他們正在打樣「榨干」有限算力的極致解法。

原標題：大模型隱藏玩家上桌：DeepSeek 向左，面壁向右
文章來源：AI科技評論
內容字數：12158字

大模型賽道新格局：高效性成為關鍵競爭力

大模型賽跑兩年后，競爭格局已發生轉變，形成三大趨勢：追求大參數模型、轉向應用端以及專注高效模型。本文重點關注第三類玩家，特別是國內的“面壁”和“DeepSeek”兩家公司，它們通過高效的模型訓練方法，在有限算力下取得了顯著成果，成為大模型領域的新興力量。

1. 高效訓練：面壁與DeepSeek的差異化策略

算力成本高昂，參數規模并非與性能呈線性關系，因此高效訓練成為關鍵。DeepSeek選擇從頭訓練MoE模型，在降低成本的同時提升性能，其DeepSeek-V3模型以較低的成本超越了多個開源模型。而面壁則另辟蹊徑，專注于端側場景，通過自研稀疏化方案和新型類腦高效稀疏CFM架構，在MiniCPM系列模型中取得了顯著的性能提升和能耗降低，在單設備服務的高效性上更勝一籌。兩者在稀疏化方法、目標場景和高效性側重點上存在差異。

2. 端側模型的崛起：MiniCPM-o 2.6的突破

面壁的MiniCPM-o 2.6模型，以8B參數實現了與GPT-4o相當的全模態實時流式視頻理解和高級語音對話能力，并具備更強的環境感知能力。其優勢在于端側部署，避免了云端模型的延遲和可靠性問題。MiniCPM-o 2.6的技術突破主要體現在端到端全模態流式架構、低延遲模態并發技術和端到端全模態流式學習三個方面。這標志著端側模型在性能和應用上取得了重大進展。

3. “能力密度”定律與未來展望

面壁團隊提出了“能力密度”定律，認為模型能力密度隨時間呈指數級增長，模型參數規模將持續下降，同時模型推理和訓練開銷也會顯著降低。這為端側模型的發展提供了理論支撐，也預示著未來以更少的資源實現更高智能水平成為可能。 面壁的理念是務實的理想主義，他們認為AI最終應服務于人，高效的AI技術才能真正惠及社會。

4. 挑戰與機遇并存

雖然端側模型發展迅速，但仍面臨內存、功耗和算力等硬件瓶頸。 然而，芯片技術的進步和模型訓練技術的優化正在逐漸克服這些挑戰。 面壁和DeepSeek等公司在高效模型訓練方面的探索，為大模型技術的發展帶來了新的方向，也為大模型的落地應用提供了更多可能性。

聯系作者

文章來源：AI科技評論
作者微信：
作者簡介：雷峰網旗下AI新媒體。聚焦AI前沿研究，關注AI工程落地。