Arcee发布400B稀疏MoE模型，刷新开源大模型规模

本期概览

《Open Artifacts》第18期聚焦本月最具价值的开源模型。报告指出，虽然2024年整体发布节奏放缓，但Arcee、LiquidAI、Moonshot等公司相继推出重量级模型，进一步丰富了社区的选择空间，也让业界对即将到来的大型模型（如DeepSeek V4）充满期待。

重点模型

• Arcee‑Trinity‑Large‑Preview

  • 参数规模：总计400B，稀疏MoE结构，实际激活13B参数。
  • 训练背景：美国公司自行研发，提供两套基线模型（预退火版与训练后版）。
  • 亮点：技术报告详细披露稀疏路由机制与硬件优化方案，适合算力受限的研究者进行微调。

• LiquidAI LFM2.5‑1.2B‑Instruct

  • 参数规模：1.2B（含指令微调），训练数据达28T token，较原始2.0系列提升显著。
  • 性能对比：在内部评测中接近 Qwen3‑4B‑2507 Instruct 的质量，却仅为其三分之一大小。对比 Qwen3‑1.6B，几乎每次均获更好评价。
  • 发行形式：同步发布日文版、视觉模型与音频模型，形成完整多模态生态。

• Moonshot Kimi‑K2.5

  • 参数规模：2.5B，持续预训练 15T token。
  • 多模态能力：支持文本、图像与音频输入，重点强化编码与 agent 能力。
  • 市场反馈：部分用户在推特上已将其替代 Claude 4.5 Opus 用于低成本任务，虽在写作表现上略逊，但在代码生成与工具使用上优势明显。

• GLM‑4.7‑Flash (zai‑org)

  • 参数规模：30B 总参数，3B 激活，定位为轻量化 MoE。
  • 适用场景：针对资源受限的边缘部署提供高效推理。

• K2‑Think‑V2 (LLM360)

  • 特色：开放式推理模型，基于前代模型进一步提升链式思考能力。

行业影响

1. 算力与成本的再平衡：Arcee 的超大规模稀疏 MoE 展示了在同等算力下实现更高参数规模的可行路径，为中小实验室提供了新思路。
2. 模型生态的细分化：LiquidAI 通过极致小模型实现了与大模型相近的指令理解能力，说明“体积不等于能力”，有助于降低部署门槛。
3. 多模态竞争加剧：Moonshot 将 Kimi‑K2.5 定位为兼顾文本、图像与音频的全能模型，预示着下一波开源大模型将更注重跨模态协同。
4. 开源竞争格局：随着 Arcee、LiquidAI、Moonshot 等公司持续投放高质量模型，传统闭源巨头（如 OpenAI、Google）在开源生态的压力将进一步上升。

"开源模型的多样化正推动整个行业进入一个‘模型即服务’的新时代，研究者可以根据具体任务自由选型，而不必被单一巨头锁定。" – 本期编辑精选

展望

展望下月，业界普遍预计 DeepSeek V4 将带来更强的跨语言与跨模态能力，Claude Sonnet 5 亦可能在本周末正式发布。开源社区的快速迭代正促使商业化产品加速落地，企业在选型时需兼顾模型性能、算力成本以及社区支持力度。