企业AI反攻：自建模型争夺智能控制权

随着开放权重模型逼近前沿水平，越来越多AI应用公司开始重新评估哪些智能能力应自建、哪些继续向前沿实验室购买。Sequoia Capital合伙人Sonya Huang指出，对于许多工作负载，使用前沿模型API仍是合适选择，但越来越多公司正为部分功能构建自有AI能力，通过纵向整合拥有并塑造模型权重。

开放权重模型追赶速度超出预期，Kimi K3和GLM 5.2表现出色。独立后训练栈已成熟，Mercor和Fireworks等公司让每家企业都能使用前沿研究实验室级别的技术栈。借助扎实的evals、Harness工程、后训练和在线学习，开放模型如今可在特定领域超过前沿模型。

是否采用开放权重模型正成为战略问题。除性能外，产品环节可能因成本、速度、专有数据和掌控命运等因素而受制于“租用智能”方式。AI产品越成功，推理成本越高，自有模型是保护利润率的最佳方式；在代码补全等领域，蒸馏的小型定制模型可能优于大型通用模型；若反馈、evals等数据能让系统进步，企业更希望数据留在内部。

从零到一的路线图包括四步：组建主动探索的团队，Harvey仅用七人就完成大量研究；让外界通过公开研究成果理解你的工作；执行技术步骤，包括Evals、Harness与上下文工程、后训练和在线学习。

Evals是基础，Harvey建立Legal Agent Benchmark，涵盖24个法律领域的1200多项任务和75000多条评分准则。Harness管理模型周围的产品逻辑，包括路由、检索、工具、记忆和Trace。后训练技术选择取决于目标：缺少事实用RAG，输出格式不对用监督微调，调整风格用偏好调优，提升专项任务用RL，模型太慢则蒸馏。在线学习通过捕获Agent执行路径，将失败任务转化为eval，持续改进系统。

拥有自有智能会打开潘多拉魔盒：闭源模型栈简单但上限低，拥有技术栈意味着承担更多系统工作，能力下限可能更低但上限更高。前沿实验室会继续构建巨型“大脑”，最优秀的产品公司也在培养自己的“小天才”：速度快、有判断、专注特定领域，并根据实际工作持续调优。