面壁智能「开源周」：一场定义端侧 AI 终局的系统性「亮剑」

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 面壁智能「开源周」：一场定义端侧 AI 终局的系统性「亮剑」 量子位的朋友们 2026-05-29 17:13:24 来源： 量子位 端侧 AI 是一个系统性工程 5 月 25 日至 29 日，面壁智能联合 OpenBMB 开源社区，以每日发布一项关键技术成果的节奏，举办了一场「端侧大模型开源周」。 这在中国乃至全球的大模型公司中，都是一次极为罕见的集体「亮剑」。 翻开过去三年的历史，也仅有以「效率美学」著称的 DeepSeek 在 2024 年（6月24日-28日）进行过类似的开源周活动。 从适配国产昇腾、未来有望将 600 亿参数大模型装进手机的 1.58-bit 低比特训练大模型 BitCPM-CANN，到性能超越两倍参数模型、全球同级最优的 MiniCPM5-1B；从 AI 亲手编写、在 H100 上比英伟达自家大模型训练框架 Megatron 更快的 ForgeTrain，到重构交互范式的智能体操作系统 PilotDeck；最后，再到揭示端侧模型高效智能源头的核心数据集 UltraData 系列…… 这五项成果并非孤立的「技术烟花」，而是一套环环相扣、逻辑严密的「技术组曲」。它们共同指向一个清晰的行业事实： 端侧大模型的终局之战，比拼的不是某个单点技术的拔群，而是覆盖数据、算法、框架、应用的全链路系统工程的创新总和。 这场精心策划的「阳谋」，不仅让我们得以一窥面壁智能深不可测的技术「冰山」，更迫使我们重新思考：在通往 AGI 的道路上，开源的真正价值是什么？而端侧，又将在其中扮演怎样的角色？ 开源圈的「清流」与「坚守者」 谈及开源，过去几年大模型圈多少有些「名不副实」的尴尬。 从 Meta Llama 3 那份「开放，但非标准开源」的许可证，到国内一些厂商「开源模型、闭源数据与训练细节」的普遍操作，「伪开源」一直是笼罩在大模型发展道路上的疑云。 这背后，是商业公司在开源道路上普遍面临的内在矛盾与痛苦抉择：开源是构建技术生态、吸引开发者的利器，但它会否在未来稀释自身的商业护城河？开源是姿态，还是信仰？ 在这样的大背景下，面壁智能与 OpenBMB 开源社区的长期坚守，显得尤为难得和珍贵。 这种坚守，首先体现在时间的维度上。早在 2022 年，当国内对大模型的认知还普遍处于混沌初开之际，由清华大学 THUNLP 实验室与面壁智能联合发起的 OpenBMB 开源社区，就已开启了中国最早的、全链路的大模型开源探索。 同年 7 月，OpenBMB 开源社区推出的免费「大模型公开课」，几乎成为国内第一批大模型从业者的「启蒙教程」，累计播放量达数百万。他们也是国内最早直播大模型训练过程的社区，对培养中国的大模型人才梯队、塑造开放的技术氛围，贡献卓著。 这种坚守，也体现在成果的「含金量」上： 在 2024 年 Hugging Face 统计全球最受欢迎大模型时，OpenBMB 开源社区的模型下载量位列中国区第一。时至今日，其 GitHub 星标已超过 13 万，位列全球开源组织前一百；MiniCPM 系列模型全球下载量突破 3000 万次，UltraData 数据集下载量也超过 400 万次。 这些数字的背后，是全球开发者真金白银的「投票」，也是其开源贡献得到国际认可的最好证明。 更重要的是，面壁智能的开源，是一种体系化的、毫无保留的「真开源」。此次开源周，他们不仅开源了模型（MiniCPM5-1B），还开源了模型背后的「生产线」（ForgeTrain）、「核心工艺」(BitCPM-CANN）、「原材料」（UltraData），乃至「智能体操作系统」（PilotDeck）——这在全球范围内都极为罕见。 它传递出的信号是：面壁智能的开源，并非营销驱动的「机会主义」，而是一种根植于其基因的技术信仰。 他们相信，通过彻底的开放，能够最大化地激发社区的创造力，加速技术的迭代，最终形成一个正向循环的、难以被模仿的生态壁垒。 在这个「模型+生态」的竞争下半场，面壁智能用长达数年的持续投入和一次毫无保留的集中展示，为「何为真正的开源精神」，写下了自己的注脚。 领先两年：端侧 AI 是一个系统性工程 如果说持续的开源展现了面壁智能的格局，那么这次开源周的五项发布，则揭秘了其在端侧 AI 赛道上深不可测的「内功」。它让我们看到，这是一家具备系统性 AGI 研发能力、恐怖的工程化效率和极致技术自信的大模型公司。 ForgeTrain 的出现，是其工程化能力的最佳体现。一个完全由AI编写、零人类代码介入的生产级训练框架，性能反超英伟达官方框架，训练速度比 Megatron 快 10%——这本身就已是行业奇迹。它标志着面壁智能的研发模式，已经进入了「AI 制造 AI」的 L3+ 阶段，研发效率实现了指数级跃迁。 而五项成果构成的全栈闭环，则证明了其系统性的研发能力。 从最底层的 Infra 创新（BMTrain、BitCPM），到数据治理（UltraData），再到模型算法（MiniCPM、VoxCPM）和上层应用（PilotDeck、松果派、法律大模型、智能座舱等），面壁智能的布局并非单点突破，而是围绕「端侧」这一核心目标，进行的前瞻性、体系化构建。 这一切，都源于一种极致的技术自信。他们自信即便公开了方法论，其体系化的领先优势也难以被快速复制。因为端侧 AI 赛道，从来都不是一个可以「大力出奇迹」的赛道。 云端大模型的核心壁垒在于「规模」——更多的卡、更多的数据。而端侧大模型的壁垒则在于「系统性协同」的复杂度。它要求在算法、软件、硬件、数据之间找到一个极致精妙的平衡点。这需要对模型压缩（如 BitCPM-CANN 的1.58-bit QAT）、高密度数据治理（如 UltraData）、软硬协同（适配国产算力）、高效推理框架（CPM.cu）、前沿智能体（PilotDeck）等多个领域都有世界级的认知和积累。 这是一个「精工细作」的领域。 单点能力的突出，远不如全链路的协同优化来得重要 —— 这道系统性的门槛，是端侧 AI 赛道难以被轻易超越的真正原因。 而在这条艰难的道路上，面壁智能已经拥有了难以逾越的先发优势。 面壁智能的指针，早在 2024 年就已拨向端侧。 当其他行业玩家在 2026 年才纷纷宣布「进军端侧 AI 」时，面壁智能已经在这条荆棘丛生的路上，孤独奔跑了整整两年。 这两年的时间差，不是简单的模型迭代，而是对整个端侧技术栈的反复打磨、验证与优化，是认知与工程经验上的巨大鸿沟。 这种领先，最直观地体现在 MiniCPM5-1B 的惊人表现上。根据公开评测，其能力在部分任务上已经超越了 GPT-4o 的某些版本。这一事实，不再是理论推演，而是对「密度定律」的强力实证： 端侧模型正在以惊人的速度，逐步「吞噬」原本属于云端模型的专属能力领地。 图注：2024 年 12 月，面壁智能就已预测 2026 年端侧模型可实现 GPT-4o 的性能效果 图注：2026 年 5 月，面壁智能新一