11 月 5 日，三件事各自独立，方向却一致：模型能力的单价在往下走，把它变成能上线系统的那段工程，价格没动。凌晨，月之暗面把 2.8 万亿参数的权重放上开源模型社区，许可证主体沿用 MIT 写法；前一天夜里，Cognition 把编码模型压到同门前代五分之一的价格、三倍的速度；上午，国家能源局把 93 个"人工智能+"能源试点项目挂上公示。
凌晨落地的开源权重：2.8 万亿参数，配一张很细的许可证
11 月 5 日凌晨，月之暗面把 Kimi K3.1 Pro 的完整权重传上开源模型社区。这家团队 10 月 23 日发布该模型时承诺"最晚 11 月 4 日"开放权重，卡着期限兑现。权重已经上传到 Hugging Face，量化格式、精度选项这类工程细节，以仓库里的原始文件为准。
结构上是混合专家模型，总参数 2.8 万亿，每次推理只激活其中 1040 亿。上下文窗口 100 万词元，原生支持读图。与上一代相比，24 层原先的全注意力换成了稀疏注意力，每个词元只挑最相关的 2048 个参与计算，长上下文更省算力。
两个第三方评测给出了位置。在 Artificial Analysis 的综合智能指数上，它拿下 46.5 分，是此前开源模型的最高分。另一家机构在同一类终端操作任务上独立测过，它得分 63.64%，59 个模型里排第三。花钱也少：排在它前面的闭源版本，单题成本差不多是它的 3 倍。
真正需要逐条读的是许可证。主体沿用 MIT 的写法，个人和公司都能免费使用、修改、二次分发并商用，只额外加了两个限制。第一个针对对外卖模型接口的公司：集团任意连续 12 个月总营收超过 2000 万美元，商用前要单独签约。第二个针对超级应用：产品月活超过 1 亿，或月收入超过 2000 万美元，界面要醒目署上模型名。公司内部自用，或通过官方与认证推理服务商调用，都不受这两条约束。
门槛藏在体积里：权重合计约 1.56TB，官方推荐 vLLM、SGLang、TokenSpeed 三套推理框架；按 SGLang 给出的方案，英伟达 GB300 要 8 张才跑得动。想把模型搬进机房的中型团队，先算这笔硬件账，再决定全量自建、量化裁剪，还是先用接口把业务跑通。对做私有化交付的项目，这一步没有捷径：客户要的是数据不出内网，报价单第一行永远是卡数，不是排行榜名次。
| 口径 | 该模型（权重可下载） | 参照 |
|---|---|---|
| 参数结构 | 总参数 2.8 万亿 / 单次激活 1040 亿 | 混合专家，上下文 100 万词元 |
| 终端任务评测 | 63.64%，59 个模型中第 3 | 前两名为闭源版本 |
| 权重体积与部署 | 约 1.56TB | 官方推荐方案需 GB300 八卡 |
编码模型的价格锚点被拉到新位置：五分之一的价格，三倍的速度
Cognition 昨夜发布 SWE-2 Flash，当天在 Devin 桌面端与命令行开放。官方定位很直白：给软件智能体里的日常活准备——自动化脚本、代码评审、功能开发、更新文档，价格是同门前代的五分之一，速度是三倍。
速度差有具体测量：同样的生成场景，新版本每秒 200 个词元，前代为每秒 60 个。模型不是重新造，而是在一个 276B 总参数、12B 激活的基座上做大规模中训练。训练配比是科学文章、博客与代码的混合语料，分三段推进，最稀缺的高质量数据留到后段。
这件事的分量不在榜单，而在预算表。过去两年企业的编码助手预算被"最强模型"绑住，改一行注释也走旗舰档。当便宜版本在日常任务上给出接近的结果，成本结构就变了：同样的月度额度能覆盖更多工程师、更多仓库、更多持续集成环节。要做的是分层路由——评审、补测试、改文档这类高频低风险任务交给便宜档，跨模块重构和疑难缺陷留给贵的那一档；分层的前提是自己有一套评测集与验收口径，拿厂商榜单当验收标准，换模型那天就会翻车。
93 个能源 AI 试点项目进入公示，申报机制排到了技术选型前面
国家能源局综合司 11 月 3 日签发关于公示"人工智能+"能源试点项目清单的通知，公示时间是 2026 年 11 月 5 日至 11 月 11 日，拟列入清单的是"变电主设备检修智能决策"等 93 个项目。公示期间，任何单位或个人可提出书面异议；按通知要求，异议材料要注明真实姓名和联系方式，匿名或无具体事实依据的不予受理。
这批项目走的是先定场景、再组队申报的路径：依据此前的《"人工智能+"能源高价值场景清单和组织开展试点申报工作的通知》（国能综通科技〔2026〕50 号），经专家评审和复核后形成清单。换言之，需求方和技术供给方是被组织起来配对的，入口不在技术选型会，而在场景清单。
做行业软件的团队值得留意这个结构。能源侧的检修、调度、故障研判，验收标准通常写得很硬——停机时长、误报率、人工复核比例，都要能被审计。能拿出这类指标过往记录的团队，比只会演示对话效果的团队有优势；反过来说，方案里如果只有模型能力和算力承诺，评审这一关很难过。
我们的解读：能力在降价，交付没有
把三件事放在一起看，方向很清楚：模型的获取成本在快速下移。一边是 2.8 万亿参数的权重可以直接下载、许可证主体接近 MIT，另一边是编码模型把日常任务的单价压到前代五分之一。过去两年企业做 AI 项目，最大的预算项常常是"调用一个足够强的模型"，这笔钱现在确实在变小。
但变小的是模型单价，不是项目总成本。一个能上线的系统仍然需要：把业务规则翻译成模型能执行的约束，给智能体划定工具权限与数据边界，设计失败时的兜底和人工复核路径，以及在每次模型换代时重跑一遍回归。开源权重让最后一条更重而不是更轻——权重到手之后，版本升级、量化兼容、推理框架选型全部落到自己团队头上；八卡起步的部署要求，也意味着"全量自建"对多数中型企业并不划算。
我们做 AIcoding 全栈开发时的观察是，客户真正卡住的地方几乎不在模型能力，而在两处：把模糊需求拆成可验收的边界，让模型产出的代码在既有系统里稳定运行。第一条决定项目能不能启动，第二条决定它能不能交付。今天这三条新闻对这两件事都没有帮助，它们只是让中间那层原料变便宜了。原料便宜，会用原料的人就更值钱；反过来说，把降价直接换算成"研发成本降八成"的账，几乎一定会算错。
能源试点清单那件事值得单独记一笔。它说明在受监管行业里，AI 项目的入口正从技术选型前移到场景清单和申报机制——先有明确的需求方和验收口径，才有技术方案的位置。对做 App、网页、小程序、桌面端和智能体系统的团队，这意味着客户名单比技术栈更重要：知道谁在做检修、谁在做调度，比多掌握一个框架更有用。
延伸阅读
- 企业AIcoding落地90天：工具选型、评测沙箱与提效度量
- 企业 AI Coding 落地怎么算账：许可费、迁移与返工
- AI Agent 企业落地工程实践：从 Demo 到生产的系统性方法
- 工业智能体落地：Web 端排产、质检、维保的三个可验收场景
联系我们
如果团队正在评估把开源权重接进自己的业务系统，或者想把某个具体流程交给智能体跑，可以先约一次 30 分钟的免费咨询与 AIcoding 转型评估：一起把哪一段适合交给模型、哪一段必须留给人说清楚，以及自建和调用的账怎么算。预约咨询