为什么现在越来越多的开源模型都毕业于 Qwen作者吴佳浩 Alben引子信息传播的速度正在超过技术理解的速度最近一年AI 领域的信息量大到有点失控。每天打开手机扑面而来的都是新模型发布新项目开源新 Benchmark 刷新第一新的国产突破标题也越来越夸张“全球首个”“国产超越 GPT”“再次震惊 AI 圈”可是当你真的点进去翻开 GitHub、Hugging Face打开那张不起眼的 Model Card往往会看到这样一行字Base Model: Qwen或者Backbone: Llama / DeepSeek然后你会意识到一件事很多所谓的新模型并不是全新的 Foundation Model而是基于某个优秀的基座模型继续训练出来的新能力。这背后其实不是自媒体在骗人而是一个更值得关注的现象AI 信息的传播速度已经远远超过了大部分读者理解这些技术概念的速度。Base Model、Checkpoint、SFT、Agent 这些完全不同层级的概念被压缩进同一条十几秒的短视频、同一个耸动的标题里误解也就随之产生。于是一个问题自然浮现出来为什么现在越来越多的开源模型都毕业于 Qwen需要先说明的是Qwen、Llama、DeepSeek 等优秀的基础模型正在共同成为开源生态的底座。这篇文章以 Qwen 为主要案例是因为它目前案例最密集、覆盖面最广但它绝不是唯一的答案。一、GitHub 上正在发生一个有趣的变化如果你最近半年持续关注开源模型社区会发现一个现象Qwen 正在悄悄成为大量新模型的起点而不是终点。1. 多模态方向比如腾讯的WeMM-Embedding定位是多模态 Embedding 模型用于图像 / 文本 / 视频检索。它采用了大规模视觉语言模型作为基础能力来源并针对多模态 Embedding 任务进行了进一步的训练优化——而不是从零搭建一个全新的视觉-语言架构。这类路线与 Qwen、Llama 等开源基座模型的发展方向高度一致。2. Embedding / Reranker 方向大量向量模型、检索模型、排序模型开始选择 Qwen 作为语言理解的基础。原因很朴素做 Embedding 不需要重新发明 Transformer。真正的重点在于对比学习策略、数据构造方式、Hard Negative 挖掘、检索任务的针对性优化。3. OCR / Document AI现在很多文档理解模型目标是解决 PDF 理解、表格解析、图文问答、企业知识库这些具体问题底层也越来越多地选择 Qwen-VL 系列作为基础。4. Agent / Tool CallingAgent 时代对基座的要求变了需要强指令理解、可靠的工具调用、长上下文支持、扎实的代码能力。越来越多面向中文场景的 Agent 类模型开始选择 Qwen 作为基础能力来源——当然Agent 这个方向本身是百花齐放的Claude、GPT、Llama、DeepSeek 同样有大量的 Agent 生态这里说的只是其中一条比较明显的路线。5. 不只是中国团队这里要特别澄清一点这不是只有国内团队在这么做。像 NVIDIA 的 Nemotron 系列这样的国际项目也体现了类似的路线——基于优秀的开源 Base Model通过继续训练、数据优化和能力增强形成面向特定场景的模型产品。需要说明的是Nemotron 并不是一个统一基于 Qwen 的系列它综合采用了包括 Qwen、Llama 在内的多种开源基座这里想强调的不是某一家用了什么,而是这套基于开源 Base Model 继续训练的方法论已经被全球团队广泛采纳。这说明的不是某一家公司多厉害而是整个行业正在形成一种共识优秀的 Base Model已经变成了 AI 工业的基础设施。当然Qwen 并不是唯一扮演这个角色的模型。Llama、Gemma、DeepSeek 等同样承担着类似的功能。这篇文章讨论的是一个更普遍的趋势优秀 Base Model 正在成为整个开源生态共同的培养基Qwen 只是目前案例最密集、最典型的一个。二、不要误解基于 Qwen 训练不等于套壳很多人第一次看到Base Model: Qwen时本能反应是“这不就是套壳吗”但如果你真的了解今天大模型的研发流程会发现事情没这么简单。一个 Foundation Model 之上可以生长出非常多条不同的技术路线Foundation Model如 QwenCPT持续预训练SFT指令微调RL强化学习对齐Embedding向量模型Reranker排序模型Agent工具调用能力Industry Model行业模型真正的创新往往不是发生在 Transformer 结构本身而是发生在数据怎么构造、清洗、配比训练目标用什么方式引导模型学习Loss 设计推理优化工程系统如何把模型稳定、高效地跑起来换句话说Base Model 提供的是语言和世界知识的底座而真正决定一个衍生模型价值的是它在这个底座之上解决了什么具体问题。三、为什么偏偏是 Qwen1. 中文生态优势国内大量企业场景本质上是中文场景——中文知识、中文语料、中文业务流程。Qwen 从训练数据到指令风格天然对中文更友好这是很多本土团队优先选择它的现实原因。2. 多模态能力完整从 Qwen-VL 到 Qwen3-VL覆盖图片、视频、OCR、文档理解等多种模态任务给下游开发者提供了一个开箱即用的多模态起点。3. 参数规模覆盖完整Qwen 系列的参数覆盖非常宽从 0.5B、1.5B、4B、8B、14B、32B 一直到 72B、235B0.5B / 1.5B边缘设备4B / 8B单卡部署14B / 32B企业级部署72B / 235B集群 / 云端部署这种覆盖度意味着无论你的目标场景是手机端、边缘设备、单卡服务器还是大规模集群几乎都能找到一个尺寸合适的 Qwen 版本作为起点。4. 工程生态成熟Qwen 对主流推理和部署框架的支持非常完善包括 Transformers、vLLM、SGLang、Ollama、LMDeploy、TensorRT-LLM 等这大大降低了开发者的接入成本。5. 商业生态友好对企业落地来说最现实的考量往往不是模型多强,而是 License 是否清晰、能否自由部署、能否修改、能否商用。Qwen 在这些方面给出了比较友好的答案。三点五、为什么今天很少有人从零训练 Foundation Model这其实是贯穿全文的一个前提问题既然从零训练一个模型理论上可行为什么绝大多数团队都不这么做答案很现实训练一个 Foundation Model门槛已经高到大部分团队负担不起。它通常需要数万亿 Token 级别的高质量语料数千张 GPU 的算力投入一整套数据清洗与配比体系成熟的分布式训练工程能力长期的迭代与维护成本这几项加在一起注定了从零造一个 Foundation Model只属于少数有足够资源的团队。用一个类比来说以前工业界比的是谁能造出更好的发动机而今天发动机已经有少数几家公司能造得足够好行业分工正在转向谁能基于一台优秀的发动机造出更好的汽车。这也是为什么越来越多团队选择站在 Qwen、Llama、DeepSeek 这些已经训练好的基座之上把精力放在数据、训练方法和场景能力上——这不是偷懒而是一种更合理的行业分工。四、AI 行业正在进入Base Model 时代过去几年行业竞争的核心问题是谁能设计出更好的 Transformer 架构而现在竞争的重心已经转移到谁能把一个优秀的 Base Model转化成真正解决问题的产品如果把这个过程画成一条价值链大概是这样的Foundation Model基础模型数据 Training RecipeEvaluation效果评估领域能力Agent / Workflow产品价值这里特意加入了Evaluation这一环。今天很多团队的瓶颈其实不是不会训练而是不知道有没有真的提升——没有可靠的评估体系数据和训练方法的改动就是在盲开。Foundation Model 是这条链路的底层起点但它本身并不直接产生价值——真正的价值是在数据 Training Recipe塑造出能力、经过 Evaluation 验证有效、再转化为领域能力最终通过 Agent / Workflow 的组织落地为产品价值的过程中逐层产生的。Base Model 正在变成新的操作系统而应用层的能力才是最终被用户感知到的东西。五、真正需要警惕的是 AI 信息传播正在脱离技术事实回到开头的话题问题从来不是开源模型太多了而是很多内容根本不解释一个模型到底是什么把完全不同的概念混为一谈名称实际含义Foundation Model从零训练的基础模型Checkpoint某个训练阶段保存的权重版本SFT指令微调Supervised Fine-TuningCPT持续预训练Continued Pre-TrainingLoRA参数高效微调Embedding向量模型用于表示和检索Reranker排序模型用于结果重排Agent系统级能力通常调用一个或多个模型而这些完全不同的概念在很多标题里最终都会被压缩成同一句话“某某发布新大模型”久而久之普通用户就会产生一种错觉每天都有新的 GPT 级模型诞生。而事实是大部分新模型只是在一个成熟基座之上做了针对性的继续训练。六、以后怎么判断一个模型是不是真的有创新与其看标题、Star 数、Benchmark 截图不如问自己三个问题1. 基座是什么是 QwenLlamaGemmaDeepSeek还是真正的全新预训练2. 改了什么架构变了吗数据变了吗Loss 设计变了吗训练方法或推理优化有创新吗3. 解决了什么问题有没有真实的业务价值是不是能落地到具体场景里。这三个问题问下来一个模型的含金量基本就能判断个八九不离十。七、为什么 Base Model 会越来越像操作系统这里有一个类比可能会让黄埔军校这个说法更容易理解。在 Windows 时代开发者不会重新去写一遍操作系统内核而是在 Windows 提供的这套底层能力之上开发出千千万万种应用软件。操作系统负责最基础、最通用的部分应用软件负责解决具体问题。今天的 Base Model正在扮演类似的角色——它更像是一套AI 操作系统在它之上运行的是AgentRAG检索增强生成Copilot 类产品行业应用企业知识系统开发者不需要重新训练一个从零开始的语言模型就像开发者不需要重新写一个操作系统内核一样。这正是Base Model 基础设施化的本质。当然这只是一个类比不是严格对等——Android 是一个完整的软件平台而 Qwen 本质上是一组模型权重。但如果一定要找一个参照物Qwen 在开源 AI 生态中的角色更接近 Android 在移动生态中的角色提供一个开放底座让大量开发者基于它构建自己的能力。八、Qwen 为什么像开源 AI 的黄埔军校今天的 Qwen已经不仅仅是一个模型权重它更像是一个训练平台一个生态入口一层基础设施大量模型从这里出发然后进入企业系统、开源社区、具体行业应用长成完全不同的样子。未来大概率还会出现更多类似定位的 Base Model但 Qwen 已经代表了一个明确的趋势开源 AI 正在从造模型时代走向基座生态时代。结尾过去几年我们关注的是谁训练出了最大的模型。未来的大模型竞争不会只是模型之间的竞争而是围绕基础模型生长出来的整个生态之间的竞争——谁能沉淀出更好的数据、更可靠的评估体系、更成熟的 Agent 生态、更贴近场景的行业能力。Qwen 只是其中一个代表。它像一所开源 AI 的黄埔军校培养了一批又一批毕业生但真正决定这些毕业生价值的不是它们毕业于哪里而是它们走向世界之后创造了什么。 为什么现在越来越多的开源模型，都“毕业“于 Qwen？
为什么现在越来越多的开源模型都毕业于 Qwen作者吴佳浩 Alben引子信息传播的速度正在超过技术理解的速度最近一年AI 领域的信息量大到有点失控。每天打开手机扑面而来的都是新模型发布新项目开源新 Benchmark 刷新第一新的国产突破标题也越来越夸张“全球首个”“国产超越 GPT”“再次震惊 AI 圈”可是当你真的点进去翻开 GitHub、Hugging Face打开那张不起眼的 Model Card往往会看到这样一行字Base Model: Qwen或者Backbone: Llama / DeepSeek然后你会意识到一件事很多所谓的新模型并不是全新的 Foundation Model而是基于某个优秀的基座模型继续训练出来的新能力。这背后其实不是自媒体在骗人而是一个更值得关注的现象AI 信息的传播速度已经远远超过了大部分读者理解这些技术概念的速度。Base Model、Checkpoint、SFT、Agent 这些完全不同层级的概念被压缩进同一条十几秒的短视频、同一个耸动的标题里误解也就随之产生。于是一个问题自然浮现出来为什么现在越来越多的开源模型都毕业于 Qwen需要先说明的是Qwen、Llama、DeepSeek 等优秀的基础模型正在共同成为开源生态的底座。这篇文章以 Qwen 为主要案例是因为它目前案例最密集、覆盖面最广但它绝不是唯一的答案。一、GitHub 上正在发生一个有趣的变化如果你最近半年持续关注开源模型社区会发现一个现象Qwen 正在悄悄成为大量新模型的起点而不是终点。1. 多模态方向比如腾讯的WeMM-Embedding定位是多模态 Embedding 模型用于图像 / 文本 / 视频检索。它采用了大规模视觉语言模型作为基础能力来源并针对多模态 Embedding 任务进行了进一步的训练优化——而不是从零搭建一个全新的视觉-语言架构。这类路线与 Qwen、Llama 等开源基座模型的发展方向高度一致。2. Embedding / Reranker 方向大量向量模型、检索模型、排序模型开始选择 Qwen 作为语言理解的基础。原因很朴素做 Embedding 不需要重新发明 Transformer。真正的重点在于对比学习策略、数据构造方式、Hard Negative 挖掘、检索任务的针对性优化。3. OCR / Document AI现在很多文档理解模型目标是解决 PDF 理解、表格解析、图文问答、企业知识库这些具体问题底层也越来越多地选择 Qwen-VL 系列作为基础。4. Agent / Tool CallingAgent 时代对基座的要求变了需要强指令理解、可靠的工具调用、长上下文支持、扎实的代码能力。越来越多面向中文场景的 Agent 类模型开始选择 Qwen 作为基础能力来源——当然Agent 这个方向本身是百花齐放的Claude、GPT、Llama、DeepSeek 同样有大量的 Agent 生态这里说的只是其中一条比较明显的路线。5. 不只是中国团队这里要特别澄清一点这不是只有国内团队在这么做。像 NVIDIA 的 Nemotron 系列这样的国际项目也体现了类似的路线——基于优秀的开源 Base Model通过继续训练、数据优化和能力增强形成面向特定场景的模型产品。需要说明的是Nemotron 并不是一个统一基于 Qwen 的系列它综合采用了包括 Qwen、Llama 在内的多种开源基座这里想强调的不是某一家用了什么,而是这套基于开源 Base Model 继续训练的方法论已经被全球团队广泛采纳。这说明的不是某一家公司多厉害而是整个行业正在形成一种共识优秀的 Base Model已经变成了 AI 工业的基础设施。当然Qwen 并不是唯一扮演这个角色的模型。Llama、Gemma、DeepSeek 等同样承担着类似的功能。这篇文章讨论的是一个更普遍的趋势优秀 Base Model 正在成为整个开源生态共同的培养基Qwen 只是目前案例最密集、最典型的一个。二、不要误解基于 Qwen 训练不等于套壳很多人第一次看到Base Model: Qwen时本能反应是“这不就是套壳吗”但如果你真的了解今天大模型的研发流程会发现事情没这么简单。一个 Foundation Model 之上可以生长出非常多条不同的技术路线Foundation Model如 QwenCPT持续预训练SFT指令微调RL强化学习对齐Embedding向量模型Reranker排序模型Agent工具调用能力Industry Model行业模型真正的创新往往不是发生在 Transformer 结构本身而是发生在数据怎么构造、清洗、配比训练目标用什么方式引导模型学习Loss 设计推理优化工程系统如何把模型稳定、高效地跑起来换句话说Base Model 提供的是语言和世界知识的底座而真正决定一个衍生模型价值的是它在这个底座之上解决了什么具体问题。三、为什么偏偏是 Qwen1. 中文生态优势国内大量企业场景本质上是中文场景——中文知识、中文语料、中文业务流程。Qwen 从训练数据到指令风格天然对中文更友好这是很多本土团队优先选择它的现实原因。2. 多模态能力完整从 Qwen-VL 到 Qwen3-VL覆盖图片、视频、OCR、文档理解等多种模态任务给下游开发者提供了一个开箱即用的多模态起点。3. 参数规模覆盖完整Qwen 系列的参数覆盖非常宽从 0.5B、1.5B、4B、8B、14B、32B 一直到 72B、235B0.5B / 1.5B边缘设备4B / 8B单卡部署14B / 32B企业级部署72B / 235B集群 / 云端部署这种覆盖度意味着无论你的目标场景是手机端、边缘设备、单卡服务器还是大规模集群几乎都能找到一个尺寸合适的 Qwen 版本作为起点。4. 工程生态成熟Qwen 对主流推理和部署框架的支持非常完善包括 Transformers、vLLM、SGLang、Ollama、LMDeploy、TensorRT-LLM 等这大大降低了开发者的接入成本。5. 商业生态友好对企业落地来说最现实的考量往往不是模型多强,而是 License 是否清晰、能否自由部署、能否修改、能否商用。Qwen 在这些方面给出了比较友好的答案。三点五、为什么今天很少有人从零训练 Foundation Model这其实是贯穿全文的一个前提问题既然从零训练一个模型理论上可行为什么绝大多数团队都不这么做答案很现实训练一个 Foundation Model门槛已经高到大部分团队负担不起。它通常需要数万亿 Token 级别的高质量语料数千张 GPU 的算力投入一整套数据清洗与配比体系成熟的分布式训练工程能力长期的迭代与维护成本这几项加在一起注定了从零造一个 Foundation Model只属于少数有足够资源的团队。用一个类比来说以前工业界比的是谁能造出更好的发动机而今天发动机已经有少数几家公司能造得足够好行业分工正在转向谁能基于一台优秀的发动机造出更好的汽车。这也是为什么越来越多团队选择站在 Qwen、Llama、DeepSeek 这些已经训练好的基座之上把精力放在数据、训练方法和场景能力上——这不是偷懒而是一种更合理的行业分工。四、AI 行业正在进入Base Model 时代过去几年行业竞争的核心问题是谁能设计出更好的 Transformer 架构而现在竞争的重心已经转移到谁能把一个优秀的 Base Model转化成真正解决问题的产品如果把这个过程画成一条价值链大概是这样的Foundation Model基础模型数据 Training RecipeEvaluation效果评估领域能力Agent / Workflow产品价值这里特意加入了Evaluation这一环。今天很多团队的瓶颈其实不是不会训练而是不知道有没有真的提升——没有可靠的评估体系数据和训练方法的改动就是在盲开。Foundation Model 是这条链路的底层起点但它本身并不直接产生价值——真正的价值是在数据 Training Recipe塑造出能力、经过 Evaluation 验证有效、再转化为领域能力最终通过 Agent / Workflow 的组织落地为产品价值的过程中逐层产生的。Base Model 正在变成新的操作系统而应用层的能力才是最终被用户感知到的东西。五、真正需要警惕的是 AI 信息传播正在脱离技术事实回到开头的话题问题从来不是开源模型太多了而是很多内容根本不解释一个模型到底是什么把完全不同的概念混为一谈名称实际含义Foundation Model从零训练的基础模型Checkpoint某个训练阶段保存的权重版本SFT指令微调Supervised Fine-TuningCPT持续预训练Continued Pre-TrainingLoRA参数高效微调Embedding向量模型用于表示和检索Reranker排序模型用于结果重排Agent系统级能力通常调用一个或多个模型而这些完全不同的概念在很多标题里最终都会被压缩成同一句话“某某发布新大模型”久而久之普通用户就会产生一种错觉每天都有新的 GPT 级模型诞生。而事实是大部分新模型只是在一个成熟基座之上做了针对性的继续训练。六、以后怎么判断一个模型是不是真的有创新与其看标题、Star 数、Benchmark 截图不如问自己三个问题1. 基座是什么是 QwenLlamaGemmaDeepSeek还是真正的全新预训练2. 改了什么架构变了吗数据变了吗Loss 设计变了吗训练方法或推理优化有创新吗3. 解决了什么问题有没有真实的业务价值是不是能落地到具体场景里。这三个问题问下来一个模型的含金量基本就能判断个八九不离十。七、为什么 Base Model 会越来越像操作系统这里有一个类比可能会让黄埔军校这个说法更容易理解。在 Windows 时代开发者不会重新去写一遍操作系统内核而是在 Windows 提供的这套底层能力之上开发出千千万万种应用软件。操作系统负责最基础、最通用的部分应用软件负责解决具体问题。今天的 Base Model正在扮演类似的角色——它更像是一套AI 操作系统在它之上运行的是AgentRAG检索增强生成Copilot 类产品行业应用企业知识系统开发者不需要重新训练一个从零开始的语言模型就像开发者不需要重新写一个操作系统内核一样。这正是Base Model 基础设施化的本质。当然这只是一个类比不是严格对等——Android 是一个完整的软件平台而 Qwen 本质上是一组模型权重。但如果一定要找一个参照物Qwen 在开源 AI 生态中的角色更接近 Android 在移动生态中的角色提供一个开放底座让大量开发者基于它构建自己的能力。八、Qwen 为什么像开源 AI 的黄埔军校今天的 Qwen已经不仅仅是一个模型权重它更像是一个训练平台一个生态入口一层基础设施大量模型从这里出发然后进入企业系统、开源社区、具体行业应用长成完全不同的样子。未来大概率还会出现更多类似定位的 Base Model但 Qwen 已经代表了一个明确的趋势开源 AI 正在从造模型时代走向基座生态时代。结尾过去几年我们关注的是谁训练出了最大的模型。未来的大模型竞争不会只是模型之间的竞争而是围绕基础模型生长出来的整个生态之间的竞争——谁能沉淀出更好的数据、更可靠的评估体系、更成熟的 Agent 生态、更贴近场景的行业能力。Qwen 只是其中一个代表。它像一所开源 AI 的黄埔军校培养了一批又一批毕业生但真正决定这些毕业生价值的不是它们毕业于哪里而是它们走向世界之后创造了什么。