前几天，Hugging Face 遭遇了一次 AI 自主攻击，攻击者用 OpenAI 的智能体渗透平台，手段隐蔽。社区想找人帮忙做安全响应，结果美国的闭源商业模型因为内置的安全护栏，直接拒绝协助分析恶意代码和攻击痕迹。
最后完成取证分析的是中国的开源模型 GLM。开发团队在自己的基础设施上本地部署了 GLM，没有数据泄露风险，也没有伦理约束挡路，直接处理了恶意代码，硬是把攻击链条还原了出来。
这件事让很多人重新审视"闭源等于安全"这个说法。
开源按数量占了 62.8%，性能成本双逆袭
根据 Introl 2025 年底的数据，开源模型按数量计算已经占了 62.8% 的市场份额，两年前还是专有模型的天下。阿里通义千问的 Qwen3-235B-A22B 在大多数公开基准测试中达到或超过了 GPT-4o，而且它每次只激活 235B 参数里的 22B，效率很高。Meta 的 Llama 4 Scout 把 1000 万 token 的上下文窗口塞进了单张 H100 GPU，INT4 量化就能跑，一口气吞下 7500 页内容。
成本方面也彻底颠倒过来了。DeepSeek V3.2 每百万输入 token 只要 0.26 美元，差不多是 GPT-5.2 Pro 的十分之一。Mistral Medium 3 达到 Claude Sonnet 3.7 九成性能，价格却便宜了 8 倍。有组织报告说，混合开源方案的投资回报率比纯闭源策略高出 25%。这不是"便宜没好货"，而是贵的不一定有道理。
过去医疗机构花大价钱在旧基座上微调专用医学模型，结果在真实临床环境测试里，被持续更新的开源通用大模型压着打。非英语病历直接乱码，多模态脏数据融合更是一塌糊涂。路线选错了，努力再多也没用。
为什么开源能逆袭：工程法则重构
迭代速度上，开源社区的集体智慧比任何一家闭源公司的内部研发都快。2026 年农历新年，Kimi K2.5、Qwen3.5、GLM-5、MiniMax M2.5 集体爆发，Agent Swarm、多模态、成本下降 60%，这些不是一家公司能同时做到的。
数据主权和部署灵活性也很关键。当你的模型必须跑在别人的 API 上，你就永远在别人的规则里。自托管开源模型，让医院可以在本地跑患者数据查询，金融公司可以完全掌控交易算法，不用担心厂商突然停用旧版本，也不用被按用量定价绑架。
还有护栏的悖论。闭源模型为了"安全"加了一堆护栏，结果在真正的安全响应场景里，这些护栏成了障碍。GLM 能完成取证，恰恰因为它没有那些"政治正确"的伦理约束。有些场景下，开源模型是唯一可行的选择。
对普通人：一台机器就是一家软件公司
对普通人来说，现在你不需要求着巨头的 API 额度，就能用上最前沿的 AI 能力。
在自己的电脑上部署一个能跑 1000 万 token 上下文的模型，成本低到可以忽略。minimind 项目让你花 3 块钱就能完整跑通预训练到 SFT 流程，OpenCode 这样的开源 AI 编程工具月活已经超过 650 万。一个人，一台机器，差不多就是一家软件公司。
更重要的是，未来属于能驾驭开源模型的人--不是"用 AI"，而是构建自己的 AI 工作流。那个在深夜急诊室帮你预警的开源模型，可能就是你白天亲手调试的那个。
参考来源