过去一个月，开放模型像赶集一样上新。
Google 换了 Gemma 4，DeepSeek 推出 V4 Pro 和 Flash，Moonshot 更新 Kimi K2.6，小米拿出 MiMo-V2.5-Pro，智谱系 GLM-5.1 也继续往长任务走。热闹是真的热闹，但这次最该看的不是谁又刷了榜。
开放模型的竞争，已经从“参数、跑分、发布节奏”转到三条线：真实可用能力、评测口径、许可证治理。哪一条短，模型都会从“看起来能用”变成“项目里不敢押”。
这个月谁在动，重点看哪里
| 组织 | 这次动作 | 我会盯什么 | 对使用者的影响 |
|---|---|---|---|
| Gemma 4 发布，并改用 Apache 2.0 | 许可证变清楚 | 企业合规试点阻力下降 | |
| DeepSeek | V4 分 Pro 与 Flash | Flash 口碑更亮，Pro 相对体量不算惊艳 | 不能把 Pro、Flash 混成一个结论 |
| Moonshot | Kimi K2.6 强调长任务能力 | 小时级任务和真实工作流 | 产品团队要看持续执行，不只看单题 |
| 小米 | MiMo-V2.5-Pro 继续追近旗舰开放模型 | 工程进步速度 | 不宜再把小米当边缘玩家 |
| 智谱 | GLM-5.1 更新，继续强化长任务 | 复杂任务稳定性 | 更适合放进真实场景评估 |
Gemma 4 改用 Apache 2.0，是这轮里容易被低估的一件事。
开源模型不是只给研究者玩的。产品负责人真正怕的，不是多跑两分少跑两分，而是许可证里的灰区：能不能商用，能不能改，出了纠纷谁承担。
Apache 2.0 的价值不性感，但很硬。它把“律师先看三周”这道门槛往下挪了一截。
对企业来说，这会改变试点顺序。以前可能先看模型能力，再找法务确认；现在 Gemma 4 至少可以更早进入合规清单。采购不会因此马上迁移，但会少一个卡点。
DeepSeek V4 的情况更微妙。Pro 和 Flash 不能放在一锅里评价。Flash 的反馈更亮，Pro 相对体量带来的惊喜感弱一些。
这对开发者的动作很具体：如果已经在做 DeepSeek 相关集成，应该把 Pro 和 Flash 分开压测。不要用一个模型的体验，替另一个模型背书。
CAISI 的评估很重，但不能当终审判决
DeepSeek V4 发布后，CAISI 做了评估。它的核心结论是：开放模型落后美国闭源前沿，而且差距在扩大。
这个判断很有冲击力，也很容易被拿去做标题。但方法细节决定了它不能被当成无争议定论。
CAISI 用 IRT 和 Elo 做跨 benchmark 比较。问题在于，DeepSeek V4 的总体差距，很大程度受几个测试影响：CTF-Archive-Diamond、PortBench、ARC-AGI-2。
这里面有子集外推，有 CAISI 私有 benchmark，也有和公开榜单不同的计分方式。换句话说，结论有参考价值，但口径很重。
这不代表 CAISI 错了。它至少提醒了一件事：开放模型离闭源最前沿仍有差距，尤其在复杂推理、安全、长链路任务上，不能靠情绪宣布追平。
但它也不是铁案。
Epoch AI 的 ECI 口径给出的图景更温和：自 R1 以来，开放与闭源的差距更像 3 到 7 个月。两个评估都试图解决跨测试比较问题，却讲出了不同强度的故事。
这就是当前评测的麻烦：它不只是测量工具，也在制造叙事。
你选什么题，怎么加权，用不用私有测试，是否允许模型进入熟悉的工具链，结论都会变形。差距可能被高估，也可能被低估。
写代码任务尤其明显。很多测试仍停留在固定 token、bash、for-loop 的简化环境里。但真实工作里，模型经常被放进 Claude Code、OpenCode 这类 harness，接编辑器、终端、检索、沙箱和自动评测。
拿简化靶场判断真实战场，会漏掉两类东西：一类是模型在工具链里的放大效应；另一类是长任务里的失控成本。
对产品负责人来说，这意味着采购和迁移都该慢半拍。不是停止试点，而是把评测拆开：静态 benchmark 看基础能力，工具链任务看真实产出，长任务看稳定性和预算。
我的判断：开放模型不缺热闹，缺的是能扛生产
我不太买账“开放模型已经全面追平闭源前沿”的说法。证据还不够。
我也不买账另一种轻慢：开放模型只是低价替代品，永远只能跟在后面吃灰。这个判断太懒。
现在的分水岭更具体。
| 分水岭 | 看什么 | 谁最受影响 | 该怎么做 |
|---|---|---|---|
| 工具链 | 能否接编辑器、终端、浏览器、检索、沙箱 | AI 应用团队、开发者工具团队 | 用真实 harness 复测，不只看榜单 |
| 许可证 | 能否稳定商用、修改、分发 | 企业采购、法务、平台团队 | Apache 2.0 这类标准许可证优先进入清单 |
| 长任务执行 | 是否跑偏、遗忘目标、乱改代码、浪费预算 | 做 agent、代码助手、办公自动化的团队 | 测小时级任务，记录失败类型和成本 |
模型不是孤零零回答问题的鹦鹉。没有工具链，强模型也像好发动机装在板车上。
许可证也不是边角料。商业世界里，“能不能合法、稳定、可预期地用”，经常比榜单高两分更重要。
长任务更是硬门槛。Kimi K2.6、GLM-5.1、MiMo-V2.5-Pro 都在强调真实使用和长周期任务，不是偶然。模型从 demo 走向生产，最先暴露的往往不是不会答题，而是中途跑偏、忘目标、乱改代码、烧掉预算。
这有点像早期铁路竞争。不完全一样，但结构相似：最快的机车当然重要，真正决定扩张速度的，是轨距、调度、维护和沿线商业。
古人讲“车同轨”。放到今天，就是模型要进生产，不能只看马力，还要看接口、规则和责任边界。
“天下熙熙，皆为利来。”开放模型今天的热闹也一样。开发者要自由，企业要确定性，平台要控制权，模型公司要分发和影响力。大家都喊开放，但各自要的东西并不相同。
所以别把 DeepSeek、Moonshot、Qwen、智谱、小米混成一个“中国开放模型阵营”。它们的产品位置、工程侧重、生态打法不同。
DeepSeek 的问题是 Pro 与 Flash 的预期差。Kimi 和 GLM 更明显押长任务。小米在证明自己不是边缘玩家。Qwen 代表的又是另一套生态和分发逻辑。
混在一起看，只会把细节看没。
接下来最该盯的不是发布页，而是三件小事：企业 PoC 有没有从聊天测试转到真实工作流；开发者工具有没有为开放模型做专门适配；标准许可证会不会成为新一轮企业采用的入场券。
开放模型不缺掌声了。
它缺的是把模型、工具、许可证和长任务执行拧成一根绳。做到这一步，开放模型才不是“可下载的前沿感”，而是真能进入生产系统的基础设施。