開放權重 AI 與前沿模型的差距正在縮小

Mozilla 的《開源 AI 現況》分析，向採購與技術決策者提出一個愈來愈實際的結論：選項不再只是「便宜的開放模型」對上「能力最強的專有模型」。頂尖開放權重模型正快速逼近閉源前沿系統，許多工作負載已可優先使用前者；只有在品質優勢確實會改變成果時，才有必要保留高價的前沿 API。 18

差距縮小，究竟代表什麼？

根據對 Mozilla 發現的報導，中國頂尖開放權重模型與閉源前沿模型的能力差距，按該報告的衡量方式約只剩 4.4 個月。 18 這和「開放模型無法上線做生產用途」的環境已有根本差異。

Moonshot AI 的 Kimi K3 是一個直觀例子，但不能被視為最終定論。Artificial Analysis Intelligence Index 在 2026 年 9 月的一個快照中，給予 Kimi K3 59.7 分，落後整體領先者 65.7 分、相差 6 分；報導稱，這一差距較一年前的 13 分縮小。 17 不同報告版本、模型組合與基準快照，可能會得出不同的差距數字；重點在於趨勢，而非執著於某一個分數。

綜合型基準適合用來初步篩選，卻不能證明模型在某一家企業的環境中必然最好。實際部署還取決於延遲、長上下文處理、可靠性、資安控管、整合成本、技術支援與法律條款等因素。

企業更務實的做法：按任務後果分流

差距縮小不代表企業必須一次放棄閉源模型，而是更適合採取組合式策略：

• 優先考慮開放權重模型：適合高量、可重複的工作，尤其是成本、資料控制、內網／地端部署或客製化很重要的場景。
• 保留前沿 API：面對難度高的任務，若經測試確認品質提升會帶來財務、營運或安全上的實質影響，閉源服務仍有價值。
• 評估完整系統，而非只看底層模型：檢索增強、工具串接、防護機制、提示設計與人工覆核，都會左右最終結果。
• 持續重測工作負載：模型更新很快，成本效益的邊界也會隨之變動。

換句話說，閉源模型的價格溢價只有在可量化地改善成果時才合理，而不該只是因為它過去曾是唯一可行選項。

開放權重不只是價格問題，也是戰略問題

開放權重模型讓組織能在自己的環境運行與調校模型，而不必完全依賴供應商代管的服務。戰略與國際研究中心（CSIS）認為，中國持續擴大的開放權重生態系，正挑戰美國 AI 領先地位：其一是在出口管制下推進技術自主化，其二是有意廣泛散布可調適的模型。 5

模型一旦廣泛分發，就可能帶動開發者、系統整合商、工具鏈、部署案例與技術規範圍繞某個模型家族成長。競爭因此不只是今天誰的基準分數最高，也是哪一方的技術會成為最常被採用的平台層。

出口管制也是這個脈絡的一部分。現有研究指出，美國晶片出口管制後，中國對開放 AI 的採用與推廣明顯增加；限制措施也可能反過來促進本土替代方案與開放生態系的發展。 11

談「蒸餾」指控，措辭必須精確

美國國家安全局（NSA）、聯邦調查局（FBI）與網路安全暨基礎設施安全局（CISA）在 9 月的聯合公告中稱，中國境內 AI 公司正進行工業規模的活動，以取得受限制的美國前沿模型專有功能與能力，供模型訓練使用。 1 相關報導指出，美國機構點名的公司包括 Moonshot AI。 3

這些是美國政府的指控，並非已經公開司法程序定論的事實；中國外交部已拒絕相關說法，稱其為無端指控。 4 同時，也應區分「未經授權擷取能力」的指控，與「知識蒸餾」這項廣義技術概念。CSIS 解釋，蒸餾是讓較小模型從更強模型輸出中學習的常見訓練方式，但也具有重要戰略意涵。 12

建立替代方案，不只是在訓練另一個模型

Mozilla 技術長 Raffi Krikorian 將這種策略比作 Android，核心是一項生態系論述：可廣泛取得、能被調校的模型，能吸引下游開發者與互補基礎設施，創造超出原始開發者本身的價值。

Mozilla 的報告也強調，開放 AI 需要的不只是模型發布，而是耐久的基礎設施。其先前報告提到瑞士一個公共聯盟，利用公共超級電腦訓練模型，並發布模型權重、資料與訓練程式碼。 11 背後的政策意涵是：投資公共運算能力、中立機構、可信資料與評測，以及面向開發者的工具，而不只是資助另一家閉源模型競爭者。

開放與安全能否並行？

Nvidia 於 7 月與科技及資安夥伴成立「Open Secure AI Alliance」，目標是開發並共享 AI 安全與資安工具，尤其著重軟體與 AI 代理（agents）領域。 這反映另一種觀點：可檢視、可共享的安全工具，本身也能成為降低 AI 風險的一部分。

這並不表示廣泛散布模型沒有風險。開放發行確實可能讓濫用防範與存取控制更複雜；但政策問題不該被簡化成「開放就不安全」或「閉源就安全」，而應回到每種部署模式搭配了哪些防護、存取控管、評估與問責機制。

採購者與決策者真正要回答的問題

對企業而言，問題很直接：專有模型多出來的品質，是否值得多出的成本與供應商依賴？ 不同任務的答案會不同。能將模型選擇納入系統、以代表性工作負載測試，並保有切換供應商能力的組織，會比押注單一模型類型的組織更有彈性。

對政策制定者來說，取捨則更棘手。前沿模型領先、安全與降低濫用風險都很重要；但有韌性的開放生態系，以及可信 AI 基礎設施在全球的採用，同樣重要。CSIS 警告，若戰略只聚焦在專有前沿模型領先，美國可能會在較便宜的開放替代方案面前失去優勢。 15

模型差距持續縮小，讓這場辯論更迫切。未來 AI 競爭的勝負，將不只取決於實驗室裡最強的一個模型，也取決於誰能提供最實用、最可調適且最值得信賴的整套生態系。