模型

一个人、两周、数百美元，如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

2026年8月29日 · 47:29

某 AI Lab 研究员逯雨鑫向曲凯和陈皮复盘了他以个人开发者身份训练两个小模型并登顶 Hugging Face 热榜的过程：仅用一张 5090、QLoRA 和 200 美元的 Cloud Max 月费，花约两周、总计数百美元，基于 Gemma 与 Fable 微调出模型；第一版用了 5 天，第二版 2–3 周，其中绝大多数时间在整理和审核数据。他并非 AI PhD，强调卡点几乎都在数据而非训练——合成数据效果有限，真实数据约占 60%–70%，总量几千到一万条，需人工审核；还要应对'老师太强、学生太弱'的 Capacity Gap，因此选择 SFT 而非 RL，并推荐 Qwen 作为坑最少的开源底座；他定义的'好蒸馏'是锚定真实使用方向，而不是 Benchmark 分数。他对应用公司的成本估算是一个小模型几千到 1 万元人民币（不含 serving），并认为训练会一步步商品化，应用公司将成为 Neo Lab，AI Lab 的价值集中到前训与研究；数据是稀缺资源，AI Lab 重金买数据就像早期字节砸钱买用户。他还看好 Local AI 成为 PC 级机会，隐私与成本会推动本地部署（如 Hugging Face 曾遭攻击后改用国产模型本地解决），但主流用户仍会用豆包这类够用的模型，而非执着于 SOTA。

从蒸馏到合成数据到 RSI，模型竞争的下一个焦点是什么？｜对谈 Evolvent AI 联创孟繁青

2026年8月8日 · 59:29

本期曲凯对话 Evolvent AI 联创孟繁青，核心反共识是：国内模型的真正优势在 Pre-training，而非 Post-training。孟繁青曾在 Kimi 做 Agent 与 RL Infra，参与 K2.5 和 Kimi Linear，他比较了在模型厂与创业公司的差异，提到模型厂内部训练流程已工程化，认为训练模型门槛大降，数据质量比 Infra 更难评判，且数据行业变化极快，重人力的专家标注公司难以存活。他还解释了为什么 Post-training 的人更容易创业：Pre-training 研究太吃资源，而 Agent 和 Bench 离落地更近；今天的 Bench 已从解题变成在模拟工作环境里完成长程任务，评分靠人与 Agent 共同 check。合成数据这波已接近尾声，贵的一条能卖到几千块，下一波是 RSI 数据，长程轨迹要跑十几小时甚至一天，因此更宝贵。关于蒸馏，他强调这只是加速手段，不是国模变强的决定性因素；即便海外封掉所有蒸馏通道，国模仍可靠预训练架构创新（如在卡仅为国外 1/10 时追近前沿）维持竞争力。他也判断，模型厂最终拼的是组织架构与人才密度，而非单纯算力；并直言不存在 RSI 基础模型，创业公司的机会在桥接模型厂与应用层。

AI 发展了 4 年，把应用发展没了？｜AI 年中复盘

2026年7月19日 · 26:36

曲凯在42章经的这期单口复盘中，回顾了AI发展四年间市场从质疑到狂热的剧烈波动：模型势能达到最强，应用市场却冷到谷底，甚至出现“应用已死”的说法。他点名智谱和Google是模型市场最值得研究的公司，认为智谱靠Coding和Reasoning押注成功，而应用公司中Manus、Liblib等硕果仅存，海外市场如Dify、ACE Studio能实现千万美金ARR。他提出应用创始人正处历史上最好时机，应“随波逐流”跟随模型与资本，但不要纯粹为融资讲故事，要回归用户价值。他还借用卡萝塔《技术革命与金融资本》指出AI可能已从爆发期进入狂热期，转折点不远，并相信模型不会吃掉一切。