DeepSeek与面壁智能大模型技术路径深度解析
大模型赛道经过两年高速发展，行业格局已呈现清晰分化。当前参与者主要沿着三条路径演进：一部分企业仍聚焦于大规模基座模型的参数竞赛；另一部分在算力约束下转向应用层，加速商业化进程；而第三类探索者，则致力于解决一个更核心的命题——如何在有限资源下，训练出性能更强、效率更高的模型。
如今，即便是追求参数规模的第一类厂商，也在积极寻求高效解决方案。OpenAI推出GPT-4o mini切入轻量级市场，Meta、微软、谷歌、阿里等巨头也纷纷布局Llama 3.1-8B、Phi系列、Gemma 2、Qwen 2.5等小型化模型，便是明证。行业共识在于，算力增长存在物理上限，且参数规模与模型性能并非线性正比关系。若参数倍增带来的能力提升有限，大模型整体发展速度将面临瓶颈。
OpenAI或许能以千亿级参数达到GPT-4的性能，但其他厂商可能需要投入更庞大资源才能勉强追赶。试图单纯依靠堆叠算力与参数来超越GPT-5，对绝大多数玩家而言既不经济，也不现实。因此，深耕应用场景成为许多公司的务实选择。而那些坚守基座模型研发的团队，则将研究重点转向“参数效率”——如何最大化每个参数的价值，这被视为模型训练的终极方向之一。目前，模型参数的潜力远未被充分挖掘。
在“高效训练”这条赛道上，国内创业公司面壁智能与深度求索（DeepSeek）凭借其高效且开源的技术路线迅速崛起，甚至在海外开发者社区也获得了广泛赞誉。《经济学人》杂志曾将二者并称为中国最具创新力的大模型公司。如今，在国内大模型创业生态中，除了备受关注的“六小龙”，面壁与DeepSeek这两支生力军也已强势加入竞争，形成了“6+2”的多元格局。
一个值得关注的现象是，国内的技术突破常先在海外引发热议。DeepSeek去年凭借极具成本优势的DeepSeek-V2一举成名，其最新发布的V3模型更令硅谷技术圈惊叹。面壁智能则曾因MiniCPM-Llama3-V 2.5模型被海外团队套壳抄袭事件引发关注，其后又因其专注端侧设备的独特战略而受到业界重视。两家公司技术实力获得海内外认可，其核心团队均拥有深厚学术背景：面壁核心成员多源自清华大学NLP实验室，DeepSeek也广泛吸纳清华、北大等顶尖高校的杰出人才。
然而，同属“高效”阵营，双方在技术路径与战略聚焦上存在显著差异。
首先，在模型稀疏化方案上，DeepSeek选择了从头训练混合专家模型。对于云端超大规模模型服务，MoE架构确实是当前较优选择，能在扩展参数规模的同时控制计算成本。但MoE对资源受限的端侧设备并不友好。为此，面壁提出了更适配终端设备的稀疏化方案，不仅在MiniCPM-S系列中引入了自研稀疏训练方法，还创新性地提出了“可配置基础模型”这一新型类脑稀疏架构。
其次，两者的优化目标不同。DeepSeek的高效，是一套高度定制化、面向云端大集群训练与服务的极致技术体系，其MoE与多头潜在注意力技术深度耦合，核心目标是通过云服务最大化处理用户请求。而面壁的优化则聚焦于边缘计算与端侧算力场景，追求在单台设备上实现服务的高效性，推动模型本地化部署与运行。
再次，能力侧重点有所区别。DeepSeek在高效训练领域成就突出，而面壁则在高效推理，尤其是端侧推理方面积累了深厚经验。事实上，高效推理正是模型能否成功部署至手机等终端设备的关键挑战，而这恰恰是面壁早期切入并持续深耕的赛道。
「高效」问题何解？
近日，以“大模型界拼多多”著称的DeepSeek发布了DeepSeek-V3模型。其在多项基准测试中的表现，超越了Qwen2.5-72B和Llama 3.1 405B等开源模型。更引人注目的是其训练效率：仅用2048块H800 GPU就实现了这一性能。作为对比，训练Llama 3 405B消耗了16384块H100。
这再度激发了行业对高效训练的热情。无限制的“烧钱”竞赛并非可持续之道。数据显示，DeepSeek-V3的总训练成本约为557.6万美元，耗时280万GPU小时。而GPT-4o的训练成本据估算高达1亿美元，Llama 3 405B则耗费了3080万GPU小时。
提升基座模型的效率是行业核心命题，而稀疏化技术（如MoE）是主流方向之一。它能在扩大模型参数量的同时，让实际计算量远小于同规模的稠密模型，这在国内算力资源普遍受限的背景下，几乎是必然选择。
DeepSeek选择的路径是从零开始训练MoE模型。这种方式训练难度更大，但能避免一些潜在问题。例如，通过复制现有模型神经元来构建MoE的方法，可能导致专家之间知识重叠、权重冗余，无法充分发挥MoE的潜力。从头训练则自由度更高，有望逼近MoE架构的理论上限。当然，这套方案主要服务于云端。
对于端侧，MoE未必是最佳答案。面壁给出的解题思路是另一种稀疏化方案。去年，面壁在MiniCPM-S系列中引入了自研的稀疏化技术，通过激活函数替换和带约束的稀疏感知训练，能将Llama等模型的稀疏度提升至近90%，在基本保持模型性能的同时显著降低推理开销。相比之下，某些MoE方案可能会对模型效果产生明显影响。
去年底，面壁团队进一步提出了“可配置基础模型”架构。与MoE相比，CFM从更本质的层面覆盖了从预训练到后训练的全过程模块化。它基于一个发现：大模型在预训练中会像人脑一样，自发形成功能分化的神经元模块，分别擅长语言、数学、代码等不同任务，且每次计算只激活相关模块。CFM正是将大模型拆分为预训练产生的“涌现模块”和后训练产生的“定制模块”，使得模型构建可以像搭积木一样，通过模块的检索、组合与更新来实现复杂能力。
事实上，面壁是国内最早探索稀疏激活技术的团队之一。早在2021年6月，由面壁智能创始人刘知远牵头的“悟道·文源”项目就发布了千亿参数MoE模型CPM-2。同年，团队发表论文《MoEfication》，提出将稠密模型转化为等参数量的MoE模型，同样能实现大幅推理加速，证明了仅使用原模型10%-30%的参数即可保留95%的性能。
刘知远曾表示，创立面壁的初衷就是希望降低大模型的使用门槛。因此，团队早期就致力于降低模型压缩、微调等环节的成本，并始终沿着“降本增效”的路径探索。例如，面壁曾用仅2.4B参数的MiniCPM模型，实现了对标Llama 2 13B模型的性能。这种“以小搏大”的路径证明，当参数潜力被充分激发，小模型通过高效训练完全可能达到更优性能，这也为寻找更大规模模型的最优解提供了思路。
回到两家公司的路径差异。DeepSeek在云端超大规模模型中融合MoE与多头潜在注意力技术，使得模型能以更大的批次处理数据，减少单次请求的实际运算量，从而降低云端API的推理成本。有行业分析指出，其技术体系高度定制化，MoE与MLA及底层基础设施强绑定，整体是针对大集群训练与服务的云端极致优化。
而面壁的优化矛头则指向边端算力场景，追求单设备服务的高效性。其通过训练技术优化提升模型的“知识密度”，让更小的参数战胜更大的模型，并使MiniCPM系列能够直接在手机等终端设备上本地运行。在端侧场景的解决方案上，DeepSeek目前尚未涉足。
值得一提的是，关于模型性能随规模增长的“缩放定律”正面临数据和算力上限的挑战，甚至被质疑可能失效。面壁团队曾致力于在同等条件下实现更优的缩放曲线，如今则在探索其他规律。刘知远发现，大模型行业存在一种类似“摩尔定律”的现象：随着数据、算力、算法的协同演进，实现特定能力所需的参数规模在快速下降。例如，2020年GPT-3用1750亿参数达到的能力，到2024年初仅需24亿参数即可实现。这意味着模型的“能力密度”在不断提升。
基于此，面壁团队提出了“大模型密度定律”——模型的能力密度随时间呈指数级增长。这里的“能力密度”定义为，达到某个参考模型性能所需的有效参数大小与实际参数大小的比率。根据这一定律，可以推导出多个重要推论：实现相同能力所需的参数规模大约每3.3个月下降一半；模型推理和训练开销随时间迅速下降；模型小型化揭示了端侧智能的巨大潜力；模型存在由密度倍增周期决定的“有效期”等。
端侧如何胜云侧？
这套通过高效优化将模型做小的逻辑，自然而然地指向了端侧部署的广阔前景。从全球算力分布看，OpenAI、谷歌等巨头部署了庞大的云端算力集群，但全球超过80亿台手机中的芯片，构成了一个不可忽视的“长尾”算力池。事实上，手机中很多场景的计算并不都需要上云，本地处理往往是更高效、更可靠的选择。
刘知远对此有一个形象的比喻：明明一个13B模型的能力可以用一个2B的模型来实现，并且能在端侧跑得飞快，何必非要联网、发送请求到云端呢？大模型是计算密集型任务，从可持续发展和实际落地的角度看，端侧算力显然是一片尚未充分释放的蓝海。因此，MiniCPM所代表的端侧高效模型，很可能代表着未来的一个重要方向。毕竟，不是所有需求都需要动用GPT-4级别的能力，很多时候GPT-3级别的模型就已足够。
自MiniCPM-V系列开始，面壁便持续聚焦于解决端侧多模态模型的问题。近期，其又推出了全新的MiniCPM-o 2.6模型。据官方介绍，该模型仅80亿参数，不仅在视觉能力上进行了大幅提升，如强大的OCR、可信行为、多语言支持和视频理解，还引入了实时语音对话和多模态直播等新功能。它支持双语实时语音对话，声音可配置，并能实现情绪语速控制、端到端语音克隆、角色扮演等趣味交互，首次支持在iPad等端侧设备上进行多模态直播。
MiniCPM-o 2.6全面对标了GPT-4o的“全模态实时流式视频理解+高级语音对话”能力，支持视频、语音、文本输入及语音、文本输出，并具备了人类级别的低延迟实时交互体验。然而，GPT-4o并未部署在端侧，其网络延迟、服务器带宽及高并发下的可靠性仍是潜在隐忧。
与GPT-4o相比，MiniCPM-o 2.6的一个独特优势在于，它能感知并理解除人声之外的背景音，例如撕纸、倒水、金属碰撞等声音。这一点，目前大多数部署在云端的大模型还难以做到。
此外，面壁特别强调了其“真正”的视频大模型能力。通用人工智能不仅关乎大语言模型，其能力应涵盖推理、记忆、规划以及与外界环境的交互。而交互本质上是多模态的，需要深刻理解图像、视频和声音。
MiniCPM-o 2.6能够持续对实时视频和音频流进行建模，感知用户提问之前的画面和声音，这种方式更贴近人眼的自然视觉交互。相比之下，市场上一些宣称支持实时视频理解的模型或产品，实际上只是在用户提问后才对视频进行静态抽帧分析，无法捕捉提问前的上下文情境，更像是一个“照片大模型”。
实现这些技术突破，背后主要依靠三条路径：一是端到端全模态流式架构，通过模块化设计灵活构建多模态能力，并以端到端方式联合学习，支撑更高的能力上限；二是低延迟模态并发技术，通过时分复用等技术实现流式编码与低延迟响应；三是端到端全模态流式学习，让模型能在视频中观察环境，进行社会角色扮演，为未来驱动具身智能体参与社会活动打下基础。
面壁已将端侧模型的技术迭代推向了新高度。但需要明确的是，将模型做小解决高效性问题只是第一步，小模型并不完全等同于端侧模型。模型要成功部署在终端，硬件的发展同样至关重要。
目前，端侧模型面临内存、功耗、算力三大硬件瓶颈。例如，Apple曾指出，一个70亿参数的半精度模型完全加载到终端需要超过14GB的DRAM空间。Meta也测算过，一部满电约5000焦耳的iPhone，在每秒生成10个token的速度下，仅支持与一个7B模型对话不足2小时。
不过，行业的发展也带来了乐观信号。一方面，终端芯片性能在快速提升，最新芯片已能支持百亿参数模型运行；另一方面，模型训练技术也在进步，两三百亿参数的模型也能达到GPT-3.5的水平。关键问题在于如何将芯片能力与模型训练高效衔接，这需要深度的软硬件协同优化。面壁智能首席研究员韩旭表示，这方面的技术已不是根本障碍，更多是等待产业时机成熟。
务实的理想主义者
当前，不少团队将实现AGI作为终极目标或核心卖点。但就像计算机的发展史一样，造出更强大的计算机固然重要，而让计算机变得廉价、普及，从而让整个社会受益，则需要兼顾应用与普惠。面壁所做的，正是贡献这其中的一部分。
面壁对AGI的看法，更像是一群“务实的理想主义者”。他们认为，AI最终是服务于人的工具。从计算机科学的视角看，AI的目标是让计算机更智能、更具理解能力。思考如何让AI更高效，从而将人从重复性劳动中解放出来，才是更值得关注的问题。
在刘知远看来，如果按照OpenAI的规划，五年内实现超级智能，仍有太多关键问题亟待解决，“缩放预测”是其中之一，“超级对齐”更是核心挑战——即当模型在某个任务上超越人类后，如何确保其继续安全、可控地提升。而一味追赶GPT-4或许只是一个参考，跟随OpenAI不一定是最正确的选择。面壁在未来不会局限于单一的“缩放定律”，更不会把某个单一问题视为全部。换言之，实现AGI必须坚持自身独特的技术路线与价值思考。
相关攻略
近日，在北京市石景山区人民政府、北京市经济和信息化局、北京市科学技术委员会中关村科技园区管理委员会联合主办的服贸会分论坛——“通用人工智能算力论坛”（AGICF）上，面壁智能正式发布了千亿参数多模态大模型“露卡”（Luca），并开启了其2 0版本的全民公测。 “露卡”之名，源于地球生命始祖的英文缩写
过去几年，大模型行业的注意力更多集中在云端，关注参数规模、推理速度或者能力榜单，而如今，客户关心的不是模型能不能更“强”，而是能不能在真实算力条件下跑起来，能不能稳定服务用户，能不能把成本压到一个可
近日，面壁智能完成马年春节之后首轮融资，迎来新春“开门红”。 本轮融资规模数亿元，由中国电信领投、中信金石、中信私募跟投。其中，中国电信作为战略投资方，将与面壁智能展开深度业务协同。中国电信将发挥
2月28日，面壁智能官宣2026年首轮数亿元融资。本轮融资由中国电信领投，中信金石、中信私募跟投。本轮融资显示了资本行业对面壁在“端侧大模型”赛道领先地位以及高密度技术创新的认可。具体来看，中国电信
来源：环球网【环球网科技综合报道】2月28日消息，近日，面壁智能宣布完成新一轮数亿元融资，由中国电信领投，中信金石、中信私募跟投。在行业步入‘中场战事’、商业化落地成为核心命题的当下，面壁智能在春节
热门专题
热门推荐
近日，中国汽车流通协会联合精真估发布了《2026年4月纯电动车型一年车龄保值率排行榜》。这份数据对于正在选购新能源车的消费者具有重要参考价值，能帮助大家更清晰地了解当前热门电动车的残值表现。 该榜单统计的是车龄满一年的纯电动车型。位居榜首的是问界M9，其一年保值率高达80 4%。这一夺冠成绩含金量十
科技行业近期迎来一场备受瞩目的创新盛宴。以智能清洁机器人闻名的追觅科技（Dreame），在旧金山隆重举办了“Dreame Next 2026”未来愿景发布会。活动不仅前瞻性地展示了涵盖智能手机、智能穿戴乃至概念电动车的全系列产品，更邀请到苹果联合创始人史蒂夫·沃兹尼亚克亲临助阵。这场为期四天的盛会，
SpaceX最快下周披露招股书，6月初启动全球路演，估值或达1 75万亿美元，募资规模有望创纪录。公司以垂直整合与成本控制为核心优势，布局商业航天、AI基础设施与卫星互联网，其“太空数据中心”构想融合太空太阳能与AI算力，开辟新赛道。此次IPO或引发科技板块资金结构性变动，标志资本正加速拥抱太空与AI融。
NVIDIA在SIGGRAPH上宣布扩展其微服务库，以加速人形机器人开发。其核心是将生成式AI深度集成至OpenUSD语言体系，推出相关模型与NIM微服务，从而提升数字孪生与机器人工作流效率。公司还开放了机器人技术栈，并联合合作伙伴推动OpenUSD的工业应用，为开发者提供从仿真到部署的端到端平台支持。
OKX作为全球领先的数字资产交易平台，其风险主要来源于市场波动、技术安全与合规环境。平台通过多重安全机制、资产储备证明和严格的合规流程来管理风险。用户需理解加密货币的高波动性本质，并采取自主保管资产、启用安全功能等策略，以在参与Web3生态时更好地保护自身权益。