開放權重（open-weight）AI 模型，已經唔再只係「平價版」選擇。當頂尖開放權重模型嘅能力逼近最強閉源模型，企業買 AI 嘅問題亦隨之改寫：唔係每次都問「邊個分數最高」，而係問「呢項工作用邊個模型，先至喺質素、成本同控制之間最啱數？」

分數差距收窄，但唔好將排行榜當成全部

一份引述 2026 年 9 月 Artificial Analysis 快照嘅報道顯示，Moonshot AI 嘅 Kimi K3 得 59.7 分，Anthropic 嘅 Claude Fable 5.1 得 65.7 分，相差 6 分；而一年前報稱嘅差距為 13 分。3 單睇呢組數字，開放權重模型追近前沿閉源模型嘅趨勢相當明顯。

不過，呢啲數字唔應該被當成跨時間、跨版本都可以直接比較嘅定論。Artificial Analysis 目前嘅比較頁面，按 v4.2 方法計算，列出 Kimi K3（max）為 50 分、Claude Fable 5.1 為 56 分。52 Kimi K3 嘅頁面亦指出，v4.2 指數納入 10 項評估；基準測試組合、模型設定或計分方法一變，結果就可以改變。1

比較可靠嘅結論係：最強開放權重模型喺綜合能力指標上，已比以前更接近頂尖閉源替代品。但「接近」唔等於每一項工作都打和。綜合排行榜無法證明佢哋喺可靠性、安全行為、工具使用、延遲、多模態處理，以至企業自己嘅專門工作流程上表現完全相同。

差距一縮窄，採購邏輯就變咗

對營運團隊而言，真正要答嘅通常唔係「邊個模型最叻？」而係：邊個模型可以用最低嘅總成本、喺可接受風險下完成呢項工作？

如果較低成本嘅模型，已足夠處理摘要、資料擷取、內部搜尋、日常程式協助或分類等任務，就未必有理由每一個請求都用最貴嘅前沿模型。反過來，遇到複雜推理、高風險決策、複雜代理（agent）工作，或者少少質素提升都會直接影響收入、安全或合規嘅情況，閉源前沿模型嘅能力優勢仍然可能值得畀錢。

價格正正解釋咗點解模型選擇已成為營運優化問題。Artificial Analysis 目前比較顯示，Kimi K3（max）每百萬 tokens 為 2.31 美元，Claude Fable 5.1 則為 7.17 美元；同一比較亦顯示後者喺現時 Intelligence Index 同輸出速度上領先。52 Token 單價唔等於完整成本，但足以說明：模型揀邊個，會直接影響成本結構。

AT&T：唔係揀一個模型，而係按工作分流

AT&T 提供咗一個由「單一模型策略」轉向「模型組合」嘅具體例子。公司表示，開放模型佔其 AI 使用量嘅比例，由 5 月嘅 20% 升至 40%，未來幾個月可能升至 60%；公司又稱，相較年初，AI 成本最多節省 80%。26

較早前報道亦指，AT&T 最終希望開放模型可處理其總 AI 使用量嘅 70% 至 80%，但同時保留閉源模型作為組合一部分。17 呢個唔係話開放模型樣樣最好，而係將工作分流：

• 將大量、例行而且可標準化嘅工作交畀成本較低嘅模型；
• 只有當請求確實需要額外能力時，先用高價模型；
• 以每個工作負載嘅質素、速度同成本做評估，而唔係只睇一個排行榜。

當模型能力愈來愈接近，真正有價值嘅能力，就轉移到評估、路由、可觀測性，以及不打斷應用程式下切換供應商嘅彈性。

開放權重提供控制權，但唔係天生平同私隱

開放權重模型吸引企業，原因包括可以喺自己控制嘅環境運行、為特定用途調校，以及減少依賴單一 API 供應商。但「開放」絕不自動代表私隱更好、更平，或者風險更低。

自行部署，意味住責任轉咗去採用者身上。認真嘅部署要計入基建、推理優化、工程人手、修補更新、監控、存取控制、模型授權同事故應對。處理敏感資料嘅機構，亦應檢視模型來源、軟件供應鏈、資料存放地、出口管制責任，以及周邊每一項服務嘅安全性。

所以，正確比較唔係「API 價錢」對「零成本」，而係每宗成功完成嘅業務任務，總共要幾多錢——當中包括答錯嘅代價、日常營運責任同必要嘅安全措施。

中國實驗室冒起，競爭以外亦有管治問題

Kimi K3 來自 Moonshot AI；近期排行榜相關報道亦突顯中國實驗室喺開放權重領域嘅強勢位置。3 呢個趨勢擴闊咗高能力模型嘅供應，亦向閉源供應商帶來更大競爭壓力。

不過，企業唔應將模型嘅來源地簡化成市場標籤，更唔應以此代替盡職審查。較穩妥做法係用一致標準審核每個供應商同模型：核實授權條款、權重及依賴項目；以內部資料測試性能；檢視安全措施；再判斷部署架構係咪符合適用嘅私隱與監管要求。

Nvidia 收購 Hugging Face，反映開放模型基建嘅戰略價值

據報道及其後公司聲明，Nvidia 同意以約 129 億美元收購 Hugging Face。3436 Hugging Face 係開發者尋找、分享同測試 AI 模型及工具嘅重要平台；呢宗交易反映，模型分發、開發工具流程同社群生態，已經係具戰略價值嘅 AI 基建，而唔只係研究人員嘅周邊工具。

交易本身唔會決定開放 AI 最終會點發展，但至少說明：除咗模型本身，模型庫、工具鏈、硬件支援同開發者社群，全部都有相當大嘅戰略價值。

最可能嘅結果：按任務選擇嘅混合式 AI

基準差距收窄，令混合式架構更加合理：

• 前沿閉源模型：處理最困難嘅任務、需要託管服務，或者頂尖能力與供應商支援至關重要嘅場景；
• 開放權重模型：處理高流量、可定制、成本敏感，或需要嚴格控制環境嘅工作負載——前提係佢能達到所需質素；
• 路由及評估層：持續檢查質素、延遲、成本同政策合規情況。

重點唔係開放權重 AI 已令閉源模型過時，而係越來越多情況下，性能差距已細到足以令企業作出真正嘅經濟選擇。最有效嘅策略唔係盲撐開放或閉源，而係嚴格量度：每一項業務工作，究竟邊個模型可以最安全、最可靠，並以最合適嘅總成本完成。

開放權重（open-weight）AI 模型，已經唔再只係「平價版」選擇。當頂尖開放權重模型嘅能力逼近最強閉源模型，企業買 AI 嘅問題亦隨之改寫：唔係每次都問「邊個分數最高」，而係問「呢項工作用邊個模型，先至喺質素、成本同控制之間最啱數？」

分數差距收窄，但唔好將排行榜當成全部

一份引述 2026 年 9 月 Artificial Analysis 快照嘅報道顯示，Moonshot AI 嘅 Kimi K3 得 59.7 分，Anthropic 嘅 Claude Fable 5.1 得 65.7 分，相差 6 分；而一年前報稱嘅差距為 13 分。3 單睇呢組數字，開放權重模型追近前沿閉源模型嘅趨勢相當明顯。

不過，呢啲數字唔應該被當成跨時間、跨版本都可以直接比較嘅定論。Artificial Analysis 目前嘅比較頁面，按 v4.2 方法計算，列出 Kimi K3（max）為 50 分、Claude Fable 5.1 為 56 分。52 Kimi K3 嘅頁面亦指出，v4.2 指數納入 10 項評估；基準測試組合、模型設定或計分方法一變，結果就可以改變。1

比較可靠嘅結論係：最強開放權重模型喺綜合能力指標上，已比以前更接近頂尖閉源替代品。但「接近」唔等於每一項工作都打和。綜合排行榜無法證明佢哋喺可靠性、安全行為、工具使用、延遲、多模態處理，以至企業自己嘅專門工作流程上表現完全相同。

差距一縮窄，採購邏輯就變咗

對營運團隊而言，真正要答嘅通常唔係「邊個模型最叻？」而係：邊個模型可以用最低嘅總成本、喺可接受風險下完成呢項工作？

如果較低成本嘅模型，已足夠處理摘要、資料擷取、內部搜尋、日常程式協助或分類等任務，就未必有理由每一個請求都用最貴嘅前沿模型。反過來，遇到複雜推理、高風險決策、複雜代理（agent）工作，或者少少質素提升都會直接影響收入、安全或合規嘅情況，閉源前沿模型嘅能力優勢仍然可能值得畀錢。

價格正正解釋咗點解模型選擇已成為營運優化問題。Artificial Analysis 目前比較顯示，Kimi K3（max）每百萬 tokens 為 2.31 美元，Claude Fable 5.1 則為 7.17 美元；同一比較亦顯示後者喺現時 Intelligence Index 同輸出速度上領先。52 Token 單價唔等於完整成本，但足以說明：模型揀邊個，會直接影響成本結構。

AT&T：唔係揀一個模型，而係按工作分流

AT&T 提供咗一個由「單一模型策略」轉向「模型組合」嘅具體例子。公司表示，開放模型佔其 AI 使用量嘅比例，由 5 月嘅 20% 升至 40%，未來幾個月可能升至 60%；公司又稱，相較年初，AI 成本最多節省 80%。26

較早前報道亦指，AT&T 最終希望開放模型可處理其總 AI 使用量嘅 70% 至 80%，但同時保留閉源模型作為組合一部分。17 呢個唔係話開放模型樣樣最好，而係將工作分流：

• 將大量、例行而且可標準化嘅工作交畀成本較低嘅模型；
• 只有當請求確實需要額外能力時，先用高價模型；
• 以每個工作負載嘅質素、速度同成本做評估，而唔係只睇一個排行榜。

當模型能力愈來愈接近，真正有價值嘅能力，就轉移到評估、路由、可觀測性，以及不打斷應用程式下切換供應商嘅彈性。

開放權重提供控制權，但唔係天生平同私隱

開放權重模型吸引企業，原因包括可以喺自己控制嘅環境運行、為特定用途調校，以及減少依賴單一 API 供應商。但「開放」絕不自動代表私隱更好、更平，或者風險更低。

自行部署，意味住責任轉咗去採用者身上。認真嘅部署要計入基建、推理優化、工程人手、修補更新、監控、存取控制、模型授權同事故應對。處理敏感資料嘅機構，亦應檢視模型來源、軟件供應鏈、資料存放地、出口管制責任，以及周邊每一項服務嘅安全性。

所以，正確比較唔係「API 價錢」對「零成本」，而係每宗成功完成嘅業務任務，總共要幾多錢——當中包括答錯嘅代價、日常營運責任同必要嘅安全措施。

中國實驗室冒起，競爭以外亦有管治問題

Kimi K3 來自 Moonshot AI；近期排行榜相關報道亦突顯中國實驗室喺開放權重領域嘅強勢位置。3 呢個趨勢擴闊咗高能力模型嘅供應，亦向閉源供應商帶來更大競爭壓力。

不過，企業唔應將模型嘅來源地簡化成市場標籤，更唔應以此代替盡職審查。較穩妥做法係用一致標準審核每個供應商同模型：核實授權條款、權重及依賴項目；以內部資料測試性能；檢視安全措施；再判斷部署架構係咪符合適用嘅私隱與監管要求。

Nvidia 收購 Hugging Face，反映開放模型基建嘅戰略價值

據報道及其後公司聲明，Nvidia 同意以約 129 億美元收購 Hugging Face。3436 Hugging Face 係開發者尋找、分享同測試 AI 模型及工具嘅重要平台；呢宗交易反映，模型分發、開發工具流程同社群生態，已經係具戰略價值嘅 AI 基建，而唔只係研究人員嘅周邊工具。

交易本身唔會決定開放 AI 最終會點發展，但至少說明：除咗模型本身，模型庫、工具鏈、硬件支援同開發者社群，全部都有相當大嘅戰略價值。

最可能嘅結果：按任務選擇嘅混合式 AI

基準差距收窄，令混合式架構更加合理：

• 前沿閉源模型：處理最困難嘅任務、需要託管服務，或者頂尖能力與供應商支援至關重要嘅場景；
• 開放權重模型：處理高流量、可定制、成本敏感，或需要嚴格控制環境嘅工作負載——前提係佢能達到所需質素；
• 路由及評估層：持續檢查質素、延遲、成本同政策合規情況。

重點唔係開放權重 AI 已令閉源模型過時，而係越來越多情況下，性能差距已細到足以令企業作出真正嘅經濟選擇。最有效嘅策略唔係盲撐開放或閉源，而係嚴格量度：每一項業務工作，究竟邊個模型可以最安全、最可靠，並以最合適嘅總成本完成。