国产开源大模型集体迈入万亿参数时代：18 个月跨越量级跃迁，MoE 架构改写行业竞争格局

步步糕升

       2024 年初国内开源大模型主流参数仅停留在数百亿级别；短短 18 个月，月之暗面、阿里通义千问、DeepSeek、美团四大厂商接连推出万亿级 MoE 混合专家开源模型，国产大模型正式集体进入「T 参数时代」。
不同于海外闭源巨头独家垄断万亿级权重，国内头部团队全部选择开源路线，在高端算力受限背景下，依靠稀疏 MoE 架构、分布式训练工程能力完成量级突破。本文梳理完整迭代时间线、各家技术路线、万亿模型落地痛点，以及这场参数军备竞赛背后的行业变革逻辑。

一、18 个月量级跃迁：国产万亿大模型完整发布时间线


2024 年行业基准：国内最强开源 DeepSeek V3 仅 671B 稠密参数，全行业无万亿级模型；2025–2026 迎来集中爆发，四家企业先后撞线万亿门槛：

• 月之暗面（Moonshot Kimi）2025 年 4 月 K2（1T MoE）
  国内首款万亿参数开源大模型，直接将行业参数上限从 600B 翻倍至 1 万亿，采用稀疏 MoE 架构，单 Token 仅激活少量专家，兼顾长文本与推理成本；2026 年迭代至 K3（2.8T）刷新国产开源参数纪录。
• 阿里通义千问 2025 年 9 月 Qwen3 MAX（1T+ MoE）
  依托阿里云分布式算力底座，优化国产昇、阿里倚天芯片适配，中间版本 Qwen3.6 低调迭代不对外披露参数量，被行业视作蓄力更大规模模型，后续推出 2.4T 版本持续扩容。
• DeepSeek 2025 下半年 V4（1.6T MoE）
  前代 V3 仅 671B 稠密模型，新一代直接提升近 3 倍总参数量，主打代码、数学推理赛道，优化负载均衡路由，解决 MoE 专家坍缩痛点。
• 美团自研大模型 1.8T MoE
  跨界入局 AI 赛道，推出超万亿参数通用模型，参数规模同期超过 DeepSeek 旗舰，互联网大厂全面下场加码通用大模型赛道。
  

第二梯队蓄势冲击万亿


智谱 GLM、MiniMax 尚未突破万亿，但迭代节奏清晰，距离 T 时代仅一步之遥：

• 智谱 GLM：长期深耕 350–750B 区间，GLM-5 锁定 744B MoE，迭代稳定、落地工业场景成熟，下一代极大概率冲击万亿；
• MiniMax：M2 仅 229B，M3 直接翻倍至 427B，小版本快速迭代、稳步放大模型容量。
  

二、核心底层：为什么国产万亿模型清一色选用 MoE 混合专家架构


普通稠密大模型总参数 = 每轮推理全部参与计算，参数越大算力、显存消耗呈线性暴涨，万亿稠密模型硬件成本难以承受；国内厂商统一采用稀疏 MoE 架构，是突破万亿参数的核心技术解法arXiv：

• 稀疏激活，控制推理成本
  万亿总参数仅少量专家参与单次计算，例如 Kimi 2.8T 仅 32B 活跃参数，普通 24G 消费级显卡量化后可本地运行，解决 “参数大但部署门槛爆炸” 的矛盾。
• 分域专家，专项能力更强
  不同专家分工学习代码、文案、数据分析、多模态、仿真等细分任务，单一领域精度远超同等规模稠密模型，这也是多款万亿模型在 6 大细分赛道登顶评测的核心原因。
• 适配国内多元算力
  MoE 分布式拆分特性，可拆分部署在英伟达 H800、华为昇腾、阿里倚天等多类型国产 / 进口算力集群，规避高端芯片出口管制带来的算力瓶颈。
  

MoE 架构固有落地痛点（普通人最关心）


很多用户疑惑：万亿模型参数看着震撼，本地却很难完整流畅运行，根源在于三大短板：

• 完整权重文件体积巨大，单款万亿模型原始权重数百 GB，普通硬盘存储压力极大；
• 量化压缩后精度存在损耗，极低显存设备推理延迟明显升高；
• 门控路由调度不稳定，并发场景易出现负载失衡，小批量本地部署体验不如中小稠密模型。
  这也是当下行业现实：万亿模型云服务成熟，但个人本地完整部署门槛依旧很高。
  

三、四大万亿开源模型路线差异对比


1. 月之暗面 Kimi 系列（2.8T）


优势：超长上下文原生优化，百万 Token 文档处理、Agent 智能体集群能力行业顶尖，面向个人、办公用户友好，完整权重公开开源。
定位：C 端 + 企业文档、代码通用模型。

2. 阿里通义千问 Qwen 系列（2.4T）


优势：阿里云全链路配套，云原生推理、国产芯片深度适配，开源生态下载量全球领先，多模态能力均衡。
定位：产业数字化、政企云原生 AI 基建。

3. DeepSeek V4（1.6T）


优势：代码、数学、逻辑推理专项拉满，负载均衡路由算法优化，科研、程序员群体首选。
定位：研发、代码、科学计算垂直场景。

4. 美团 1.8T 自研大模型


优势：消费、电商、营销场景数据沉淀充足，品牌文案、用户数据分析、仿真模拟赛道评测领先。
定位：互联网商业、本地生活产业落地。

四、万亿参数集体爆发，释放三大行业信号


信号 1：国产大模型训练、调度、优化工程体系完全成熟


18 个月从 600B 跃升至 2.8T，并非单一企业单点突破，而是全产业链配套成型：分布式训练框架、MoE 路由算法、国产算力集群、海量中文多模态语料、量化压缩工具全部打通，万亿模型从 “少数天才试验” 变为行业标准化可选路线。

信号 2：开源成为国产巨头统一战略，冲击海外闭源垄断


OpenAI、Gemini、Claude 旗舰万亿模型全部闭源、依靠 API 高额收费；而国内头部万亿模型全部选择开放权重，用户可本地私有化部署，打破海外闭源模型的算力、数据、商业三重封锁，重构全球 AI 生态话语权。

信号 3：参数军备竞赛正式改写闭源模型生命周期


万亿开源模型批量落地后，海外付费闭源模型的技术红利窗口期大幅缩短。前沿模型领先优势仅维持数周，企业采购、定制 AI 系统不再长期依赖单一闭源厂商，开源本地部署方案成为政企、中小企业主流选择。

五、客观理性看待万亿参数：不是参数越大越好


优势


超大 MoE 模型知识库容量、细分专项能力、超长上下文、复杂多步骤任务远超中小参数模型，适合研发、法律、大型文档分析、数字仿真等高阶场景。

短板

• 日常简单问答、基础文案创作，7B/14B 中小模型性价比更高，万亿模型算力、电费成本更高；
• 本地硬件门槛高，低配笔记本、普通家用显卡难以流畅跑完整量化权重；
• MoE 架构存在调度、量化天然缺陷，极致追求低延迟场景，稠密中小模型体验更稳定。
  

适用场景划分


✅ 优先选万亿 MoE：百万字文档、多轮复杂 Agent、代码工程、行业仿真、多模态长视频理解；
✅ 优先选 7B–34B 稠密：日常聊天、短文写作、简单办公、个人本地离线使用。

六、行业后续发展预判

• 第二梯队智谱、MiniMax 大概率 1 年内推出万亿级开源模型，国产 T 参数阵营进一步扩容；
• MoE 稀疏架构持续迭代，进一步降低本地部署显存、存储门槛，普通消费硬件可流畅运行万亿量化模型；
• 开源万亿模型带动行业定价下行，云推理、私有化部署成本持续降低，中小企业落地 AI 门槛大幅下降；
• 行业竞争从单纯堆参数，逐步转向 “参数规模 + 芯片适配 + 行业微调 + Agent 工具链” 综合实力比拼，单纯参数内卷会逐步降温。
  

结语


从 2024 年数百亿参数独苗，到 2026 年四家厂商集体量产万亿开源大模型，18 个月的量级跨越，印证国内 AI 底层工程、算力、数据体系完成完整闭环。
万亿 MoE 模型批量开源不只是一场参数军备竞赛，更是国产 AI 打破海外闭源垄断的关键一步。同时也要理性区分场景：超大模型适合复杂高阶任务，日常轻量需求中小稠密模型依旧是最优解，按需选择、不盲目追求参数规模，才是合理落地思路。