中國贏緊嘅，係 AI 市場其中一層

2026 年，開放權重 AI 模型嘅重心明顯向中國轉移。中國開發嘅模型佔 Hugging Face 過去一年下載量 41%，按月及整體下載量都超越美國模型。32

另外有報道指，中國開放模型喺全球累計下載量已經超過 100 億次。31 呢個數字要講清楚：唔係 1,000 億。部分標題將數字寫成「超過 1,000 億」，現有證據並唔支持呢個講法，因此較合理嘅理解係標題或轉錄出錯，而唔係一個已確立嘅里程碑。1731

不過，41% 亦唔代表中國佔咗全球所有 AI 模型、所有 AI 用量，或者已經取代美國公司喺最尖端閉源系統嘅位置。呢個數字主要反映一個特定市場：開發者可以下載、修改、自行部署，或者交畀推理服務商運行嘅模型。

換句話講，中國而家領先嘅，未必係「全世界最聰明嘅單一模型」；而係一層更貼近應用嘅 AI 基礎設施。

41% 其實量度緊「採用」，唔係模型總供應量

Hugging Face 係一個大型 AI 模型、數據集同開發工具平台。41% 係中國模型喺呢個平台嘅下載量佔比，唔應該簡化成中國佔全球模型供應量 41%。

而且，平台嘅下載量非常集中：只有 1.5% 嘅 repository，已經佔全部下載量 99.2%；相反，85.6% 模型一生人累計下載唔足 200 次。23

所以，單睇下載量唔可以代表整個 AI 市場。但即使加上呢個前提，趨勢仍然相當重要：中國已經成為 Hugging Face 上最大嘅已識別單一國家模型來源，而中國模型亦透過模型路由服務取得大量實際生產流量。2729

點解開發者會揀中國開放權重模型？

呢場轉變唔係靠某一個 benchmark 突然贏出，而係幾個實際優勢疊加出嚟。

• 部署成本低： 中國供應商積極壓低 API 價格，令大量寫程式、AI agent 同自動化工作負載更易負擔。開放權重亦畀開發者選擇自行部署或者 fine-tune，唔一定要完全依賴單一供應商。
• 授權相對寬鬆： Hugging Face 檢視嘅 178 個、參數量超過 200 億嘅中國模型入面，59% 採用 Apache 2.0，22% 採用 MIT；幾乎冇乜模型附帶非商業限制。23 對想做實驗、整合產品或者重新分發模型嘅團隊嚟講，呢類授權方便好多。
• 發布速度快： 中國 AI 實驗室往往喺宣布模型後，好快就提供 API、託管推理服務，甚至公開權重。開發者唔使等幾個月先知道模型到底用唔用得。
• 能力貼近生產環境： 寫程式、推理、多語言、超長上下文同自主工作流程，對要一日呼叫模型幾千甚至幾萬次嘅應用尤其重要。
• 控制權較大： 企業可以將數據留喺自己嘅基礎設施，針對特定任務調整模型，亦可以減低對單一閉源供應商嘅依賴。

呢啲因素解釋咗點解開放權重模型嘅採用速度，可以快過市場上圍繞 benchmark 嘅討論。一個模型唔需要喺所有測試都排名第一，先可以成為一個重視成本嘅生產工作負載嘅首選。

Kimi K3：令「開放嘅前沿級規模」變得難以忽視

Moonshot AI 嘅 Kimi K3 係呢個轉變嘅重要象徵。模型有 2.8 萬億總參數，採用稀疏 Mixture-of-Experts（MoE）架構，支援原生視覺能力，並提供 100 萬 Token 上下文窗口。Moonshot 將佢形容為全球首個三萬億參數級別嘅開放模型。3

Moonshot 先提供 API 同託管服務，之後喺 2026 年 7 月 27 日 公開完整權重，完成整個發布流程。15

當然，「開放」唔代表普通電腦就可以輕鬆運行。Kimi K3 規模極大，對 GPU、記憶體同整個推理基礎設施仍然係重大挑戰。但公開權重本身已經改變市場預期：中國實驗室願意將一個接近前沿級別嘅系統交畀外部開發者、推理服務商同研究人員，而唔係永遠只將模型鎖喺 API 後面。

對開發者嚟講，呢個訊號同規格表一樣重要。

Qwen3.8-Max 顯示唔係單一實驗室偶然爆發

阿里巴巴喺 2026 年 8 月 3 日 發布 Qwen3.8-Max，總參數量 2.4 萬億，上下文窗口最多 100 萬 Token，定位包括寫程式、研究、實際工作同長流程任務。3447

之後，Qwen3.8-2.4T-A95B 模型系列喺 8 月公開開放權重。37

Kimi K3 同 Qwen3.8-Max 放埋一齊睇，顯示呢個現象唔只係 DeepSeek 帶動，亦唔係單一公司靠減價取勝。多間中國實驗室同時喺模型規模、效率、多模態、上下文長度同分發渠道競爭。

稀疏 MoE 架構係其中一個關鍵。模型可以擁有極高嘅總參數量，但每次處理一個 Token 時，只啟用其中一部分參數。呢個設計唔會消除訓練同服務模型嘅成本，但有機會改善模型容量同推理效率之間嘅比例。

OpenRouter：由「有人下載」變成「有人真係用緊」

Hugging Face 主要反映興趣同分發情況；OpenRouter 就提供另一種訊號：模型喺應用程式同實驗入面，實際被路由處理咗幾多 Token。

到 7 月，中國開發嘅模型首次包辦 OpenRouter Token 用量頭五位。第一位係小米 MiMo V2.5，其後係 DeepSeek、MiniMax、阿里巴巴 Qwen 系列同 Moonshot Kimi 系列模型。51

8 月 21 日嘅報道指，中國模型承載 OpenRouter 超過 60% 流量，平台每星期處理嘅 Token 量超過 20 萬億。51 另一份市場分析則估計，3 月之後中國開放模型佔 OpenRouter 用量超過一半，Token 量接近增長三倍；但因為價格較低，每個 Token 帶來嘅變現收入亦下降。50

呢啲數字唔可以當成全球 AI 消費嘅完整統計。OpenRouter 主要服務開發者同 API 市場，而不同報道採用嘅時間窗口同定義亦未必一樣。不過方向相當一致：中國模型已經畀人用喺大量真實工作負載，而唔係單純下載返嚟做評測。

點解價格同寫程式工作負載特別關鍵？

當 AI 被用嚟一次過處理幾句對話，模型能力可能係最重要；但當 AI agent 要連續寫 code、測試、修正，再重複幾百次，成本就變成決定性因素。

中國模型嘅價格競爭，配合 coding、reasoning 同 agent 能力，令佢哋特別適合大量呼叫嘅工作。對企業而言，選擇模型唔再只係比較「邊個最強」，而係比較：

1. 每次呼叫要幾多錢？
2. 能唔能夠自己托管？
3. 可唔可以微調同檢查權重？
4. 數據可唔可以留喺自己控制嘅環境？
5. 模型供應商會唔會突然改價、限流或者改用條款？

喺呢個角度睇，開放權重模型嘅吸引力唔只係「免費」，而係增加議價能力同技術自主權。

美國出口管制可能加快效率競賽，但因果關係唔可以講得太滿

美國限制先進晶片出口，令中國 AI 公司面對更困難嘅算力環境。呢種限制亦可能增加咗一個誘因：要由每一單位可用算力榨出更多能力。

呢個推論同目前見到嘅技術方向一致，包括稀疏路由、長上下文工程、推理最佳化、蒸餾同密集後訓練。不過，出口管制唔可以單獨解釋中國模型嘅進展。現有證據未能證明一個精確嘅因果效果，而整個生態亦有賴多間實驗室之間嘅競爭、雲端分發、工程人才、國內需求同全球開發者興趣。

較穩妥嘅結論係：限制未有阻止中國模型喺重要開放模型工作負載上變得具競爭力，甚至可能令「用更少算力做到更多」成為更迫切嘅戰略優先事項。

同閉源前沿模型嘅距離，係縮短但唔平均

有報道指，中國領先開放模型同最佳閉源系統嘅距離，由六至九個月縮短到兩至三個月。30 呢個講法需要小心解讀，因為「距離」會隨 benchmark 同能力範疇改變。

一個模型可能喺寫程式方面相當接近，但喺可靠性、工具使用、安全性、多模態推理、延遲或者長流程任務完成度方面仍然落後。供應商自行公布嘅 benchmark 同公開排行榜，亦唔能夠提供一把適用於所有前沿能力嘅通用尺。

較有證據支持嘅結論係：中國領先開放權重模型喺好多生產工作負載上，已經接近到足以取代部分閉源選項。呢種真實採用證明咗實務競爭力，但唔等於每一個前沿維度都已經完全追平。

會唔會變成全球 AI 嘅「底層」？

最重要嘅後果，可能唔係邊個國家贏，而係邊一批模型會成為全球開發者反覆重用嘅基礎。

喺東南亞、非洲同拉丁美洲，開發者可能更加重視低成本、本地語言適配、私有部署，以及唔使完全依賴單一外國 API 供應商。中國模型如果可以維持平價，提供清晰文件，畀唔同託管商使用，同時方便針對本地需要調整，就有機會取得特別大嘅影響力。

呢條路有少少似 Linux：唔一定由一個模型獨霸，而係由一層可以不斷重用嘅權重、fine-tune、推理工具同開發者基礎設施組成。

但個比喻亦有界限。Linux 能夠成為雲端計算基礎，靠嘅係幾十年穩定介面、發行版、工具、安全實踐同社群維護。單靠模型下載量，未必可以建立同樣持久嘅地位。開放模型仲需要可靠授權、透明評測、完整文件、可信安全措施、本地支援，以及開發者可以長期依賴嘅硬件同雲端供應。

更可能出現嘅係分層，而唔係取代

2026 年嘅數據指向一個兩層 AI 市場：美國公司可能繼續爭奪最昂貴、最封閉嘅前沿系統領導地位；中國開放權重模型系列，就喺可自訂、可部署嘅 AI 底層攞到愈來愈大份額。

所以，即使美國仍然喺原始前沿能力上領先，呢個轉變仍然值得重視。真正關鍵嘅競爭，未必係邊間實驗室造出全球最聰明嘅單一模型，而係邊一批模型最容易畀開發者負擔、檢查、修改、托管，再嵌入其他所有產品之中。

中國贏緊嘅，係 AI 市場其中一層

2026 年，開放權重 AI 模型嘅重心明顯向中國轉移。中國開發嘅模型佔 Hugging Face 過去一年下載量 41%，按月及整體下載量都超越美國模型。32

另外有報道指，中國開放模型喺全球累計下載量已經超過 100 億次。31 呢個數字要講清楚：唔係 1,000 億。部分標題將數字寫成「超過 1,000 億」，現有證據並唔支持呢個講法，因此較合理嘅理解係標題或轉錄出錯，而唔係一個已確立嘅里程碑。1731

不過，41% 亦唔代表中國佔咗全球所有 AI 模型、所有 AI 用量，或者已經取代美國公司喺最尖端閉源系統嘅位置。呢個數字主要反映一個特定市場：開發者可以下載、修改、自行部署，或者交畀推理服務商運行嘅模型。

換句話講，中國而家領先嘅，未必係「全世界最聰明嘅單一模型」；而係一層更貼近應用嘅 AI 基礎設施。

41% 其實量度緊「採用」，唔係模型總供應量

Hugging Face 係一個大型 AI 模型、數據集同開發工具平台。41% 係中國模型喺呢個平台嘅下載量佔比，唔應該簡化成中國佔全球模型供應量 41%。

而且，平台嘅下載量非常集中：只有 1.5% 嘅 repository，已經佔全部下載量 99.2%；相反，85.6% 模型一生人累計下載唔足 200 次。23

所以，單睇下載量唔可以代表整個 AI 市場。但即使加上呢個前提，趨勢仍然相當重要：中國已經成為 Hugging Face 上最大嘅已識別單一國家模型來源，而中國模型亦透過模型路由服務取得大量實際生產流量。2729

點解開發者會揀中國開放權重模型？

呢場轉變唔係靠某一個 benchmark 突然贏出，而係幾個實際優勢疊加出嚟。

• 部署成本低： 中國供應商積極壓低 API 價格，令大量寫程式、AI agent 同自動化工作負載更易負擔。開放權重亦畀開發者選擇自行部署或者 fine-tune，唔一定要完全依賴單一供應商。
• 授權相對寬鬆： Hugging Face 檢視嘅 178 個、參數量超過 200 億嘅中國模型入面，59% 採用 Apache 2.0，22% 採用 MIT；幾乎冇乜模型附帶非商業限制。23 對想做實驗、整合產品或者重新分發模型嘅團隊嚟講，呢類授權方便好多。
• 發布速度快： 中國 AI 實驗室往往喺宣布模型後，好快就提供 API、託管推理服務，甚至公開權重。開發者唔使等幾個月先知道模型到底用唔用得。
• 能力貼近生產環境： 寫程式、推理、多語言、超長上下文同自主工作流程，對要一日呼叫模型幾千甚至幾萬次嘅應用尤其重要。
• 控制權較大： 企業可以將數據留喺自己嘅基礎設施，針對特定任務調整模型，亦可以減低對單一閉源供應商嘅依賴。

呢啲因素解釋咗點解開放權重模型嘅採用速度，可以快過市場上圍繞 benchmark 嘅討論。一個模型唔需要喺所有測試都排名第一，先可以成為一個重視成本嘅生產工作負載嘅首選。

Kimi K3：令「開放嘅前沿級規模」變得難以忽視

Moonshot AI 嘅 Kimi K3 係呢個轉變嘅重要象徵。模型有 2.8 萬億總參數，採用稀疏 Mixture-of-Experts（MoE）架構，支援原生視覺能力，並提供 100 萬 Token 上下文窗口。Moonshot 將佢形容為全球首個三萬億參數級別嘅開放模型。3

Moonshot 先提供 API 同託管服務，之後喺 2026 年 7 月 27 日 公開完整權重，完成整個發布流程。15

當然，「開放」唔代表普通電腦就可以輕鬆運行。Kimi K3 規模極大，對 GPU、記憶體同整個推理基礎設施仍然係重大挑戰。但公開權重本身已經改變市場預期：中國實驗室願意將一個接近前沿級別嘅系統交畀外部開發者、推理服務商同研究人員，而唔係永遠只將模型鎖喺 API 後面。

對開發者嚟講，呢個訊號同規格表一樣重要。

Qwen3.8-Max 顯示唔係單一實驗室偶然爆發

阿里巴巴喺 2026 年 8 月 3 日 發布 Qwen3.8-Max，總參數量 2.4 萬億，上下文窗口最多 100 萬 Token，定位包括寫程式、研究、實際工作同長流程任務。3447

之後，Qwen3.8-2.4T-A95B 模型系列喺 8 月公開開放權重。37

Kimi K3 同 Qwen3.8-Max 放埋一齊睇，顯示呢個現象唔只係 DeepSeek 帶動，亦唔係單一公司靠減價取勝。多間中國實驗室同時喺模型規模、效率、多模態、上下文長度同分發渠道競爭。

稀疏 MoE 架構係其中一個關鍵。模型可以擁有極高嘅總參數量，但每次處理一個 Token 時，只啟用其中一部分參數。呢個設計唔會消除訓練同服務模型嘅成本，但有機會改善模型容量同推理效率之間嘅比例。

OpenRouter：由「有人下載」變成「有人真係用緊」

Hugging Face 主要反映興趣同分發情況；OpenRouter 就提供另一種訊號：模型喺應用程式同實驗入面，實際被路由處理咗幾多 Token。

到 7 月，中國開發嘅模型首次包辦 OpenRouter Token 用量頭五位。第一位係小米 MiMo V2.5，其後係 DeepSeek、MiniMax、阿里巴巴 Qwen 系列同 Moonshot Kimi 系列模型。51

8 月 21 日嘅報道指，中國模型承載 OpenRouter 超過 60% 流量，平台每星期處理嘅 Token 量超過 20 萬億。51 另一份市場分析則估計，3 月之後中國開放模型佔 OpenRouter 用量超過一半，Token 量接近增長三倍；但因為價格較低，每個 Token 帶來嘅變現收入亦下降。50

呢啲數字唔可以當成全球 AI 消費嘅完整統計。OpenRouter 主要服務開發者同 API 市場，而不同報道採用嘅時間窗口同定義亦未必一樣。不過方向相當一致：中國模型已經畀人用喺大量真實工作負載，而唔係單純下載返嚟做評測。

點解價格同寫程式工作負載特別關鍵？

當 AI 被用嚟一次過處理幾句對話，模型能力可能係最重要；但當 AI agent 要連續寫 code、測試、修正，再重複幾百次，成本就變成決定性因素。

中國模型嘅價格競爭，配合 coding、reasoning 同 agent 能力，令佢哋特別適合大量呼叫嘅工作。對企業而言，選擇模型唔再只係比較「邊個最強」，而係比較：

1. 每次呼叫要幾多錢？
2. 能唔能夠自己托管？
3. 可唔可以微調同檢查權重？
4. 數據可唔可以留喺自己控制嘅環境？
5. 模型供應商會唔會突然改價、限流或者改用條款？

喺呢個角度睇，開放權重模型嘅吸引力唔只係「免費」，而係增加議價能力同技術自主權。

美國出口管制可能加快效率競賽，但因果關係唔可以講得太滿

美國限制先進晶片出口，令中國 AI 公司面對更困難嘅算力環境。呢種限制亦可能增加咗一個誘因：要由每一單位可用算力榨出更多能力。

呢個推論同目前見到嘅技術方向一致，包括稀疏路由、長上下文工程、推理最佳化、蒸餾同密集後訓練。不過，出口管制唔可以單獨解釋中國模型嘅進展。現有證據未能證明一個精確嘅因果效果，而整個生態亦有賴多間實驗室之間嘅競爭、雲端分發、工程人才、國內需求同全球開發者興趣。

較穩妥嘅結論係：限制未有阻止中國模型喺重要開放模型工作負載上變得具競爭力，甚至可能令「用更少算力做到更多」成為更迫切嘅戰略優先事項。

同閉源前沿模型嘅距離，係縮短但唔平均

有報道指，中國領先開放模型同最佳閉源系統嘅距離，由六至九個月縮短到兩至三個月。30 呢個講法需要小心解讀，因為「距離」會隨 benchmark 同能力範疇改變。

一個模型可能喺寫程式方面相當接近，但喺可靠性、工具使用、安全性、多模態推理、延遲或者長流程任務完成度方面仍然落後。供應商自行公布嘅 benchmark 同公開排行榜，亦唔能夠提供一把適用於所有前沿能力嘅通用尺。

較有證據支持嘅結論係：中國領先開放權重模型喺好多生產工作負載上，已經接近到足以取代部分閉源選項。呢種真實採用證明咗實務競爭力，但唔等於每一個前沿維度都已經完全追平。

會唔會變成全球 AI 嘅「底層」？

最重要嘅後果，可能唔係邊個國家贏，而係邊一批模型會成為全球開發者反覆重用嘅基礎。

喺東南亞、非洲同拉丁美洲，開發者可能更加重視低成本、本地語言適配、私有部署，以及唔使完全依賴單一外國 API 供應商。中國模型如果可以維持平價，提供清晰文件，畀唔同託管商使用，同時方便針對本地需要調整，就有機會取得特別大嘅影響力。

呢條路有少少似 Linux：唔一定由一個模型獨霸，而係由一層可以不斷重用嘅權重、fine-tune、推理工具同開發者基礎設施組成。

但個比喻亦有界限。Linux 能夠成為雲端計算基礎，靠嘅係幾十年穩定介面、發行版、工具、安全實踐同社群維護。單靠模型下載量，未必可以建立同樣持久嘅地位。開放模型仲需要可靠授權、透明評測、完整文件、可信安全措施、本地支援，以及開發者可以長期依賴嘅硬件同雲端供應。

更可能出現嘅係分層，而唔係取代

2026 年嘅數據指向一個兩層 AI 市場：美國公司可能繼續爭奪最昂貴、最封閉嘅前沿系統領導地位；中國開放權重模型系列，就喺可自訂、可部署嘅 AI 底層攞到愈來愈大份額。

所以，即使美國仍然喺原始前沿能力上領先，呢個轉變仍然值得重視。真正關鍵嘅競爭，未必係邊間實驗室造出全球最聰明嘅單一模型，而係邊一批模型最容易畀開發者負擔、檢查、修改、托管，再嵌入其他所有產品之中。