开源大模型新里程碑：逼近闭源顶尖水平

今年陆续发布的新一代开源大模型，在多个公开基准上已经非常接近闭源旗舰产品的水平。对行业来说，这不只是“又多了一个免费模型”那么简单，而是改变了很多企业做 AI 落地的成本结构。我们试着从第三方视角，把 hype 和 reality 分开看。

差距在哪些维度缩小了

最直观的是知识问答、代码生成、数学推理这类“标准化考试”场景。新一代开源模型在 MMLU、HumanEval、GSM8K 等基准上，与闭源第一梯队的差距从过去的十几分缩小到几分以内，部分子集甚至反超。对绝大多数日常任务，普通用户很难感知到体验差异。

更重要的是推理效率。多家团队通过更优的架构设计（如混合专家 MoE、更长的上下文窗口、量化友好结构），让开源模型在消费级显卡上也能跑出可用延迟。这让“本地部署”从极客玩具变成了中小企业的现实选项。

不能因为榜单接近就认为“开源已平替闭源”。在几个关键维度上，闭源产品仍明显领先：一是多模态融合深度（图、文、音、视频联合理解），二是工具调用与 Agent 编排的稳定性，三是对长尾、高风险场景的护栏能力。

此外，开源模型的实际表现高度依赖部署方的工程能力。同样的权重，懂量化和推理优化的人能跑出 90 分，新手可能只有 60 分。闭源 API 则把这部分复杂度隐藏掉了，开箱即用。所以“开源免费”不等于“总拥有成本低”。

对数据敏感型企业（金融、医疗、政企），开源模型最大的价值是“数据不出域”。可以把模型放在内网跑，既满足合规，又能享受接近旗舰的能力。这类需求在过去被闭源 API 的合规风险挡在门外，现在有了更从容的选择。

对创业公司而言，开源降低了试错成本：早期用开源模型验证产品形态，跑通后再按需要切换到更强模型或自研，是更健康的迭代路径。我们观察到不少团队正是这么做的。

每逢新开源模型发布，总伴随“吊打 GPT/Claude”的标题。我们的建议是：看具体任务、看部署条件、看长期维护。一个模型开源后能否持续迭代、社区生态是否活跃，往往比发布时的跑分更决定它的真实生命力。

一句话总结：开源正在“够用”，但还没到“全面更好”。对大多数务实团队，最佳策略是开源闭源组合用，而不是二选一。

免责声明：本文基于公开基准与社区反馈整理，模型能力随时间快速变化，具体选型请以最新实测为准。文中不涉及对任何特定商业产品的背书。