模型本身的成长；更底层的原因是跟跑者需要靠开源占据生态位 [S18]。

这个机理可以推出一组可被证伪的预测，而 2026 年的数据恰好逐条对上：

2.2 网络效应与六周窗口：衍生模型是资产，下载量只是流水

一个团队在 Qwen 上做了一次微调，下一版项目大概率还在 Qwen 家族里选——工具链、量化版本、教程、踩坑记录、团队肌肉记忆全都是转换成本。于是每一次衍生都在降低下一次采用的门槛，形成正反馈。Hugging Face 的报告把这条反馈的另一面也量出来了：开放模型的参与度几乎在发布后立即见顶，平均参与时长约 6 周；DeepSeek 靠 V3→R1→V3.2 的连续发布维持竞争力，停滞的组织会迅速把份额让给高频更新者或领域微调者 [S1]。

这解释了一个反直觉的现象：旗舰模型拿到「点赞」，老的小模型拿到「下载」。夏季报告取 2026 年下载 top 25 与点赞 top 25，只有一个仓库同时出现在两张榜；all-MiniLM-L6-v2 七个月被拉取 15.5 亿次，却只有 5156 个赞；2026 年发布的模型没有一个进入下载 top 25，13/25 是 2022 年的老模型 [S2]。点赞衡量「这个发布重要」，下载衡量「它已经被焊进某条定时跑的流水线」。

2.3 约束倒逼效率：让单位智能更便宜，而不是让算力更多

当训练与推理的算力供给受限时，优化目标被迫从「总能力」转向「单位成本的能力」。这在工程上等价于排队论里那句常被误用的建议：应该让验证更便宜，而不是让评审更慢——压低每个 token 的计算与显存开销，比延长推理链或堆更多卡更能扩大可服务规模。2026 年中国模型呈现的技术收敛正是这条约束的影子（详见 05 章）：

• MoE 极致稀疏：总参数决定知识容量（主要吃存储），激活参数决定每 token FLOPs。Kimi K3 2.8T 总参、每 token 只激活 16/896 个专家，激活率约 3%–4%。
• 混合注意力 3:1：三家实验室独立收敛到「3 层便宜的线性/压缩注意力 + 1 层精确全局注意力」的块结构，把 KV cache 从随长度线性增长压成受控状态。
• 低精度与分发层：FP4/FP8 混合、MXFP4 权重、社区量化（GGUF）让万亿参数模型在消费级硬件上可跑；Qwen 的 GGUF 月下载 3960 万，约为 Llama 的 5 倍 [S2]。
• 可核验的效率数字：DeepSeek-V4-Pro 在 1M token 上下文下只需 V3.2 的 27% 单 token FLOPs 与 10% KV cache [S15]。

证据强度说明：架构参数与效率比来自厂商技术报告与模型卡（[S15] 及同类），属「自报 + 可复现配置」，尚未见大规模独立第三方复现；3:1 收敛的跨厂商归纳来自技术评论，属单一来源归纳，本报告标为中等强度。

2.4 Goodhart 定律与评测污染：公开榜单是会被优化掉的

当静态评测变成优化目标，它就不再是好指标。2026-10-27 Artificial Analysis 把 Intelligence Index 升到 v5，60% 权重改由私有测试集或留出答案构成（新增 FrontierCode 2.0、Terminal-Bench-Science，升级 HLE-Diamond 等）。结果不是某一家的排名变化，而是开放与闭源的整体差距从 3 分扩大到 12 分：v4 时代看起来接近追平的开放权重模型，在更难被记忆的任务上露出了真实距离 [S6]。

这不是「作弊」的指控。训练语料吸收了互联网上公开的题目与解法，风格模仿与窄域优化会在公开榜单上产生系统性高估；v5 的设计正是对这一机制的工程回应。代价同样真实：私有测试集无法被外部检查错误、歧义或捷径，于是「更可信的分数」与「更不可复核的分数」同时出现。

2.5 权力扩散之后是再集中：别把「去中心化」写进结论

MIT 与 Hugging Face 联合的《Economies of Open Intelligence》用 851,000 个模型、200+ 属性、22 亿次下载、2020-06 至 2025-08 的完整周度日志，测出的是一次双向运动：Google / Meta / OpenAI 等美国大厂的主导性显著下降，独立或无隶属开发者的下载占比从 17% 升到 39%，产业在开发中的份额从约 70% 降到 37%；但作者同时警告，DeepSeek 与 Qwen 的崛起「可能预示着市场力量的新一轮整合」[S4][S1]。

集中度数据支持这个警告：Hugging Face 上约 85.6% 的模型终身下载不足 200 次，1.5% 的仓库占 99.2% 的下载；春季报告里 top 200 模型（0.01%）占 49.6% 下载 [S2][S1]。开放降低了进入门槛，却没有自动带来均匀的分布。

03证据全景（一）：供给与生态，领先是真的

本章回答 Q1。三条互相独立的口径给出同向结论，这是整份报告里置信度最高的部分。

3.1 三条独立证据链

三条链条分别来自「平台下载」「主线模型历史追踪」「推理 token」，样本构建不同、去噪方法不同、归国规则不同，却在 2025 年夏到 2026 年初同时给出「中国反超并扩大差距」的结论。这种方法多样性下的一致性，比任何单个大数字都更有说服力。

3.2 反证据：下载量是最容易被高估的指标

承认领先，同时必须承认这个指标的天花板。以下五条是同一批一手报告里给出的自我修正：

1. 下载 ≠ 部署。ATOM 作者明确写道「downloads measure interest, not production use」，并用 2.5×IQR 过滤 CI/CD 管道与机器人造成的日下载尖峰 [S3]。
2. 下载 ≠ 关注度。夏季报告 top 25 双榜只有 1 个重合；2026 年发布无一进入下载 top 25 [S2]。
3. 结构极度偏斜。85.6% 的模型终身下载 <200 次，1.5% 仓库占 99.2% 下载；<1B 小模型占全时下载 83%，>100B 只占 1% [S2]。
4. 企业侧另有分母。Menlo 对近 400 位美国企业决策者的调查显示，开源模型占生产 token 19%、占模型支出 4%；Linux Foundation 的 63%「使用开放模型」与 Menlo 的 11%「企业 API 份额」并不矛盾——一个是「栈里有没有」，一个是「钱花在哪」[S5][S13]。
5. 归国规则会失真。Epoch 的 964 个开放权重语言模型里，美国 461 条、中国 333 条、法国 70 条、145 条跨国多标签；一个模型常同时记多个国家，总部字段不等于贡献者网络 [S14]。

3.3 口径冲突处理：几组被广泛混用的数字

同一件事出现多个数字时，本报告不做「取最大值」，而是先做数量级反推，再标明各自分母。下表是本轮核查中冲突最明显的四组。

3.4 证据强度阶梯

越往下越接近「价值与能力」，也越需要谨慎：L1–L3 是平台可复跑的观察，L4–L5 依赖调查样本与自底向上建模，L6 依赖无法被外部复核的私有测试集。「中国领先」的成立范围主要覆盖 L1–L3。

04默认基座之争：Qwen 为什么比参数天花板重要

本章回答 Q2。生态领先不是靠一次最强发布，而是靠「让别人的下一个项目仍然从你开始」。

4.1 两种产品策略，差 55 倍

Hugging Face 夏季报告把中国实验室分成两派：Moonshot、MiniMax、小米、Z.ai 几乎不发 70B 以下的模型，开发者的第一次接触就是一个自己跑不动的巨物；腾讯与阿里 Qwen 则覆盖从 <1B 到万亿的全尺寸。报告用同一年度的下载量给出了结果：Moonshot 的前沿-only 组合约 3700 万次下载，Qwen 的全谱系组合约 20.45 亿次，相差约 55 倍（含全部仓库为 20.61 亿）[S2]。

这不是能力差距，是可触达面积的差距。一个 0.6B 模型会进入手机、边缘设备、CI 流水线和教学代码；一个 27B 模型刚好落在单张消费卡上；一个 2.4T 旗舰主要靠托管 API 被使用。三者共享同一套 tokenizer、模板、工具链与文档，让开发者在算力变化时不必更换家族。

4.2 飞轮的四个齿轮

四个齿轮合起来的结果是一个自增强回路：尺寸越全 → 愿意微调的人越多 → 衍生、工具、教程、量化版本越多 → 下一批人再选底座时还是它。ATOM 报告据此提出相对采用指标 RAM（把模型下载量按同尺寸类别前 10 名基准归一化），并给出对生态深度最直接的结论：长期采用由「家族深度」驱动，而非某一次顶尖发布 [S3]。

4.3 许可证是分发策略，不是法律细节

如果前沿模型是许可生意，最大型号应该带最紧的条款。数据给出的却是相反的图景 [S2]：

4.4 但宽松不是永久承诺：收入门槛正在回来

夏季报告在结论里留下了一个转折：「最近几周，我们看到这一趋势在真正的大模型上开始改变」——Kimi K3 与 Qwen3.8 2.4T 开始加入非商业限制与收入分成要求；与此同时 DeepSeek 与 Z.ai 仍以纯 MIT 发布 700B–1.65T 模型 [S2]。行业访谈给出的条款细节包括月活、月收入标注义务与 MaaS 转售阈值等「成功惩罚条款」：早期无感，恰在业务跑通那一刻触发 [S21]（二手访谈，选型时须逐版本核对 LICENSE 原文）。

这构成一条明确的风险线：按今天的业务规模评估许可合规成本，会系统性低估三年后的成本。许可证必须按「目标规模」而不是「当前规模」审。

4.5 反证据：谱系策略的代价与锁定风险

• 维护成本被隐藏。470+ 款模型意味着 470+ 套文档、评测、安全补丁与废弃策略；Hugging Face 测得平均参与时长约 6 周，停止更新的组织会迅速失份额 [S1][S18]。
• 版本碎片化。衍生模型多不等于质量高；RedMonk 对约 290 万个 Hub 模型的扫描发现近 70% 根本没有许可证标签，标签只是筛查信号、不是法律清理结论 [S14]。
• 采用者承担升级跑步机。「免费权重不是免费系统」：GPU、运维、每次升级的重新评测、何时迁移的决策全由使用方承担；为独立性而采用开放权重却永不升级，结果比被供应商锁定更糟 [S20][S23]。
• 事实标准也是锁定。当 69% 的新微调基于同一家族，tokenizer、模板与工具链的迁移成本就成了新的护城河。这与 2.5 节的「再集中」警告是同一件事 [S3][S4]。

05技术解剖：效率创新是真的，边界也是真的

本章回答「凭什么」。四层技术收敛共同压低单位智能成本，但它们擅长的是成本与吞吐，不是开放式科研推理。

5.1 四层技术栈

证据强度分层：模型卡与技术报告中的参数量、上下文长度、许可证属「可复核配置」；FLOPs / KV cache 比值属「厂商自报，配置可复现但缺独立复测」；跨厂商 3:1 收敛属「技术评论的单一来源归纳」。三类不可混为同等强度。

5.2 2026 年主要开放旗舰：参数与激活

整理自 [S15] 及同类模型卡 / 技术报告、[S2][S24]。参数与配置为厂商自报；不同模型的「总参数」统计口径（是否含 embedding、共享专家）不完全一致，不做横向精度比较。

5.3 价格：差距真实存在，但要看清分母

5.4 理论回扣：效率创新的能力边界

2.3 节说约束倒逼效率。但效率创新优化的是「给定能力下的成本」，不是「能力上限本身」。AA v5 的科目分布把这个边界画得很清楚：开放权重模型在有明确用户需求、可验证反馈的任务（如终端操作、常规编码）上最接近前沿，在开放式科学推理、多跳深推理上差距最大 [S6][S24]。这提示一个可检验的假设：稀疏化与压缩注意力在「可规格化任务」上几乎无损，在「需要长程探索与自建验证」的任务上仍有结构性代价。目前缺独立复现，本报告把它列为待验证假设而非结论。

06能力真相：把评测换成私有留出集之后

本章回答 Q3，也是全篇最重要的反证据。2026 年 10 月的一次方法论变更，把「接近追平」的叙事整个改写了一遍。

6.1 一次可复现的方法论冲击

Artificial Analysis 于 2026-10-27 发布 Intelligence Index v5：60% 的分数改由私有测试集或留出答案构成，新增 FrontierCode 2.0（Cognition 的 132 个真实开源仓库任务，按「维护者是否会合并这个改动」判分）与 Terminal-Bench-Science（70 个终端环境下的智能体科研任务，全部验证通过才算过），并升级 HLE-Diamond、AA-Omniscience v1.1、CritPt v2。四类科目各占 25% [S6]。

6.2 差距集中在哪类任务

来源：[S6]。这张表同时给出正反两面：开放权重不是「全面落后」，在终端操作等有明确验证信号的任务上已能夺单项第一；差距主要出现在开放式科研、深推理与知识密集任务。

6.3 其他独立口径：差距是「几个月」而不是「几倍」

6.4 正反并列的解读

还有一个容易被忽略的测量偏差：新发布的开放模型往往被较晚评测，重大发布后测得的差距会暂时显得更大 [S8]。因此「12 分」不应被读成永恒鸿沟，但也不能被「下次发布就会追平」一句话抹掉。本报告的判定是：能力层面快速追赶、尚未引领，且领先位置不是稳态。

07价值流向：赢了赛道，也压低了赛道的价格

本章回答 Q4。Menlo Ventures 2026 年企业 AI 报告提供了一手支出侧数据，它与下载量叙事构成整份报告里最强的一组张力。

7.1 先说清这份调查能代表谁

发布

Menlo Ventures《2026: The State of Enterprise AI》，2026-11-03，第四份年度报告 [S5]

样本

Morning Consult 于 2026-09-08 至 09-26 调研近 400 位美国企业决策者，其负责的 AI 支出合计超 40 亿美元

方法

LLM 份额＝按生产 API 用量比例估算的支出，并按 AI 支出加权；token 价格来自自底向上模型，用 OpenRouter、Ramp、Vercel 三角验证；市场规模为年化 run rate

边界

不是全球样本；低估自托管部署；OpenRouter 用户更偏个人开发者与初创，与企业买家不是同一人群

7.2 量价背离：所有柱共用同一刻度

原文一句话概括得很准：开源模型现在处理约五分之一的 token，却只拿到约二十五分之一的模型支出。具体数字：开源 token 份额 11%→19%，支出份额 6%→4%，开源 token 绝对量增 22.5 倍至约每月 2.9×10¹⁵ token（快于闭源的 12.1 倍），但均价一年降了 3.3 倍到 $0.13/百万 token，闭源混合价只降 24% 到 $0.70 [S5]。

7.3 「89%」与「4%」必须同时引用

Menlo 的小标题是「中国模型主导开源支出」：中国模型占开源支出的 89%，其中 Kimi 61%、DeepSeek 15%、GLM 11%、Qwen 3%，最流行的西方开放模型 Llama 只有 7% [S5]。这是「中国引领」在价值侧最强的一条证据。

但同一份报告还有三条必须并列的分母：

• 开源只占全部模型支出 4%；89% × 4% 意味着中国模型在美国企业模型支出里的量级约 3.6%（此为按口径直乘的示意，不是报告给出的数字）。
• 包含 Grok 4.7 与 Kimi K3、DeepSeek V4、GLM-5.3 在内的「近前沿」模型，合计在企业 LLM API 支出里不到 5%。
• 前沿模型支出份额 35%→63%，Anthropic / OpenAI / Google 三家拿走 69%（1227 亿美元） 的全部部署支出；企业 LLM API 支出里 Anthropic 55%、OpenAI 31%、Google 9%，两家合计 86% [S5]。

7.4 量、价、值三者不同步的三个佐证

7.5 变现路径与可持续性：模型能力不是护城河

开放权重把模型本身变成获客渠道，收入向外迁移到四条路径：托管 API 与推理云、私有化部署与行业交付、云与芯片协同、以及后训练 / 评测 / 工具链服务。行业研究的判断相当一致：单靠模型能力难以维持正毛利，托管 API 定价权被低价供给与云厂商挤压，商业许可在中国开源模型里并非主流收入，私有化部署毛利较好但窗口在收窄 [S19][S24]。Menlo 的数据则从需求侧印证了服务层的机会：后训练采用率从 2025 年 6% 升到 2026 年 10%，而其中 91% 依赖外部伙伴（推理基础设施 50%、专家数据与评测 41%、 specialist 30%，多选）[S5]。

08落地实践：谁真的在用，证据有多硬

本章把流传甚广的「西方企业迁移清单」逐条分级。有意思的是，最可靠的案例恰恰来自一手企业支出报告，而不是社交媒体的对照表。

8.1 案例证据强度分级

8.2 为什么开放权重在主权场景里天然占优

Hugging Face 春季报告把机理写得很清楚：开放权重允许政府与公共机构在本国法律框架下用本地数据微调，允许部署在国产硬件上以减少对外国云基础设施的依赖，也让监管审查与公共问责有可检视的对象 [S1]。这与中国 2026 年的政策供给形成呼应：

对算力和资本有限、又希望保留本地部署与二次开发能力的机构，开放权重是「能自己持有」的唯一选项。这也是 04 章「宽松许可 + 全尺寸谱系」在国际市场的直接兑现方式。

8.3 三条共同机理，三条边界

09定义审计：「开源」这个词，两边都没达标

本章回答 Q5。中国引领的是权重分发，不是可复现、可问责的开放。这个区分不是文字游戏，它决定了第三方能不能审计、企业能不能合规、生态能不能回流。

9.1 OSAID 1.0：三要素与尴尬的验证结果

OSI 于 2024-10 发布的 Open Source AI Definition 1.0 要求「修改的首选形式」包含三组要素：数据信息（足够详细，使熟练者能构建实质等价系统）、代码（训练与运行的完整源码）、参数（权重、配置、检查点）。因此一份以 Apache 2.0 / MIT 发布的权重文件是「许可宽松」，但单独并不构成 OSAID 意义上的开源 AI [S10]。

LF AI & Data 的 Model Openness Framework 提供了更实用的替代：按 17 个发布组件分三级（open model → open tooling → open science），开放度是谱系而不是二元标签 [S14]。按这把尺子，2026 年旗舰发布普遍停在第一级：权重、架构、文档给了，训练数据与训练流水线没给。

9.2 透明度不是在改善，是在倒退

FMTI 的分化尤其值得注意：IBM 拿到 95 分，xAI 与 Midjourney 各 14 分；而三家最有影响力的开放权重开发者 DeepSeek、Meta、Alibaba 平均只有 30 分。「开放权重」并不自动带来「可问责」——这是「权重公开＝透明」这一直觉的直接反证 [S9]。同时 RedMonk 2026-05 扫描约 290 万个 Hub 模型，近 70% 完全没有许可证标签；标签只是筛查信号，不是法律清理结论 [S14]。

9.3 许可尽调清单：按三年后的规模审，不按今天审

• 看协议名，不看「开源」二字。逐版本打开 LICENSE 文件；同一家族不同版本条款可能完全不同。
• 查商业阈值与「成功惩罚条款」。月活、月收入标注义务、MaaS 转售分成阈值，早期无感、业务跑通时集中触发 [S21]。
• 查可修改范围与衍生定义。是否限制用输出训练竞品、是否要求保留品牌标注、是否把可接受使用政策传递给下游。
• 查适用法律与语言版本优先级。双语许可若约定某语种文本优先，争议解决地会改变合规成本 [S22]。
• 查持续供应。是否有稳定版本维护、废弃策略与安全补丁；Hugging Face 测得平均参与时长约 6 周，停滞即失份额 [S1]。
• 查上游数据权利。权重许可宽松不等于训练数据、商标、隐私义务已完成清理；OSAID 要求三要素齐备正是为此 [S10][S14]。

[S21][S22] 为行业访谈与评论，属二手观点；条款细节必须以目标版本 LICENSE 原文与法务意见为准，本报告不构成法律意见。

9.4 真正缺的那一层：把 15 万次免费标注收回来

每一次社区微调，都是对基座缺陷的一次免费标注；衍生模型越多，可获得的反馈越丰富。但按行业访谈的判断，当前缺少把海外衍生模型的评测结果、失败案例、领域数据结构化回流到基座训练的机制，也缺少类似 Linux 基金会或 PyTorch 基金会的中立模型开源治理组织。提出的升级方向是把开源从「发布权重」扩展为「权重 + 评测集 + 贡献接收通道」，建立开放中立的治理层 [S21]。

对照来看，规则与元数据基础设施主要由 OSI、Linux Foundation、RedMonk、Stanford CRFM、Epoch AI 等提供；中国侧的优势在供给、场景合作与能力建设（八项行动、普惠算力、多边平台），在中立治理组织、评测方法定义权、机器可读元数据规范上仍是后来者 [S4][S9][S10][S14][S17]。这是六维判定里把「治理与标准」判为落后的核心依据。

9.5 合规与供应链风险：把它当采购变量，不当立场问题

10度量体系与反模式清单

研究类交付物的价值在可行动性。本章把前面所有数字整理成一套不会被 Goodhart 定律反噬的指标，并列出最常见的十二个错误。

10.1 三层指标：从「被看见」到「被采购」

10.2 反 Goodhart 五原则

1. 单一指标不当验收标准。公开榜单只用于缩小候选集；任何「差 3 分」或「差 12 分」都是方法相关的测量，不是能力本身 [S6]。
2. 留出集不公开、不复用、定期轮换。30–50 条来自真实业务、有已知正确答案的样例，是性价比最高的一小时投入 [S20]。
3. 按「每完成任务成本」核算，不按每 token 单价。v5 里同一批头部模型的每任务成本相差 13 倍以上；便宜模型如果多花三倍推理与重试，可能更贵 [S6]。
4. 建模值与实测值显式分离。企业份额、市场规模、价格多为自底向上建模估算；平台下载与评测分数是观察值。两者在表格里分列、在结论里不混用 [S5][S14]。
5. 每个数字带三个标签：年份、分母、证据强度。没有分母的百分比不进结论——这是本报告处理 41% / 89% / 4% / 72.7% 的统一规则。

10.3 反模式清单：症状与修正

10.4 观点与共识分离

11可执行物：决策树、成熟度阶梯与 90 天清单

本章不新增证据，只把前十一章的结论变成可以直接拿去开会的东西。

11.1 模型选型决策树

按顺序判断，命中即停。每行给的是默认起点，不是禁令；任何分支都要求先跑私有留出集。

11.2 成熟度阶梯：从「下载过」到「可维护、可回流」

11.3 90 天行动清单

11.4 资源配比建议（观点，不是数据）

11.5 一页检查清单

• 每个引用数字都写清年份、分母、证据强度
• 「关注」与「依赖」用两条曲线分别监控
• 公开榜单只缩候选，私有留出集做门禁
• 成本按每完成任务核算，含重试与人工复核
• 许可证按三年后规模审，并留存版本快照
• 至少两家可替换后端，权重与配置自留档
• 版本升级有回归流程与明确 SLA
• 失败案例与领域数据有结构化回流通道
• 建模估算与实测观察在报告里分列
• 结论里显式标注「这是观点，不是共识」

12结论与失效条件

最后一层：把事实、判断、行动分开写，并给出「什么情况下这份报告应该被推翻」。

12.1 三层结论

12.2 失效条件：出现以下任一情形，应修订本报告结论

12.3 未来 6–12 个月值得盯的三个数

13参考来源与证据分级

按证据类型分组。中文二手转述仅用于线索发现，所有关键数字均已回溯至下列一手来源；不同口径的数字在正文中并列展示而不合并。

证据强度分级说明

本报告主题不涉及随机对照试验，故最高可用强度为「大样本观察 / 受控评测」；凡引用「单一案例」或「建模」，正文均显式标注。

A 组 · 一手研究报告、评测与调查

B 组 · 方法、元数据与厂商技术资料

C 组 · 中文官方、行业与媒体口径（线索级）