一个被反复提起、却很少讲透的词
10 月 22 日，科大讯飞全球 1024 开发者节上，讯飞星火 X2.6 大模型正式发布。真正值得记下的，不是又一组跑分，而是它主打的三个字：端云一体。
「端侧 AI」不是新词，但这次讯飞把「端 vs 云」从一道选择题，变成了协同题——设备上先处理一部分，复杂的再交给云端，关键是这个「谁端、谁云」的分单，由模型自己来做。
X2.6 交出的几张牌
先说硬参数：星火 X2.6 采用 293B-A30B 的 MoE 架构，上下文拉到 1M，重点突破代码与智能体能力。官方有两个说法格外醒目：一是「首次基于全国产算力训练实现代码和智能体能力突破」；二是端侧 4B 开源模型的智能体任务覆盖度达 41.9%，端云一体的路由准确率做到 96.1%——也就是说，该留在端上的任务，模型基本不会误判成必须上云。
配套的开源端侧模型 X2.6-4B 也同步放出。此前 9 月开源的 X2.5-4B，官方称下载量已进入全球端侧模型前四。国产算力的利用效率也在提升：超长上下文训练效率提升约 4 倍，推理效率提升 4.5 倍。
「端云一体」到底在解决什么
拆开看，它其实是在同时回应大模型落地绕不开的三个痛点：
- 怕泄密：敏感数据在端侧脱敏、原始文件不上传，企业才敢真正用起来；
- 怕太贵：高频、简单的任务先在端上解决，省掉云端往返和持续 Token 账单；
- 怕太慢 / 断网：端侧兜底让离线和低延迟场景也能跑，复杂任务再上云。
这和我之前写过的那条硬件趋势，其实是同一枚硬币的两面：硬件厂商把 2nm 芯片、统一内存往设备里塞，是为了「端侧能跑」；而「端云一体」解决的是「端侧跑什么、云端跑什么、怎么无缝切换」。一个给算力，一个给调度。
「自主可控」这条线，比想象中更实
讯飞这次反复强调「全国产算力」，刘庆峰的表述相当直接：只有星火是用全国产算力训练的，「全栈自主可控」不只是能在国产硬件上做推理，更要能在国产平台上完成训练。为了在国产芯片的显存与带宽约束下跑得动长上下文，讯飞上了一套「长程任务动态并行训练 + 自适应存算协同推理 + 四层 KVCache」的组合拳。
抛开立场，「底层算力不依赖别人」本身是真实的技术命题：它意味着在国产算力生态上，训练效率、推理效率、上下文长度这些关键指标，正在被一点点补齐。
先落地的是「专业场景」
端云一体率先铺向的，是教育、医疗、法律这几个民生刚需领域：讯飞晓法覆盖从案情梳理到庭审策略的全流程，官方称整体办案效率提升 45% 以上；医疗侧讯飞影像云、讯飞晓医同步升级。这类场景有个共同点——数据高度敏感、又需要专业判断，恰好最需要「端上留数据、云上跑能力」。
我的判断
「端云一体」大概率不会只是讯飞一家的说法。当端侧算力（芯片、NPU）和端侧模型（小 MoE、量化）同时成熟，把「哪些留端、哪些上云」交给一个会路由的模型，几乎是所有大模型厂家的必然走向。用户关心的门槛，也会从「模型多强」悄悄滑向「在我的设备上，能不能又安全、又便宜、又不断网地好用」。
这一波较量的胜负手，可能不在某一次 benchmark，而在于三件事：谁的端侧模型更小更快、谁的路由判得更准、谁能把「敏感数据不出设备」做成默认配置，而不是附加选项。
暂无评论内容