问题：开源趋谨慎背景下，产业对高质量“可复现、可迭代”基础模型需求上升 近年来，大模型加速进入产业应用，智能体成为企业搭建自动化流程、协同知识工作的关键工具。但行业也面临一组现实矛盾：一方面，基础模型训练成本和门槛都很高，企业希望有可直接复用的开放底座；另一方面，受算力、数据与安全等因素影响，开源生态出现“只放模型、不放方法”“只放推理、不放训练”的谨慎趋势，开发者难以做深度定制与二次训练，进而影响落地效率与可控性。 原因：从“可用”走向“可训”，需要权重与框架的系统供给 阶跃星辰开源模型基础上，深入开放预训练权重（Base）、中训练权重（Midtrain）及训练框架Steptron，体现出将开源从“给结果”拓展到“给过程”的方向。一上，分阶段开放权重有助于研究者和企业更清楚地理解能力形成路径，降低从零训练的门槛；另一方面，开放配套训练框架，使开发者可以统一工程体系下复现实验、优化数据配方与训练策略，提高迭代效率。 该公司披露，Step3.5 Flash采用稀疏MoE架构，总参数约1960亿，但推理时仅激活约110亿参数，试图在能力与成本之间取得更好的平衡；在代码任务单请求场景下，推理速度最高可达350TPS，更贴近工程部署需求。模型面向智能体场景，强调复杂推理与长链任务处理能力，并在OpenClaw等公开评测榜单中进入前列。 影响：推动行业从“模型竞赛”转向“生态与工程能力竞赛” 业内人士认为，开源不止是发布权重，更关键在于能否形成可持续的开发者生态与工程化工具链。全链条开源可能带来三上影响：其一，提升技术扩散效率。Base与Midtrain权重可作为不同规模团队的训练起点，减少重复性的从零训练。其二，强化应用可控性。企业自有数据与规则约束下进行中训练或对齐调整，有助于提升行业场景的稳定性与一致性。其三，促进产业分工深化。底座模型、数据服务、行业应用与安全治理可在更清晰的接口上协同，推动创新从单点突破走向体系化推进。 此外，这也对社区提出更高要求：如何负责任地使用，如何在合规边界内共享数据与工具，以及如何建立更透明的评测与对比体系，仍需持续探索。 对策：以标准化工具链与可验证评测，提升开源“可用度”与“可信度” 面向产业落地，开源社区与企业可从三上着力：一是完善工程化支持，围绕训练、推理、部署、监控等环节提供更清晰的指引与范式，降低试错成本；二是强化评测与复现，鼓励公开数据集与公开流程下进行对比验证，减少“只报结论不报过程”的信息差；三是注重安全与合规，完善使用说明、风险提示与治理机制，推动形成可追溯、可审计的应用闭环。 对企业用户而言，应结合自身场景，优先在可控数据范围内进行分阶段训练与灰度验证，在性能、成本与风险之间做好平衡。 前景：智能体应用进入加速期，开放底座或成产业创新的重要杠杆 随着企业对自动化运营、知识管理与软件开发协同的需求增长，智能体有关应用预计将继续扩容。稀疏架构在降低推理成本上的优势，为“更强能力、更低消耗”的工程目标提供了可行路径；更彻底的开源策略，也有望在人才培养、技术迭代与产业扩散上带来更明显的带动效应。可以预期，未来竞争不只取决于参数规模或单项榜单成绩，更取决于工具链的完备程度、生态活跃度，以及在真实业务场景中的落地能力与持续迭代能力。
在全球科技竞争格局加速演变的背景下，如何在技术创新与开放共享之间取得平衡，考验企业的长期判断力。阶跃星辰此次的开源实践表明了其在人工智能领域的技术积累，也为行业提供了更可复现、可迭代的开放路径。面向未来，中国数字经济仍需要在自主创新与开放合作之间形成合力，在关键技术突破与产业生态建设上持续投入。