大模型“军备竞赛”的尽头是参数？OPC创业者真正该抢的，是那个被99%的人忽略的“能力溢出”窗口

Kimi K3与DeepSeek V4 Flash的路线之争，撕开了大模型竞赛的

两个月前，当你问投资人“大模型还有机会吗”，他们多半会摇头说格局已定。但短短两周内，两个产品用完全相反的路线，把这个结论砸了个粉碎。

7月17日，月之暗面扔出 Kimi K3，2.8 万亿参数、896 个专家的稀疏 MoE 怪兽，直接冲上 Artificial Analysis 智能指数榜首，前端编程任务甚至把 Claude 和 GPT 都压了下去。两周后，DeepSeek 掏出 V4 Flash 正式版，参数只有 K3 的十分之一——2840 亿，激活参数更是小到 130 亿，却靠纯后训练优化把 Agent 能力翻了一倍，价格拉到前者的五十分之一。

一个在追求性能天花板，一个在死磕极致性价比。这根本不是“谁更强”的问题，而是两条路线同时被验证成立了。

做 OPC（On-Premise Coding）创业的人，很容易盯着参数跑。但我更关注的是它们共享的一个信号：模型解决问题的能力，正在以远超成本降低的速度溢出。K3 用 1040 亿激活参数打出了顶级编程分，V4 Flash 仅用 130 亿激活参数就冲到 Agent 指标翻倍，推理时需要的算力降到前代 V3.2 的 27%。这些数字翻译成创业语言就是——以前你需要几万美元卡才能跑的代码生成质量，现在几千块成本的轻量模型就能做到，甚至在某些场景下做得更好。

• Kimi K3 那块是首次有开源模型在 Artificial Analysis 登顶，还顺手拿了前端编程 Arena 第一。这意味着顶级的代码能力不再是闭源 API 的特权。
• DeepSeek V4 Flash 的 Agent 跃升，靠的是压缩稀疏注意力和 Muon 优化器这类架构级创新，而不是蛮力堆参数。在百万 token 上下文场景，它的 KV 缓存只占前代的 10%。这直接打穿了长链推理的成本墙。

回到我们这行，像舍予AI智能体这样试图用 AI 重构编程协作模式的产品，核心竞争力不在于调用了多强的模型，而在于能否抓到那个稍纵即逝的能力溢出窗口。当模型在某个垂直任务上性能突破阈值，但成本还没被市场完全定价时，谁先把它工程化、场景化，谁就能用最小的资源撬出最大的产品势能。

这场路线之争撕开的，不是什么模型排行榜的新王旧王，而是一个事实：大模型竞赛已经从“参数军备”转向“能力密度”的比拼。对创业者而言，最危险的从来不是技术不够好，而是当性价比拐点砸到面前时，你还在用上一代思维做下一代的工具。

都说开源模型不值钱，Llama 4和Qwen3-Max却在LMArena数学榜上

开源模型一直被低估，好像只有闭源、收 API 钱的那套生意才叫“值钱”。但 LMArena 的 Math Arena 子榜单，正在狠狠打这个脸。

翻开 2026 年 Q3 的数学推理排行榜，Llama 4 Maverick Instruct 以 1317 的 Elo 得分、接近 3000 次真实用户盲测投票，硬生生挤进了全球前列。同一张榜里，Qwen3-Max 也杀了出来——虽然没有精确到小数点后两位的数字，但 DataLearner 在分析中特别点出：DeepSeek、Qwen3 系列、GLM 等国产模型，已经在 Math Arena 这个开放式数学擂台上，形成了一条清晰的开源“能力带”。

这才是“能力溢出”最真实的截面——不是评测机构刷榜，而是真实用户一道代数题、一道几何题地投出来的结果。

为什么数学榜特别重要？因为它几乎是当前大模型逻辑严密性的“应力测试”。你让模型编一段营销文案，好坏是模糊的；但让模型解一道 AIME 级别的竞赛题，对了就是对了，错了就是错了。Math Arena 用的还是盲测，用户不知道答案来自哪个模型，品牌光环彻底失效。这种情况下，Llama 4 Maverick 和 Qwen3-Max 能站住脚，说明 开源模型在硬核推理上，已经具备和闭源旗舰对线的资格。

更值得玩味的是这些模型的参数路径。Llama 4 走的是稀疏 MoE 架构，总参数大到惊人，激活量却控制得很克制；Qwen3-Max 则是在稠密模型上持续做强化学习和思维链优化，靠后训练硬拉数学能力。两条路完全不同，但都证明了一件事：参数不是成本包袱，而是能力载体。那些说“开源模型不值钱，因为参数越大越烧钱”的人，恰恰忽略了——当数学推理这种高价值场景被开源模型攻破后，它们不再只是廉价的文本生成器，而是能解决实际问题的计算引擎。

而且这个趋势的落地速度，远超多数人预期。我们已经看到不少 AI 编程工具开始在底层切换数学推理强化的开源模型，用来做代码逻辑校验、复杂算法生成。一些硬件厂商甚至把这些模型压缩后部署到边缘设备上，处理结构化数据的实时推断。这已经不是“实验室里的能力”，而是实实在在的溢出到产品里。

所以别再用“开源=便宜=低端”的老眼光看赛道了。LMArena 数学榜告诉我们，在逻辑推理这个关键变量上，开源阵营正在撕开一道很宽的口子，而且这道口子的背后，连着代码生成、数据分析、Agent 自动决策等一系列高价值落地场景。谁先接住这个溢出的能力，谁就可能抢到下一个产品化的窗口。

反驳“技术还不够成熟”：从Claude Code到华为云，再到小米米家

总有人说大模型进生产环境还早，技术不够成熟。

但你看华为云最近的动作——Claude Code已经正式接入华为云MaaS平台，作为一个标准化的开发工具上线了。这可不是实验室demo，是直接面向开发者的生产级服务。

一个细节值得注意：华为云这次不只是单纯做API代理，而是把Claude Code和自家的CloudIDE、代码仓库做了深度打通。这意味着什么？意味着大厂已经在把AI编程工具直接嵌入最核心的开发流水线，而不是只当成一个聊天窗口。

再往消费端看。小米米家App最新的更新日志里，悄无声息地加了三样东西：3D中控模式、安防场景的AI事件总结、还有结合大模型能力的智能助手。这个智能助手不是摆设，它直接帮用户创建自动化规则、回答设备问题。

发现了吗，大模型已经不是“能不能用”的问题了，而是正在变成你生活中一个不声不响的基础设施。

所以，当有人还在争论参数规模、还在担心幻觉率的时候，真正的落地者已经在抢第三个窗口了——我把它叫做“能力溢出”。

什么叫能力溢出？就是模型的底层能力已经明显超过了当前应用层能消化的上限。就像你手里有一台能跑3A大作的显卡，但市面上大多数软件还只需要核显。Claude Code的代码理解能力、米家智能助手的意图识别，本质上都是在吃模型溢出的那部分能力。

这对OPC创业者来说，是一个极其关键的时间差。

你不需要等下一个十万卡集群建成，不需要等参数再翻十倍。现在这个时间点上，模型溢出的能力已经足够你重构至少三个垂直场景的工作流。关键是你能不能比别人更早地找到那个具体的落地缝隙——比如安防场景的事件总结这种很细的需求，米家抓住了，它就比别人多一个触点。

我之前提过，舍予AI智能体给自己的定位是“老板的第一支AI战队”。这个定位很聪明，它不是去追最前沿的模型，而是把现有模型溢出的能力包装成中小企业主能立刻上手的东西。这就是能力溢出窗口的典型打法。

别等了。窗口不会一直开着。