Interconnects 发布开源 AI 与开放模型阅读清单

大家好！我一直在为一些面向公众和政策层面的开放模型写作做准备，所以我想分享一下我的研究资料。这里面有很多精彩的内容。

这是我整理的过去几年关于开放模型的最佳文章列表。如果有人想快速了解这个领域，阅读这些内容将全面概览当前状况。请在下方评论建议添加的文章，我会随时间更新。

列表最后更新：2026年9月15日

基础

什么是开放模型，人们为何发布它们，它们与商业战略的关系，以及风险是什么。

关于开源AI战略，梳理了开源软件如何被企业使用，以及这对AI意味着什么的早期迹象——从开源软件到开源战略，Bill Gurley（2026年5月）。
最清晰的阐述之一是马克·扎克伯格关于Llama 3发布时的评论，解释了Meta为何发布开放模型——开源AI是前进之路，马克·扎克伯格（2024年7月）
为什么你应该将开放模型视为一个渐变，而非二元开放/封闭，基于许可证、运行模型成本、数据访问等因素——生成式AI发布的渐变：方法与考量，Irene Solaiman（2023年2月）。
开放模型在未来经济中将扮演的角色，作为强大封闭模型的补充。为什么开放模型将被用于在全球企业中创建自定义代理工作流——开放模型的下一步，Nathan Lambert / Interconnects（2026年3月）
- 关于开放模型如何通过为现有经济的大部分提供补充工具来获取价值的立场，借鉴知识产权历史和当前关于开放与封闭模型的辩论（例如蒸馏）——开放与封闭AI的一些简单经济学，Christian Catalini（2026年8月）
- 为什么开放模型在性能上将始终落后于封闭模型——开放模型在永久追赶中，Nathan Lambert / Interconnects（2026年2月）
- 开放模型和封闭模型在采用上的差异——开放和封闭模型处于不同的指数增长轨道，Nathan Lambert / Interconnects （2026年6月）
关于如何在发布强大的开放权重模型的同时认真对待安全的清晰阐述——通往开放权重的安全之路，Thinking Machines Lab（2026年7月）。
- 早期关于边际风险的论文，表明以文本为重点的LLM非常边际地增加了模型的已记录潜在风险——论开放基础模型的社会影响，Sayash Kapoor、Rishi Bommasani等（2024年2月）。
- 封闭模型的安全护栏经常被绕过，导致大量真实AI风险出现，而开放权重模型的假设性风险尚未显现——不安全开源AI的神话，Florian Brand（2026年6月）。
开放数据的大规模减少，这是阻碍真正开放 AI 研究的关键因素——危机中的同意：AI 数据公地的迅速衰退，Shayne Longpre 等（2024 年 7 月）。
关于强大的中国模型如何影响 AI 生态系统的近期案例——Kimi K3：开放权重的升级，Nathan Lambert / Interconnects（2026 年 7 月）/GLM-5.2 是开放智能体的阶跃式变化，Nathan Lambert / Interconnects（2026 年 6 月）。
- 2025 年开放模型历程的总结：Nathan Lambert 谈中国 AI 生态系统与开放模型差距 | The Curve 2025，Golden Gate Institute for AI（2025 年 11 月）。
[可选] 开放模型采用情况的最新数据：
关于美国与中国模型采用情况的总体总结——The ATOM Report（2026 年 4 月），
按地区划分的模型下载量、衍生品和研究采用情况的最新数据——Interconnects Adoption Dashboard，以及
生态系统中最重要的模型——Interconnects Artifacts Hub
Interconnects AI 是一个由读者支持的出版物。考虑成为订阅者。

美中竞争

谁在开放模型领域领先，这一格局如何随时间变化，中国如何保持其领先地位，以及相关历史。

面对来自中国日益激烈的竞争，美国为何需要投资开放模型以进行基础研发/创新——The ATOM Project，Nathan Lambert（2025 年 8 月）
- 关于开放模型为何有助于激发研究创新并为 AI 带来有益成果的视角——Why I build open language models，Nathan Lambert / Interconnects（2024 年 10 月）
- 开放模型为何能促进教育、创新和竞争这三项美国核心价值观——Banning Open Source AI Would Be A Mistake，Nathan Lambert & Kevin Xu （2026 年 6 月）
- 为何近期的“氛围监管”/模糊的联邦监督机制会使我们在不久的将来面临前沿开放模型的冲突乃至禁令——6 months to live for open models，Nathan Lambert / Interconnects（2026 年 7 月）
- [可选] 完全开放语言模型的技术报告，以展示理解方面的最新水平：Pythia（EleutherAI，2023 年），Olmo（2024 年），Olmo 2（2024 年），Olmo 3（2025 年）
通向 AI 的中国开源历史——Chinese Open Source: A Definitive History，Kevin Xu（2026 年 3 月）。
- 中国在开源领域的结构性优势——China’s Structural Advantage in Open Source AI，Kevin Xu（2025 年 6 月）。
- 中国实验室自己如何讨论模型构建，以及中国产业与美国有何不同——来自中国 AI 实验室内部的笔记，Nathan Lambert / Interconnects（2026 年 5 月）。
- 为什么中国实验室如此擅长跟上美国的竞争（例如，在公平的性能比较上，美国的开放权重实验室难以与中国实验室竞争）——GLM-5.3：中国实验室如何跟上前沿，Nathan Lambert / Interconnects（2026 年 8 月）。
西方公司对中国模型的突出使用已引发有意义的监管关注（更多讨论）
- 立法者已就使用中国模型一事质询了以下公司：DoorDash（CNBC，2026 年 7 月 31 日）、Airbnb（Bloomberg，2026 年 4 月 29 日； Semafor，2026 年 4 月 29 日）、Anysphere / Cursor（Bloomberg，2026 年 4 月 29 日； Semafor，2026 年 4 月 29 日）、Apple（Reuters，2025 年 5 月 17 日）、Harvey（2026 年 8 月）
- 其他西方公司已非常公开地将其使用的模型从美国的闭源实验室转向中国的开放模型以节省成本。例子包括 Perplexity 高调且迅速地采用了 DeepSeek R1（Forbes，2025 年 1 月 28 日）以及 Thomson Reuters 基于 Qwen 构建以摆脱 Claude（Business Insider，2026 年 8 月 24 日）

留下评论

技术细节

什么是蒸馏，它对中国实验室有多大帮助，开放模型如何影响网络安全等前沿 AI 风险，以及开放模型落后闭源前沿有多远？

开放与闭源模型之间的差距近年来已缩小，目前约为 4-6 个月。自约 2024 年以来，领先的开放模型都来自中国实验室。
- SemiAnalysis 的文章进行了独立评估，结论是开放模型随时间越来越接近更近的性能前沿——开放模型正在追赶吗？，SemiAnalysis（2026 年 8 月）
- 开放模型处于帕累托成本前沿，但不在绝对性能前沿。例如 DeepSeek V4 Flash，参见 Artificial Analysis 上的评估与成本。
- 来自 Epoch AI 和 Artificial Analysis 的数据来源（以及美国对中国，相关），展示了开放-闭源差距随时间的变化。
- 一项对公开和私有评估混合的开放-闭源差距的独立分析——开放模型落后多远？，Håvard Tveit Ihle（2026 年 5 月）
- 例如，2025 年，Z.ai 的产品负责人就其发布时间表示“快速推出。我们在几小时内就将其开源。”——Z.ai 行动手册，ChinaTalk（2025 年 11 月 21 日）
网络、风险与开放模型（我计划进一步展开）
- 为什么我们无法有效禁止恶意行为者利用开放模型获取网络能力（他们总能获得访问权限）—— OpenAI/Huggingface 事件；我们应如何应对即将到来的、廉价到无法计量的自主黑客行为，Joshua Saxe（2026年7月）
- 政府应如何观察、定向、决策和行动以应对新兴网络威胁（而不是基于内部能力评估来封锁模型）—— 我们迫切需要一套连贯的国家人工智能网络安全政策，Joshua Saxe（2026年8月）
- 为什么不能指望在某个阈值上控制对人工智能的访问（例如开放权重模型），而需要让社会准备好应对可用智能下游的风险—— 防扩散是应对人工智能滥用的错误方法，Helen Toner（2025年4月）
蒸馏——即利用另一个模型的输出 token 进行训练的过程——是2026年围绕开放模型最受关注的一场辩论。
- 关于基本背景，参见教科书章节，内容涉及合成数据与蒸馏的一般性介绍，出自Reinforcement Learning from Human Feedback（2026年出版的训练后教科书）
- 蒸馏如何帮助中国实验室，但并未削弱其创新能力—— 蒸馏对中国大语言模型究竟有多重要？，Nathan Lambert / Interconnects（2026年2月）
- 一份非常透明的记录，说明中国公司如何使用 Anthropic 的产品并规避服务条款或预期用途。该报告详细描述了被禁方大规模使用 Anthropic 产品的情况，其中既有技术性蒸馏（通过 SFT 数据提及），也有将 Claude 大量接入其产品和服务而不告知用户的做法——检测和反制人工智能滥用：2026年9月。
- 一篇近期论文表明，前沿实验室在其 API 中实现的某些机制，使得通过巧妙手段系统性提取推理轨迹（现代训练的关键部分）成为可能。近期关于蒸馏的论文，以及我的相关写作—— 从专有 LLM API 中窃取推理轨迹，Panfilov、Schmotz、Shumailov 等，2026（更多内容见 X）。Anthropic 已确认中国实验室使用了这一技术。
- 为什么围绕蒸馏的政治恐慌——声称蒸馏是中国模型接近前沿的唯一原因——缺乏证据支持—— 蒸馏恐慌，Nathan Lambert / Interconnects（2026年5月）
- 在跨智能体行为扩展 RL 环境的时代，实验室如何利用蒸馏改进模型—— 蒸馏如今如何使用，以及它为开放模型带来多少性能提升，Nathan Lambert（2026年7月）
- [可选] 更多历史：2024年，我写了合成数据的前沿，其中的关键点是，合成数据，主要是通过用更强模型的输出进行SFT训练来“蒸馏”模型，是蒸馏的主导形式。前沿实验室一直在转向基于logit的知识蒸馏，最早在Gemini中得到确认，并延续至今。2025年初，关于DeepSeek-R1是否从OpenAI的o1模型蒸馏而来，存在大量争论。没有明确证据表明他们这样做了，并且在2025年4月，我自信地写道DeepSeek没有蒸馏。在R1发布时，基于上述推理轨迹提取方法，DeepSeek确实蒸馏了一些o1轨迹以便更容易训练他们的R1模型，这种可能性比我当时认为的要大。这并不减损其创新性，但值得现实地看待，并且这是蒸馏可能加速中国缩小与美国实验室差距的一种方式。