文章核心观点 - 2025年AI行业正经历从追求“跑分”到建立“信任”的深刻范式转变，行业共识是开源模型正从“可选项”成为“默认使用的必选项”[1] - 衡量模型的标准正从“选秀式逐冠军”转向“基建式找伙伴”，模型的基础能力是入场券，而由评测、部署、交付三个维度构成的“信任”是AI融入业务流程的通行证[2][3] - 行业已出现从“技术玩具”到“生产工具”的拐点，驱动力量从“新奇”变为“信任”，未来竞争核心将是业务可靠性、卓越运营、可控性、安全性与可观测性[12][31] 行业趋势：从尝鲜到留存，生产力拐点已现 - 开源模型调用量在关键发布后，首次实现了“峰值后高位平稳”，而非断崖式下跌，标志着真实使用和留存的开始[5][15] - 开源权重模型的token份额在2025年底稳定突破了平台总量的三分之一[5] - 用于复杂推理、规划和代理任务的“推理类模型”调用量爆炸式增长，其token消耗份额从2024年底几乎可忽略不计飙升至超过50%[8] - API调用的平均任务长度显著上升，从2023年后期不足2000 tokens增长到2025年后期超过5400 tokens，表明真实世界的复杂任务正稳定交给AI完成[8][9][12] 评测体系：从分数游戏到多维共识 - 模型发布初期，赢得关键榜单头筹仍是获取关注的“入场券”[13] - Kimi K2 Thinking是2025年典型代表，在Artificial Analysis的Intelligence Index上获得开源模型最高分，并在LMSYS Chatbot Arena开源模型中排名第一，从而获得全球关注[14][18] - 行业正形成多维评测体系，主要包括两类： - **数据驱动型**：以Artificial Analysis为代表，采用“智能指数+成本指数”双轴框架评估“性价比”，涵盖智能度、成本、可控性、生态适配度[20] - **使用实证型**：以OpenRouter为代表，基于其积累的100T tokens真实调用数据，评测模型在生产中的成功率、序列长度、调用失败率等，峰值后的高位调用量是产品力最直接证明[22] - 资深从业者的实际选择成为新维度，如前OpenAI CTO创办的公司在其产品中集成Kimi K2 Thinking以支持复杂推理[18] 部署能力：产业化与成本透明化 - 可部署性是建立信任的第二地基，企业关注“跑得起、跑得稳、跑得久”[24] - 硬件支持取得突破，NVIDIA数据显示Kimi K2 Thinking、Qwen2等MoE模型在GB200 NVL72架构上实现了10倍推理加速，同时每token成本降低90%，证明其大规模产业化部署潜力[24] - 云端推理平台推动部署成本透明化，如Fireworks、Together、OpenRouter公开每百万tokens的精确报价，使模型调用像云计算资源一样“明码标价”[24] 交付保障：治理、观测与复现 - 交付是确保模型在企业环境中“跑得稳”的最后一公里，关乎可治理、可观测、可复现[25] - **可治理**：2025年Q4，AWS、Azure、Google Cloud三大云厂商几乎同时将Claude、Kimi、Mistral等顶级模型纳入其企业级托管服务，使模型可通过统一API调用并享受平台的安全、权限管理和SLA保证，正式进入企业IT治理框架[26] - **可观测**：行业在工具调用可观测性上取得进展，OpenRouter推出的exacto系统能量化和监控模型在工具调用任务上的表现方差，通过遥测数据确保稳定性和一致性[27] - **可复现**：行业迈出关键一步，例如Hugging Face展示的Kimi K2 Thinking应用示例清晰记录了模型执行多步工具链的全过程trace，使模型能力进入“流程可复现、任务可交付”阶段[30] 未来展望：业务可靠性与卓越运营 - 2026年的关键词是“卓越运营”，未来焦点将是任务完成率、生产稳定性以及与真实工作负载的对齐[31] - 未来竞争的核心不再是智能度，而是可控性、安全性与可观测性[31] - 赢得信任的模型才可能成为真正的生产力，信任的建立是工程化的结果[32]

模型发布与定位 - 公司于12月1日同时发布DeepSeek-V3.2和DeepSeek-V3.2-Speciale两款模型[2] - 标准版主打性价比与日常使用，推理能力达到GPT-5水平，并首次实现边思考边使用工具[5] - 终极增强版面向AI能力上限探索，性能媲美Gemini-3.0-Pro，在2025年IMO、IOI、ICPC中均获金牌，但服务至2025年12月15日截止[5] 技术架构创新 - 引入稀疏注意力机制，通过闪电索引器只关注重要部分，支持128K上下文长度且处理速度和效率大幅提升[10][12][13] - 后训练阶段投入的计算预算超过预训练成本的10%，并构建了稳定且可扩展的强化学习训练框架[14][15] - 训练流程采用专家蒸馏和混合强化学习训练，避免灾难性遗忘问题，统一提升不同任务领域的性能[16][18] 工具调用与思考融合 - 设计思考上下文管理机制，允许AI在思考过程中保留历史推理内容，实现边思考边调用工具[23][24] - 该机制使模型在复杂任务中可反复查询信息并进行逻辑推理，例如规划满足多重约束的旅行方案[24][25] - 通过冷启动设计，将带推理过程的非智能体数据与无推理过程的智能体任务数据结合，实现能力融合[28] 自动化训练体系 - 搭建大规模智能体任务流水线，创造超过1800个虚拟环境和8万多条任务，实现AI自己训练自己[30][31] - 代码领域直接从GitHub抓取真实Issue和修复补丁，让智能体搭建测试环境确保修bug有效[32] - 通用智能体能自动生成任务、工具和验证逻辑，创造出上千个环境和任务，实现自我进化[32] 性能测试结果 - 在MMLU-Pro测试中达到85.0，GPQA Diamond达到82.4，LiveCodeBench达到83.3，推理能力直逼GPT-5[33] - 在AIME 2025数学竞赛中达到93.1，HMMT Feb 2025达到92.5，数学能力接近顶级模型[34] - Speciale版本在ICPC世界总决赛排名第2，IOI排名第10，达到金牌水平[37][38] 行业竞争地位 - 开源模型在推理能力上追平GPT-5，实现思考与工具调用的完美融合，显著缩小与闭源模型的差距[47][48] - 模型完全开源，任何人都可部署到自己的服务器进行研究或二次开发，推动AI技术普及[49] - 公司证明开源模型不是闭源的廉价替代品，而是可以真正接近甚至超越闭源模型的存在[47]

核心观点 - DeepSeek发布了两款开源模型DeepSeek-V3.2和DeepSeek-V3.2-Speciale，其推理能力分别直逼GPT-5和Gemini-3.0-Pro，并解决了开源模型长期存在的“深度思考”与“工具调用”难以协同的核心瓶颈 [1][4][5] 模型发布与定位 - 发布了两款模型：主打性价比与日常使用的标准版DeepSeek-V3.2，以及面向AI能力上限探索的终极增强版DeepSeek-V3.2-Speciale [1][5] - 两款模型的权重已在HuggingFace和ModelScope上开源，可供下载和本地部署 [3] - 标准版已升级至官网、APP和API，适用于日常问答、写作和智能体任务；增强版仅提供临时API，服务至2025年12月15日截止 [5] 技术创新与架构突破 - 针对开源模型处理复杂任务的三大瓶颈（架构问题、资源分配、智能体能力）提出了三项关键技术 [4] - 引入稀疏注意力机制，通过“闪电索引器”只关注文本中真正重要的部分，大幅提升了处理长上下文（128K）的速度和效率，且性能不输甚至优于传统注意力机制 [4][7] - 在后训练阶段投入的计算预算超过了预训练成本的10%，并构建了“稳定且可扩展的强化学习训练框架”以保证训练稳定性和可扩展性 [8] - 训练流程采用“专家蒸馏”和“混合强化学习训练”两步法，在数学、编程等六大专业领域训练专家模型生成数据，并使用GRPO算法统一训练推理、智能体和人类偏好对齐任务，避免了“灾难性遗忘” [8][10] 核心能力：思考与工具调用的融合 - 新模型首次实现了“边思考边用工具”，解决了以往模型进入思考模式后无法调用工具的尴尬问题 [5][12] - 专门设计了“思考上下文管理机制”：仅在用户发出新消息时清除历史推理内容，工具调用历史和结果会保留，使得AI可以反复查询、思考、验证，无需从头开始 [13] - 通过“冷启动”设计，利用已有的带推理过程数据和无推理过程的智能体数据，通过提示词让模型在推理中自然整合工具执行 [16] 性能表现与基准测试 - 在多项基准测试中，V3.2的推理能力追平GPT-5，Speciale版本性能逼近甚至超过Gemini-3.0-Pro [11][20] - 具体测试数据：在AIME 2025测试中，V3.2得分为93.1%，Speciale为96.0%；在HMMT Feb 2025测试中，V3.2为92.5%，Speciale为99.2%；在LiveCodeBench测试中，V3.2为83.3%，Speciale为88.7% [22] - 在智能体能力测试上，V3.2在开源模型中达到最高水平，大幅缩小了与闭源模型的差距，在τ²-Bench测试的航空、零售、电信类别分别获得63.8分、81.1分和96.2分 [22] - Speciale版本在未进行专项训练的前提下，在2025年IOI排名第10，ICPC世界总决赛排名第2，并在IMO和CMO达到金牌门槛 [24][25] 训练方法革新：AI自我进化 - 公司搭建了大规模智能体任务流水线，创造了超过1800个虚拟环境和8万多条任务，特点是“难解答，但容易验证”，让AI可以无限制地自我训练 [17] - 流水线包含代码智能体（24667个任务）、搜索智能体（50275个任务）、通用智能体（4417个任务）和代码解释器（5908个任务）等角色，负责挖掘问题、生成答案和验证答案 [18] - 在代码领域，直接从GitHub抓取真实Issue和修复补丁，让智能体搭建测试环境验证修复有效性，使模型获得可实战的编程能力 [18] - 通用智能体可以自动生成任务、工具和验证逻辑，实现了“AI创造数据、验证数据、用数据变强”的自我进化过程 [19] - 实验验证了该方法的有效性：在50个合成智能体任务实例中，仅使用合成任务进行强化学习的V3.2基础模型表现显著提升 [26][27] 当前局限与未来方向 - 与顶级闭源模型（如Gemini-3.0-Pro）相比，V3.2在世界知识覆盖广度上仍显不足，部分原因是训练总浮点运算量更少 [30] - V3.2的Token使用效率低于Gemini-3.0-Pro，往往需要更长的生成路径才能达到相似输出质量，未来需优化推理链的“智能密度” [30] - 在解决复杂任务方面，V3.2仍不及最前沿模型，这促使公司计划进一步优化底层基础模型与后训练方法 [30]

公司战略与产品进展 - 公司近期发布最新版本开源思考模型Kimi K2 Thinking [1] - 公司CEO回应称模型训练成本460万美元并非官方数字 因大部分投入花在研究与实验上导致成本难以量化 [1] - 针对模型推理长度过长及榜单成绩与实际体验不符的质疑 公司表示现阶段优先考虑绝对性能 token效率与榜单脱节问题将在后续改善 [1] - 公司未来很长一段时间内仍将坚持开源策略 重点推进Kimi K2 Thinking模型的应用与优化 [4] - 公司在优先发展文本模型的前提下兼顾多模态模型推进 尝试通过架构创新 开源策略与成本控制建立差异化优势 [4] 行业竞争格局 - 中国开源大模型在国际市场调用量显著 OpenRouter榜单前二十名中中国开源模型占据五席 包括MiniMax M2 DeepSeek V3 GLM4.6等 [2] - 公司产品因OpenRouter平台接口问题 目前仅能以API形式被使用 [2] - 行业头部模型训练数据量庞大 榜单显示Grok Code Fast 1训练token达1.36T 而Claude Sonnet 4.5为649B tokens [4] 技术资源与基础设施 - 公司团队使用携带InfiniBand技术的H800 GPU进行模型训练 尽管其性能比不上美国高端卡且数量处于劣势 但每张卡均被极致利用 [2]

模型发布与市场反响 - MiniMax发布全新模型MiniMax M2并依据MIT协议全面开源其完整权重 [1] - M2模型发布后访问量远超预期，平台一度因访问过载导致服务成功率降至约90%，经扩容后恢复至约99%的稳定水平 [4] - M2已登上OpenRouter全球调用量第5位及国内模型第1位，并位列Hugging Face Trending榜单第2位 [5] 模型性能与技术特点 - M2在权威测评榜单Artificial Analysis中取得全球第五、开源第一的成绩，其智能水平接近GPT-5（high）与Claude Sonnet 4.5等顶级模型 [7] - M2总参数约2300亿，单次激活约100亿参数，采用全注意力+MoE架构，专注于代码生成、工具调用等可执行型Agent任务 [15] - 在模型性能、推理速度与成本的综合平衡上表现突出，在'性能、速度、成本'的不可能三角中找到了平衡点 [10] 核心能力表现 - 在代理能力方面，M2能够出色地规划并执行复杂的工具链，协同调用Shell、浏览器、Python代码执行器等工具，并具备自我纠错与恢复能力 [10] - 在编程能力方面，M2具备强大的端到端开发能力，包括多代码文件处理、执行"编码-运行-调试"的完整循环 [10] - 在深度搜索能力方面，M2在Xbench-DeepSearch基准上全球前二、仅次于GPT5，在金融搜索基准FinSearchComp-global上全球前二、仅次于Grok4 [11] 产品定位与迭代路径 - 相较于前代模型M1（总参数约4560亿，激活约459亿参数）专注于长文本和复杂推理，M2完全面向Agent时代的执行任务 [12][13][14][15] - M2在设计路线上放弃了M1的混合注意力机制，选择了全注意力+MoE路线，以更好地应对Agent场景中多步骤、长链条的复杂推理 [14][15] - 公司当前将M1和M2视为平衡不同场景的两类模型：M1强调"能想很久、能读很长"，M2强调"能执行、且便宜" [15] 商业模式与产品生态 - 公司维持全球范围的限时免费开放策略，为开发者提供高性能的Coding与Agent能力 [5] - M2模型的输入侧费用为每百万Token约0.30美元，输出侧为每百万Token约1.20美元，约为Claude 4.5 Sonnet价格的8% [15] - 公司自研的Agent产品已全面切换到M2模型驱动，并推出专业模式（擅长全栈开发/deep research/PPT制作）和高效模式（擅长chat问答/轻量级搜索/轻量级代码）两种模式 [16]

模型性能与排名 - 在第三方评测机构Artificial Analysis的测试中，Minimax M2以61分获得开源模型第一，总排名第五 [1][7] - 该测试使用了10个热门数据集，包括MMLU Pro、GPQA Diamond、人类最后测试、LiveCodeBench等 [7] - 在AIME25测试中得分为78，在MMLU-Pro测试中得分为82，在GPQA-Diamond测试中得分为78 [8] 核心技术特点 - Minimax M2是一个稀疏度较高的MoE模型，总参数量230B，激活参数量仅有10B [4] - 模型采用了交错的思维格式，使其能够规划和验证跨多个对话的操作步骤，这对Agent推理至关重要 [6] - 模型在预训练阶段未采用滑动窗口注意力或线性注意力，而是使用全注意力机制，以避免性能损失 [40][45] 成本与效率优势 - 模型推理速度是Claude 3.5 Sonnet的两倍，API价格仅为Claude 3.5 Sonnet的8% [3] - 定价为0.3美元/2.1人民币每百万输入Token，1.2美元/8.4人民币每百万输出Token [8] - 在线推理服务的速度可达每秒100 Token [12] 应用与开发生态 - 模型专为智能体和编程而生，表现出对复杂、长链工具调用任务的出色规划和稳定执行能力 [3][6] - 支持Shell、浏览器、Python代码解释器和各种MCP工具的调用 [6] - Minimax已将M2部署到Agent平台限时免费使用，平台上展示了许多Agent的现成作品，如网页应用、游戏和PPT生成等 [23][29][30][32][34] 市场定位与竞争对比 - 公司表示，智能水平、速度和成本在过去被视为“不可能三角”，但随着M2的出世，这个三角被打破 [3] - 在工具使用和深度搜索能力上不逊于海外顶尖模型，编程能力在国内名列前茅 [6] - 相比于Claude Sonnet 4.5、GLM 4.6、Kimi-K2以及DeepSeek V3.2等模型，M2具有极高的Win+Tie比例，同时成本非常低廉 [14]

行业趋势：开源与闭源模型路线对比 - 中国开源AI模型（以DeepSeek、Kimi和Qwen为代表）正在挑战美国闭源模型（如OpenAI和Anthropic）的领先地位 [1] - 硅谷知名风险投资公司Social Capital已将大量工作需求转移到中国模型Kimi K2上，因其性能强且成本显著低于美国同类产品 [1] - 美国闭源模型Anthropic被评价为技术确实厉害，但运营成本过高，即“真的太烧钱” [1] 市场影响与行业标杆 - 《All in》播客由查马斯等四位硅谷重量级人物创办，是全球最具影响力的科技与投资类播客之一，被视为全球创业者和投资人的风向标 [3] - 播客主持人查马斯在2020年接连推动维珍银河等明星公司上市，被美国媒体称为“美国SPAC之王” [3]

大模型开源开发生态全景 - 报告收录22个技术领域114个最受关注开源项目 分为AI Agent和AI Infra两大技术方向[1] - 62%开源项目诞生于2022年10月之后 平均年龄仅30个月 体现高速迭代特性[1] - 全球36万开发者参与 美国占比24% 中国占比18% 中美合计贡献超四成核心力量[1] 中美开源策略差异 - 中国厂商更倾向开放权重开源模型路线 美国头部厂商多采用闭源模式[1] - 中国在积木共享上的积极性让全球生态更具活力[1] AI编程工具发展 - AI编程工具呈现爆发式增长 主要分为命令行工具和集成开发环境插件两类[1] - 2025年新出现Coding工具平均获得3万以上开发者Star关注[1] - Gemini CLI开源3个月星标数突破6万 成为增长最快项目之一[1] 开发效率提升路径 - 模型厂商从命令行工具切入 注重用户体验团队从集成开发环境入手[2] - 未来程序员将更多重复性工作交给AI工具 聚焦创意设计和复杂问题解决[2] 大模型发展趋势 - 大模型发展呈现中美开源闭源路线分化 MoE架构下参数趋于规模化[4] - 基于强化学习提升Reasoning能力 多模态模型进一步成为主流[4] - 模型评价方式发展出基于主观投票和客观评测的不同模式[4]

阿里云通义千问模型在日本市场表现 - 通义千问在日经4月发布的"AI模型评分"榜中位列第6，超过中国DeepSeek模型，在113个模型中表现突出[1][3] - 作为开源模型，通义千问被日本新兴企业广泛采用，包括ABEJA、ELYZA、Lightblue和Axcxept等公司[1][4] - 基于通义千问开发的"ABEJA-Qwen2.5-32B"模型在日本企业中排名最高，总体排名第21位[3] 通义千问技术性能 - "Qwen2.5-Max"模型在逻辑推理和数学方面表现优异，基础语言能力和综合评分位居前列[3] - 开源版本"Qwen2.5-32B"排名第26位，超过谷歌的Gemma-3-27B（第32位）和Meta的Llama-3-70B-Instruct（第57位）[3] - 最新发布的Qwen3模型数据Token数量达36万亿，是Qwen2.5的两倍，支持119种语言和方言[6] 日本市场应用与扩展 - 通义千问因能以较少数据集实现高精度，在日语能力指标上获得高度评价[4] - 阿里云计划在日本提供本地化部署服务，确保数据不转移至海外[5] - 公司目标3年内将在日本使用通义千问的项目增加到1000个以上[6] 全球影响力与行业地位 - 在Hugging Face平台上已有超过10万个通义千问派生模型[5] - 中国开放模型整体性能紧追美国企业如OpenAI，形成持续竞争态势[6] - 深度求索等中国新兴企业的开放模型也在行政、汽车、金融等行业广泛应用[6]