Matthew Berman 谈 Qwen3.8-Max、AI 成本与开放权重竞争

Alibaba 发布了 Qwen3.8-Max，我对其宣传视频中的乐观愿景印象深刻：人们钓鱼、打网球或攀岩时，AI 在处理研究和电子表格。我喜欢这种技术为人们腾出更多时间的简单画面。这是一种愿景，并不能证明这些任务已经可以在无人监督的情况下可靠完成。

我将 Qwen3.8-Max 描述为一个约有 2.4 万亿参数的开放模型，并把它与中国另一款大型模型 Moonshot 的 Kimi K3 比较。模型规模对我稍后讨论算力与竞争很重要。能否下载以及许可条件应针对具体版本核实；开放权重与完全开源的系统不一定是一回事。

在看基准测试之前，先说明一点：分数可以针对测试进行优化，不一定代表一般能力。画面显示，Qwen 的 SWE-Pro 成绩为 67.7，领先的比较对象为 80。报告中的 TerminalBench 分数为 86.6，而 Fable 为 84.6；我认为它在这些测试中具有竞争力，但这不能保证它在每项任务中都表现如此。

Alibaba 重点介绍了一项研究复现实验。任务是阅读论文、实现其方法、运行代码并复现结果，起点只有论文和 GPU，而不是现成的流水线。我认为复现是自动化研究的重要组成部分，因为它需要将想法与可执行的实验联系起来。

公司报告说，模型随后在四轮中测试了 18 个改进想法。我将其称为迭代式自我改进循环，并想知道更广泛的版本最终能否帮助发现研究思路。这项实验改进的是人类选择的特定研究任务；它本身并不能证明模型具备开放式递归自我改进能力。

另一个例子涉及自主芯片设计。厂商描述了在配备仿真、综合和物理设计工具的沙箱中，优化一个密码学硬件加速器的过程。我觉得 AI 辅助芯片设计的潜力很有意思，尤其考虑到先进芯片面临的限制，但这项范围受限的演示并不能证明模型可以自主生产先进芯片。

Qwen 的帖子包含一张大型基准测试表。我使用 Codex 重新整理了结果的视觉呈现，让多模态推理、视觉代理与编程、办公任务、空间理解和视觉感知更容易比较。不同模型在不同测试中领先；这些是表中报告的结果，并非全面领先的独立证据。

视频发布时，OpenRouter 列出的 Qwen3.8-Max 价格为每百万输入词元 2 美元、每百万输出词元 6 美元。我把它与报价更高的 GPT-5.6 Sol 和 Fable 比较。这些是所列服务的历史价格，不能保证现在的费率相同。

每个词元的价格只是计算的一半。如果一个模型完成同一任务需要多用几倍的词元，表面上的价格优势就可能缩小；质量以及是否成功完成任务也很重要。单价较低，并不自动意味着获得所需结果的成本更低。

Artificial Analysis 有一张比较每项基准任务成本的图表。当时新 Qwen 模型尚未纳入该图评估，因此我引用画面中的对比：Qwen3.7 Max 每项任务 1.28 美元，GPT-5.6 Sol 为 1.23 美元。这些数字描述的是该基准及其设置，并不适用于所有实际工作负载。

再回到模型规模和算力。我讨论的中国大型模型参数达到万亿级，而我听到传闻称，一些美国闭源模型可能更大。竞争对手的数字以及未来 OpenAI 模型的规模都没有经过证实，单凭参数量也无法可靠衡量能力或训练成本。

短期来看，我欢迎强大的开放权重替代方案。根据模型实际的许可条件和可用权重，组织可能可以自行托管并调整模型，获得更大的灵活性，减少对单一供应商的依赖。爱好者也可以进行实验，不过如此规模的模型可能需要大量硬件资源。

与此同时，我担心长期而言可能对中国 AI 产生依赖。在美国基础设施上运行可用权重，可以让推理在本地进行；但我猜测，未来模型和芯片可能高度协同设计，使某一硬件生态更便宜或更有吸引力。这是一种可能的情景，并非已经确立的要求，也不能证明自行托管解决了所有数据和供应链问题。

我的想法存在一种矛盾。开放权重模型能够给闭源实验室带来竞争压力，并有可能压低价格。但我也想知道，拥有强大模型和更多算力的公司是否可以利用 AI 辅助研究更快进步，将开放替代方案甩在后面。两种结果都不确定。

我提到一项据报道的 OpenAI 效率改进和降价，作为 AI 可能帮助优化 AI 系统的例子。即使某一项工程改进是真实的，也不能据此确定无限自我改进循环已经形成，更不能断定竞争结果。我仍相信开放替代方案很重要，而更广泛的问题还有待观察。