Mozilla 报告：中国最强开源权重模型落后美国前沿约 4.4 个月

Tom's Hardware 9 月 16 日报道，Mozilla 在 METR 的任务时域数据上做了拟合，把开源与闭源的差距定在约 4.4 个月，与 Epoch AI 的四个月估计接近。METR 是一家研究类非营利机构，它按任务所需的人类工作时间给模型打分：模型能在一半情况下完成多长的任务，就得多少分。

按 Mozilla 的拟合估计，闭源模型能处理人类专家需要 8 到 12 小时的任务。开源模型大约在四个月后达到这一水平。Mozilla 的计算显示，开源能力的翻倍周期为 3.9 个月，闭源为 5.5 个月。

这份报告是系列评估，7 月 14 日首次发表在 Mozilla 博客上。数据来自 Mozilla 与 SlashData 对约 1400 名开发者的调查，以及 OpenRouter 的流量数据和第三方基准指数。Mozilla 是开源模型的倡导者。TIME 7 月 14 日报道称，Mozilla 首席技术官 Raffi Krikorian 说这份报告有一部分是倡导性工作。

这里的「开源权重」指可下载的权重，而不是训练数据或代码。报告统计了 16 个值得注意的开源发布，但没有一个提供开源促进会（OSI）定义所要求的数据配方。

基准与价格讲的是两个故事

据 Tom's Hardware 对报告的解读，最好的开源模型在 Artificial Analysis 智能指数上落后闭源领先者三分，价格为后者的 60%；落后 Claude Fable 5 两分，价格为后者的 30%。

Mozilla 还绘制了 vals.ai 的 Terminal-Bench 2.1 结果。该测试让所有模型经过同一套测试框架，也就是为模型提供工具的那层软件。在这个榜单上，Z.ai 的 GLM-5.2 与 Claude Opus 4.7 相差一分以内，落后 Opus 4.8 约四分，每次测试的成本不到后者的五分之一。

OpenRouter 是一个把开发者流量路由到数百个模型的市场。Mozilla 统计，按 8 月的 token 用量，前十名模型中有八个是开源权重，其中七个由中国团队构建。但 Linux 基金会报告称，2025 年 5 月到 9 月，闭源提供商仍拿走了 OpenRouter 上模型层收入的 96%。

Krikorian 在给 Ars Technica 的邮件中说：「我们认为为闭源模型付费的决定取决于具体工作负载，而不是取决于机构。」

Mozilla 自己给图表配的说明对那个头条数字的持久性毫不含糊：「差距每个发布周期都会重置。」

四个月这个数字有前提

一个前提是，四个月的差距和 30% 的 token 价格都是按托管端点上的 API 对 API、按标价衡量的。报告自己的硬件图表给出，能装进一台服务器的最好开源模型得分为 52.6，能装进一块 GPU 的最好模型为 40。与榜首的差距分别是 10 分和 23 分，比报告说的四个月更大。

部署要求是另一个问题。Kimi K3 的原生 MXFP4 检查点约 1.56TB，分布在 96 个分片。Mozilla 的部署配置列出 64 个或更多加速器，而 vLLM 要求至少八块 GB300 GPU，生产流量还需要多个节点。

报告把这种情况描述为开放，但大多数拿到它的人跑不起来。Tom's Hardware 在 7 月给出的内存需求接近 1.5TB。

一个例外是 Thinking Machines 的 Inkling-Small 模型，采用 Apache 2.0 许可，其 NVFP4 版本能装进一块 B300，下限为 180GB。

还有一个模型带有来源争议。K3 牵涉 9 月 8 日 NSA/CISA/FBI 联合公告（AA26-251A）中详述的一项指控。Mozilla 的报告把这一说法表述为「被断言，但未被展示」，即 Moonshot 通过蒸馏提取 Claude Fable 5 的数据来训练 K3。蒸馏指用一个模型的输出来训练另一个模型。

Mozilla 的数据止于 9 月 1 日。此后 Artificial Analysis 已把指数更新到 v4.3，评估集也不同。当前榜单上，Claude Fable 5.1 在最高努力设置下得 53 分，Kimi K3 得 44 分，与 Mozilla 绘制的 v4.1.1 数字不可比。vals.ai 的 Terminal-Bench 2.1 榜单 9 月 11 日更新，目前由 GPT-6 Astra 以 87.27% 领先，Fable 5.1 为 85.02%。

这些排名变动有多快，可作参照：7 月 17 日 Artificial Analysis 给 K3 打 57 分，Fable 5 为 60 分；而到 9 月 1 日，Mozilla 记录的是落后两分。

数字底下的定义之争

Mozilla 衡量的是能力差距，开源促进会则认为行业衡量错了东西。在 9 月 19 日的一篇博文中，OSI 主席（博文未署名）写道，开源权重让用户能行使四项软件自由中的一部分，即无需向权利人申请即可使用、研究、修改和分享的自由，但不是全部，而且只在某种程度上。

据 OSI 的说法，AI 模型由三个主要部分组成：训练数据，权重与参数，以及用于数据准备和训练的代码。用户获取这些组件的能力，决定一个模型是闭源、开源权重还是开源。开源权重发布分享的是权重，用户可以在本地运行模型，付费让第三方托管，或用自己的数据微调。它们不分享代码，也不分享训练数据。

OSI 承认，开源权重比 ChatGPT、Claude 以及许多自动驾驶系统这类完全闭源的系统提供更多选择。它的异议在于验证。OSI 认为，没有代码和训练数据，你就无法完整检查一个模型，去解释某次输出，或确认它可信。

博文举 Ai2 的 Olmo 作为更严格类别的例子。OSI 写道，研究人员用完整的训练数据集和模型检查点，把新信息注入训练数据，然后观察模型如何记住或遗忘它。该组织认为，这类研究只有在开源 AI 发布下才有可能。

这一区分不是学术问题。Mozilla 的报告统计了 16 个值得注意的开源发布，发现没有一个提供开源促进会所要求的数据配方。

小模型，窄任务

在前沿之争之外，一些开源权重发布刻意做得很小、只干一件事。据其在 Hugging Face 上的模型卡，Superwhisper 发布了 S1-mini，一个 0.6B 参数的语音转文字输出文本规范化器。

它接收原始 ASR 转写，改写成干净的书面文本：去掉填充词，把说错重来的部分落到说话人最终说出的值，加上标点和大小写，并把口述的数字、日期、时间、货币和电子邮件地址写成书面形式。

在一个含 7519 个英语案例的留出集上，它达到 94.8% 的 token 准确率，量化版本是一个 462 MiB 的文件，可在笔记本 CPU 上运行。它由 Qwen/Qwen3-0.6B 微调而来，采用 Apache 2.0 许可并附带一条命名条款。模型卡明确说明这不是聊天模型，不会遵循一般指令。

类似的做法出现在 James Cruce 9 月 22 日发表于 ASTGL 的一篇部署记录中。他用 Laya 替换了一个确定性路由器。Laya 是一个开源权重的类型化决策模型，约 4.21 亿参数，基于 ModernBERT-large 编码器，上下文上限 1024 token，在一台配备 M3 Ultra 和 256 GB 统一内存的 Mac Studio 上通过仅限回环的 API 提供服务。

他选择它而不是 TypeSafe 的 Jev。Jev 是早期访问的托管服务，标价每百万输入 token 0.042 美元，输出 token 不收费，支持最多 255 个选项。他想要的是让日常决策留在自己的机器上。Cruce 对结果能说明什么很谨慎：在固定回放上，该模型胜过他的确定性路由器，但他没有测试 Laya 是否在总体上胜过 Jev。

他还指出一个适用于 Mozilla 报告中每个数字的限制。模型卡警告 Laya 过度自信，需要针对具体领域做校准。他写道，一个类型化答案可以结构上完美，而事实上错误。