小米万亿模型登顶开源榜，OpenAI半价狙击Claude，DeepSeek押注华为芯片

AI行业在同一天迎来三件值得关注的事：小米开源了一款万亿参数模型并登顶开源榜、OpenAI用半价模型狙击Anthropic、DeepSeek创始人押注华为国产芯片。这三条线索背后，藏着开源竞争、价格战逻辑和算力自主的多重博弈。

小米万亿模型登顶开源榜：开源第一≠全球第一

小米正式发布并开源了MiMo V2.6系列的Pro版本，总参数量达到1.02万亿，在AI基准评测榜上拿到46分，成为分数最高的开源权重模型，与xAI的Grok 4.7持平。

但需要厘清一个关键区别：开源第一并不等于全球第一。目前领先的闭源模型各拿53分，与小米这款模型之间仍隔着7分的差距。这个差距在评测口径里看似不大，实际能力上却往往对应着显著的体验落差。

更值得警惕的是成本口径的误读。小米披露的强化学习阶段花费约262万美元——注意，这只是强化学习阶段的成本，不是总训练成本。海外不少标题已经把它简化成"300万美元练出万亿模型"。这几乎是DeepSeek^广告 V3剧本的重演：当时技术报告写的是正式训练约558万美元（不含前期研究和消融实验），最后被压缩成"600万美元做出前沿模型"。今天262万美元的口径比当年还要窄，被误读的空间自然更大。

可取之处在于开放度：权重、训练代码、技术报告全部按MIT协议放出，商用几乎没有限制。这对开源社区和二次开发者来说是实打实的利好。

所谓"开源权重模型"，指的是厂商将模型的参数文件（即权重）公开发布，任何人都可以下载、部署和修改，区别于只提供API调用的闭源模型。MIT协议是开源许可证中限制最少的一种，允许商业使用、修改和再分发，只需保留版权声明。这与另一种常见的"开源但限商用"协议（如Meta早期Llama的许可证）形成鲜明对比。权重全开+MIT协议的组合，意味着企业可以直接基于小米的模型进行微调后商业化，而无需支付授权费或受到使用限制，这对算力充足但研发能力有限的中小团队尤其有吸引力。

"强化学习阶段"在大模型训练流程中通常是最后一环，目的是通过奖励信号让模型输出更符合人类偏好的结果（即RLHF或类似方法）。它的计算量远小于前期的预训练阶段——预训练需要在海量文本上迭代数百亿次，往往占据总成本的90%以上。因此，单独披露强化学习阶段的262万美元，在技术上并无不妥，但容易被不熟悉训练流程的读者误解为全部成本。

OpenAI半价狙击Claude：价格战的熟悉剧本

美西时间9月22日上午，Anthropic和OpenAI间隔约一个半小时接连发布新模型，直接打起价格战。

Anthropic先发Opus 5.5，比自家上一代降价约两成，比更高一档的顶级闭源模型便宜约六成。Anthropic还宣称同样的任务用新模型能少花约四成，不过官方自己也强调这个数字"因任务而异"，让开发者自行测试。

大约一个半小时后，OpenAI发布Sol和Luna两个模型，未缓存价格刚好是Opus 5.5的一半。针对意味非常明显。

值得冷静看待的是：目前没有任何同一套测试框架下的公开结果，能说明这两家完成一个任务的实际成本谁更低。所有跑分都是厂商自己发布的，缺乏第三方统一基准。

这场仗国内早已打过一模一样的版本。DeepSeek带头降价后，阿里、百度、腾讯全部参战，降幅最高超过90%；然而不到16个月，又有厂商带头涨价超七成，其他厂商跟进。国内那轮的结局已经写好——先集体降价，再集体涨价。海外这轮价格战会不会走同样的路径，值得持续观察。

"未缓存价格"是理解API定价的关键细节。主流大模型API通常提供"提示词缓存"功能：当同一段系统提示或上下文被重复调用时，已缓存的部分收费更低（通常为原价的10%-25%）。厂商在对比价格时，选择"未缓存"还是"已缓存"口径，结果差异可以数倍。OpenAI此次以Opus 5.5未缓存价格的一半来标注Sol/Luna，是一种合法但对己方有利的口径选择——实际使用场景中，开发者往往会大量利用缓存，真实成本差距可能远小于2倍。这也是为何文章强调缺乏"统一基准下的成本对比"是判断价格战实质的核心障碍。

DeepSeek押注华为芯片：不得不成功的赌注

据美国科技媒体报道，DeepSeek创始人梁文锋9月21日对投资人表示，用华为等国产芯片训练公司最大的模型，是"最大的赌注之一，而且必须成功"。

为什么是"必须成功"？因为选项不多了。英伟达今年2月到4月那个季度对华数据中心业务出货直接归零，上一年同期还有46亿美元。当外部供给被切断，转向国产芯片就不再是选择题。

报道称华为预计最快在今年第四季度或明年第一季度交付新一批训练芯片，梁文锋判断华为芯片性能会在几年内追上英伟达。DeepSeek目前正在训练一个参数量远超当前主流模型的超大模型。

但转向的代价不小。据金融时报此前报道，DeepSeek尝试在华为昇腾上训练时曾遇到稳定性和互联问题，最终改回英伟达。而据早前流出的投资人会议纪要，梁文锋自己算过一笔账：训练顶级大模型换成华为昇腾，大约需要4倍于英伟达的卡量。

这意味着国产替代不仅是能不能用的问题，还是效率和成本能否追平的问题。DeepSeek这一步走得越坚决，越说明外部环境已经不允许犹豫。

华为昇腾（Ascend）是华为旗下面向AI训练和推理的芯片系列，目前主力型号为910B和最新的910C。与英伟达H100/H800相比，昇腾在单卡算力上已相差不远，但差距主要体现在互联带宽和软件生态两个维度。英伟达的NVLink/NVSwitch互联技术可以让数千张GPU高效协同，而昇腾的集群互联方案在大规模训练时稳定性和带宽均有差距，这正是文中提到DeepSeek曾遇到"稳定性和互联问题"的技术根源。软件层面，英伟达的CUDA生态经过十余年积累，拥有大量经过高度优化的算子库；昇腾对应的CANN框架起步较晚，部分深度优化的训练技巧需要重新适配，这也是"需要4倍卡量"这一效率差距的重要来源之一。

三条线索背后的共同逻辑

把这三件事放在一起看，能读出AI行业当前的几条主线：

开源在追赶，但差距真实存在。 小米万亿模型登顶开源榜是里程碑，但与顶级闭源模型7分的差距提醒我们，开源第一和全球第一之间还有实打实的距离。

价格战是竞争手段，不是终局。 OpenAI半价狙击Anthropic看似激进，但缺乏统一基准下的成本对比。国内已经演示过降价-涨价的完整周期，海外大概率也难逃商业规律。

算力自主成为战略必答题。 DeepSeek押注华为，本质是外部供给受限下的被动突围。国产芯片能否在效率上追平，将直接决定中国大模型的训练天花板。

这三条线索共同指向一个判断：AI竞争已经从单纯的模型能力比拼，扩展到成本、开源生态和算力供应链的全面博弈。