9月开源收官战:9B“小个子”硬刚770B“巨无霸”,AI的两条路彻底分岔了
9月开源收官战:9B“小个子”硬刚770B“巨无霸”,AI的两条路彻底分岔了
九月的最后一周,开源大模型圈像赶了一场大集。
一拨人在转紫东太初5.0-9B,说这个只有90亿参数的“小个子”,居然能看懂房间布局、判断东西在左还是在右,还能指挥机器人把桌上的东西收进篮子。
另一拨人在转腾讯混元Hy4预览版,7700亿参数的庞然大物,一口气能吃下上百万字的上下文,号称“一整个图书馆塞进去都不带喘”。
一个往“身体”里钻,一个往“脑子”里堆。
一个是身手矫健、能翻墙能认路的特种兵;一个是过目不忘、但出门得配一整个后勤车队的老学究。
这两条路线同时刷屏,其实比单纯“谁分数高”有意思得多。
一、先别急着比大小,这俩根本不是一个赛道
过去我们看大模型,习惯盯着参数:70亿、700亿、7000亿,数字越大越唬人。
但九月这两款模型摆在一起,等于把一个问题摊到了台面上:AI一定要靠“大”才能变强吗?
打个比方。
770B的巨无霸,像一家770人的大公司。每次干活,只叫其中49个最对口的专家开会,其他人待命。好处是知识面极广,什么冷门问题都能找到人;坏处是办公楼得盖得足够大,电费也吓人。
9B的小模型,更像一支9个人的精锐小队。人不多,但每个人都练过“看图纸、认方位、拆任务”这几门硬功夫,拉出去就能干活,一辆车就能装下。
所以这不是“谁取代谁”,而是大而全和小而专,第一次在同一个月份里正面碰上了。
二、这个9B的“小个子”,到底强在哪?
先说人话:它给AI装上了“空间感”和“方向感”。
以前的AI看图,像个只看照片的近视眼。你问它“图里有什么”,它能说出“有沙发、有冰箱、有桌子”。
你再问“冰箱在沙发左边还是右边”“从门口走到厨房要经过几个拐角”,它就开始胡诌了。
紫东太初5.0-9B干的,就是把“卷尺”和“指南针”一起塞进了模型里。
官方放出的演示里,有几个场景特别直观:
- 给它一张户型图,问“厨房正左边是哪个房间”,它能顺着墙体和门的位置推出来;
- 给它同一个房间的八个视角,问“假设你站在书桌旁、面朝柜子,箱子在你前面还是后面”,它能完成视角切换;
- 给它一段室内视频,问“站在电视旁、面朝冰箱,灶台在你左前方还是右前方”,它能结合前后画面给出答案。
这类题,人做起来靠的是脑子里那点“空间想象力”,但对AI来说,是极难补的一课。
它不只会“说”,还会“拆活”。
比如一句指令:“把洛基放进右边最近的礼盒。”
它不会傻乎乎地回你一段文字,而是把它拆成两步:先抓起编号3的洛基,再放进编号1的礼盒。
在官方展示的机器人仿真任务里,收纳汤罐和奶酪盒这种事,它用了25到26次操作就完成了;同样起点下,另外两个参数量更大的模型,用满40次操作也没收干净。
这差别就像什么?一个是一边说“我要收拾房间”一边真动手的人,另一个是站在原地给你讲“收纳方法论”的人。
三、分数有多硬?九项空间考试,八项第一
光说场景不够,还是得看成绩单。
在官方对比的九项空间与具身基准里,这个9B模型拿下了八项开源第一。
挑几个关键的看:
- ViewSpatial(多视角空间一致性):它62.50分,同级别开源对手在48分上下,一些闭源大模型也只有50分左右;
- MindCube-tiny(三维空间推理):它78.27分,对手普遍在57到70分之间;
- RoboSpatial(机器人空间理解):它56分,GPT-5.2在这一项是43.78分。
更难得的是,它没有“偏科”。
很多专精型模型一练空间,语文数学就全废了。它倒好,图表理解、文档识别、视觉数学这些通用活儿照样在第一梯队,指令遵循甚至拿到93.7分,和顶级闭源模型基本肩并肩。
这就像一个体育特长生,结果文化课还考了班级前几名。
四、770B那条路,强得离谱,也贵得离谱
再说另一边的巨无霸。
770B总参数、每次激活49B、百万级上下文——这几个数字翻译成生活场景就是:
你可以把一整年的公司财报、几百页的合同、上万行的代码,甚至一整套系列小说,一次性丢给它,让它从头到尾捋逻辑、找矛盾、做总结。
以前处理长文档是什么体验?像把一本厚书撕成几十份,分给几十个人各读一段,最后再拼起来。拼的人一多,前后文就容易对不上。
百万上下文相当于:一个人从头读到尾,中间不换人、不失忆。
代价也很直白——这种模型不是给你家电脑准备的。它得住机房、吃多卡、烧电费,普通开发者基本只能通过云端接口去用。
所以它更适合什么?法律合同审查、超长代码库问答、大型项目文档管理、科研文献综述这类“字多到吓人”的活儿。
五、普通人、开发者,到底该怎么选?
如果你只是想“用AI”,其实不用纠结。
这两条路最后都会变成你手机里的某个功能:一个负责帮你读懂长篇材料,一个负责帮你看懂眼前的世界。
但如果你是想动手做点东西的人,选择就很清楚了:
想做机器人、工业质检、仓储物流、AR导航、智能家居这类“要跟物理世界打交道”的项目,优先看9B这条线。
原因很实在:它的模型文件大概20GB,官方给的部署示例就是单卡跑。这意味着什么?意味着机器人身上那块主板,配上一张专业显卡,就能装下这个“大脑”,不用事事联网上传。
工厂车间没网、医院病房要保护隐私、家里摄像头不想把画面传到云端——这些场景,本地能跑就是硬通货。
想做长文档分析、代码助手、知识库问答,那就老老实实上云端的大模型。
至于商用,得多留个心眼:这个模型的权重用的是NVIDIA开源模型许可,底层语言部分又带着Qwen3.5的Apache协议。下载玩玩没问题,真要放进产品里卖钱,条款得逐字看一遍。
六、为什么“空间感”这件事,值得普通人兴奋
过去几年,AI学的是“说话”。
写文案、答问题、做总结,本质都是在语言这个二维世界里打转。
而现在,它开始学“打量这个世界”了:这个东西离我多远、那扇门朝哪开、这个杯子把手朝左还是朝右、我伸手过去会不会碰倒旁边的瓶子。
这些听起来很琐碎,恰恰是所有机器人卡了很久的地方。
一个会写诗但不知道杯子在哪的AI,进不了你家厨房。
一个能判断“杯子把手朝右、右边有空位、可以从这个方向握”的AI,才配得上“帮你干家务”这五个字。
更关键的是,这回它不是靠几千张显卡堆出来的。9B的体量,意味着“具身大脑”第一次有了走进寻常设备、走进普通公司的可能。
九月这波开源,与其说是两款模型在打擂台,不如说是给行业提了个醒:AI的下一步,可能不是比谁背的书多,而是比谁更懂眼前的这个真实世界。
最后留个轻松的问题:
如果明天你家里真来了一个“能看懂空间”的AI,你最想让它先帮你干哪件事?是收拾永远乱着的客厅,是帮你找那串消失的钥匙,还是给爸妈当个“家里的活地图”?
评论区聊聊,说不定下一个爆款功能,就藏在你这句话里。