Nathan Lambert 哈佛讲座视频发布：开源模型现状全景

完整中文导读

Nathan Lambert 在哈佛 CS 2881R「AI 安全」的客座讲座视频发布，他梳理开源模型现状，认为中国开源模型在性能、下载量和论文引用上全面领先，但美国有 10 倍以上算力优势。他判断蒸馏不是关键问题，美国真正持久的优势是算力，并主张按模型评估额外风险而非禁止开源。

中文整理

作者 / 来源：meng shao (@shao__meng) · 原文时间：2026年10月25日 10:18（北京时间）

原作者信息要点

Nathan Lambert 在哈佛大学 CS 2881R「AI 安全」课程的客座讲座视频已发布，讲座主题为开源模型现状全景。

作者转述的核心判断：开源模型落后闭源前沿约 3 到 5 个月，差距在缩小；在性能、下载量、论文引用三方面，中国开源模型全面领先，美国开源模型又比中国落后 3 到 4 个月；把蒸馏当成核心问题是高估了；美国真正持久的优势是算力；禁止开源只会损害经济活动，挡不住坏人。

开源被描述为一个光谱：只开放权重（Llama、Qwen、DeepSeek、Kimi、GLM）到完全开源（OLMo、Pythia、SmolLM、Marin），Nemotron 处于中间。宽松许可证举例为 MIT（DeepSeek、GLM-5.2、MiMo）和 Apache 2.0（Qwen、gpt-oss、Gemma 4）。带营收门槛、品牌露出要求或使用限制的自定义许可证被作者归为不算开源，例如 Kimi K3、Muse Spark Open、MiniMax M3 的年营收门槛为 2000 万美元，GLM-5.3 超过 100 亿美元要做安全审查；这些条款大多未经法庭检验。

开源动力包括资本、科研教育、防止权力集中和自由；作者引用 Bill Gurley 称开源是第二名的自然选择。中国实验室集体走向开源被解释为在西方 AI 圈获得存在感，DeepSeek R1 之后小米、美团、蚂蚁等入场。企业案例为 Harvey 在 Kimi K3 上做法律方向后训练，全部通过率接近翻倍、成本基本不变。

竞争力部分：2026 年 1T 参数以下算小模型；列举小米 MiMo-V2.6-Pro（总参数 1T、激活 42B，Artificial Analysis 指数 46）、DeepSeek V4.1 Flash（763B，45）、MiniMax M3.1 Flash（42，第三方测评低于官方宣传）。作者称中国模型更看重公开榜单、长尾能力不如美国模型全面，但半年内未找到证明头部开源模型（Kimi、GLM、DeepSeek）有明显缺陷的分析。

蒸馏部分：训练分预训练、中期训练和 SFT、强化学习三阶段，蒸馏主要发生在 SFT 阶段，强化学习消耗算力已超过预训练；当前所谓蒸馏是对抗性蒸馏，即从 API 套取隐藏推理过程，中国不少实验室有专门团队。作者认为不值得把它当焦点：公开研究未显示用推理过程做 SFT 能带来巨大提升；没有只针对中国而不伤害全球开源生态的政策手段；快速跟进本就比开拓前沿省算力。小米公开直播 MiMo-V2.6 强化学习训练（约 150 万次 rollout，花费 347 万美元）被作为不只依赖蒸馏的证据。

算力对比：美国前五家实验室总算力平均是中国前五家的 16 倍；到 2026 年底，Anthropic 和 OpenAI 各有 5 GW 以上算力，中国头部实验室最多 100 到 200 MW。

使用情况：开源模型推理量快速增长，本地下载加速，Hugging Face 日均独立用户约 60 万；性能相近时美国模型采用量是中国模型的 2 到 5 倍；扫描 37 万篇 arXiv 论文，Qwen 被提及次数接近 OpenAI 的 GPT。

风险与治理：AI 驱动的网络攻击已真实发生，公开案例主要是闭源模型（Claude Code、Codex）被滥用；禁止开源在现实中做不到，十多家实验室能在一年的前沿水平上训练模型，禁令只会抑制经济活动；虚假信息等风险被夸大，深度伪造确实被加速；建议发布方按每个模型评估额外风险，由国家统一风险标准，开源模型对网络防御很关键。

本站整理与观察

本站观察：上述内容均来自转述者对 Nathan Lambert 讲座的总结，讲座幻灯片链接和视频链接已给出，但材料未包含幻灯片原文或视频逐字稿，因此具体数字和判断的原始出处无法在本文中独立核验。

本站观察：材料中出现的模型名称、参数、指数和算力数字均按转述保留，未做外部比对；其中部分产品名和版本号（如 GLM-5.2、GLM-5.3、Kimi K3、MiMo-V2.6-Pro）在材料中仅此一处出现，读者宜以原始讲座材料为准。

本站观察：作者将“中国开源全面领先”与“美国算力领先 16 倍”并置，构成性能与算力的对照框架；这一框架是讲座观点，不是本站验证结论。

材料为社交媒体转述，未提供讲座幻灯片原文、视频逐字稿或第三方核验数据；文中所有数字、模型名、指数和算力对比均来自转述，本站未独立验证。部分产品版本和许可证条款细节仅见于该转述，可能存在转述偏差。

上下文来源：1