打開Model Card那一欄寫著Qwen：基座模型的成本帳，正在改寫整個開源生態的分工

2026年9月初，一篇發表於掘金、題為「為什麼現在越來越多的開源模型，都『畢業』於Qwen」的長文在技術社羣流傳。文章的核心觀察很樸素：當使用者翻開Hugging Face上大量新發布模型的Model Card，Base Model一欄經常出現Qwen，其次是Llama與DeepSeek。這則討論值得回顧，因為它觸及的並非單一產品的成敗，而是一個正在成型的產業分工結構：從零訓練基座與在基座之上做場景化繼續訓練，已經變成兩門帳本完全不同的生意。

從零訓練一個基座，帳上要多少欄

先把規模感建立起來。根據史丹佛大學AI Index歷年報告的估算，訓練一個前沿級基礎模型的算力成本，已從2017年數百美元量級，上升到近年的數千萬乃至上億美元量級；OpenAI的GPT-6 Astra更被披露依賴十萬張GPU等級的訓練叢集，這與我們先前分析的GPT-6 Astra背後的資本帳所拆解的資本支出規模一致。這個數字本身就解釋了為什麼絕大多數團隊不會、也無力從零搭建Foundation Model。

相比之下，基於開源基座做繼續訓練，成本結構完全不同。以Embedding與Reranker類模型為例，掘金文中的觀察是：這類工作不需要重新發明Transformer，真正的投入集中在對比學習策略、資料構造與Hard Negative挖掘。換算成帳本語言，就是研發支出從「算力資本支出主導」轉為「資料工程與調優的人力成本主導」。同一套底座，可以被檢索、文件理解、Agent工具呼叫等不同方向重複使用，等於把最貴的那一欄成本，由少數幾家大廠一次性吸收，再以開源授權的形式攤提給整個生態。

這也與DeepSeek調整flash系列定價所反映的趨勢互為表裡：當推理端與訓練端的詞元成本都在快速下降，基座供給端的規模經濟只會更集中，而應用端的進入門檻只會更低。

Qwen為何成為案例最密集的那一欄

掘金文中列舉了幾個方向。多模態檢索模型如騰訊的WeMM-Embedding，採用大規模視覺語言模型作為基礎能力來源；文件理解與OCR類模型大量選擇Qwen-VL系列作為底層；面向中文場景的Agent模型則看中其指令理解、工具呼叫與長上下文能力。

需要澄清的是，這並非僅限於中國團隊。NVIDIA的Nemotron系列同樣採用「基於優秀開源Base Model繼續訓練」的路線，綜合使用了Qwen、Llama等多種基座。作者自己也強調，Qwen只是案例最密集的觀察對象，Llama、Gemma、DeepSeek同樣承擔類似功能。

從競爭格局看，Qwen案例密度高的原因可以歸結為兩點。其一是中文語料的覆蓋質量，這對檢索、文件理解這類中文需求密集的任務是硬指標。其二是尺寸階梯的完整度，從小型端側版本到大型版本都有對應checkpoint，讓不同算力預算的團隊都能找到切入點。這與我們在CapTran離線翻譯App的成本結構中看到的邏輯相同：當設備端與雲端的模型供給階梯足夠密，開發者的成本選擇空間就大幅擴張。

「畢業」與「套殼」之間：產業分工的重新劃線

文章花了不少篇幅澄清一個常見誤解：基於Qwen訓練不等於「套殼」。這個區分在帳本上是有意義的。套殼指的是不改動模型權重、僅包裝API的產品，其成本結構是渠道與介面成本；而在開源基座上做SFT、繼續預訓練或任務特化，投入的是實質的訓練算力與資料工程，兩者創造的價值層級不同。

這條線正在重新劃定產業的上下遊。上遊是少數有能力承擔基座訓練資本支出的機構，競爭的是規模、語料與授權策略；中遊是基於基座做場景特化的團隊，競爭的是資料構造與任務理解；下遊則是直接面向使用者的應用層。誰受惠？擁有算力與資金的大型基座提供者，以及能以極低門檻取得一流起點的中下遊團隊。誰承壓？試圖以「自研基座」作為差異化賣點的中型團隊，其投入在帳面上越來越難以與免費的開源基座競爭。

訊息傳播的問題是這個結構的副產品。掘金文指出，Base Model、Checkpoint、SFT這些不同層級的概念被壓縮進十幾秒的短影音與聳動標題裡，誤解隨之產生。當「全球首個」「國產超越GPT」這類敘事的實際內容是基於公開基座的特化訓練時，估值與融資敘事就可能與真實的成本結構脫節。

收束判斷

基座模型成為開源生態共同的培養基，這件事的產業意涵在於成本的分攤方式變了：最貴的訓練支出由少數玩家承擔，創新密度則由長尾的數千個特化團隊提供。對Qwen而言，案例密度本身就是市佔率的表現形式；對整個生態而言，值得追蹤的指標是基座集中度的變化，以及當少數基座佔據主導後，授權條款變更可能帶來的成本傳導。至於「畢業」一詞是否恰當，那是敘事問題；Model Card上那一欄寫什麼，才是帳本問題。