8月27日，阿里千问大模型团队开源多模态MoE模型Qwen3.8-Flash-Next，该模型是基于下一代Qwen4架构构建的先导预览版。智谱也开源了GLM-5系列首个原生多模态模型GLM-5.3-Flash（320B-A18B），这也是此前在网上爆火的匿名模型Ox-Alpha（“牛来”模型）。
在价格方面，Qwen3.8-Flash即将上线千问AI平台，对外提供API服务，每百万Tokens输入1元，输出3元，相比空闲时段的DeepSeek-V4-Flash输入价格低33.33%，输出价格低33.33%。智谱的GLM-5.3-Flash（320B-A18B）价格也降低到了GLM-5.3的1/10，限时折扣内为GLM-5.3的1/20，为Opus 4.8的1/40。
国产大模型的价格开始“内卷”起来了。随着参数量的持续膨胀，边际收益逐渐递减，而训练成本、推理延迟和部署难度却呈指数级上升，也因此国产大模型在某种程度上其实非常“贵”。
提起国产大模型，很多人想到的都是DeepSeek、Kimi、智谱这样的代表，而与之关联最紧密的标签之一，就是低价、便宜——如果仅从Token单价上来看，国产模型与GPT-5.6、fable5等顶尖模型相比，确实有着不小的优势。但实际上，这种“低价”的印象，是一种圈外人长久的误区，尤其在高强度的编程场景下，国产大模型的单价不但没有优势，甚至反而还比有套餐的GPT、Claude贵出好几倍。
对于国内的开发者来说，在高强度AI Coding场景下，每天消耗几十亿、上百亿Token，是一个很普遍的常态。很多国内开发者表示，GPT的codex套餐，是目前能买到的最便宜的token，比智谱、kimi便宜好几倍，这可能反直觉，但是事实就是国产模型在高强度的Coding场景下，性价比完全无法与之对比。
AI的又一次进步
从技术本质上看，通用大模型的核心在于“预训练”与“微调”的成熟，其基础架构通常基于深度神经网络中的变换器结构，通过在海量、多源、异构的互联网数据上进行自监督学习，模型得以捕捉人类语言与知识体系中的深层统计规律。这一过程相当于让模型完成了一场“通识教育”——它阅读了相当于人类数千年阅读量的文本，学习了语法、逻辑、常识乃至某种程度的“世界知识”。此后，只需通过相对少量的特定领域数据对模型进行引导性微调，它便能快速适应问答、创作、推理、编程等迥异的下游任务。
从更宏观的产业生态视角观察，通用大模型的研发已演变为一场对算力、数据和人才的综合性考验。
训练千亿级模型所需的计算资源投入，使得只有极少数机构具备从头研发的资本，这种集中化趋势客观上形成了技术高墙。与此同时，开源社区的活跃却提供了另一条路径——众多轻量化、高性能的开放权重模型不断涌现，让中小企业和个人开发者也能基于成熟基座进行二次创新。这种“集中研发、分散应用”的格局，既避免了重复造轮子的资源浪费，又激发了应用层的百花齐放。
展望未来的演进方向，通用大模型很可能沿着两条主线并行前进。一条是“超级智能体”路线，即模型不断增强自主规划、工具调用和多步推理的能力，最终演化成能够独立完成复杂项目的数字助理——它不仅能回答你的问题，更能替你安排行程、管理邮件、撰写报告乃至参与谈判；另一条是“专用化融合”路线，即通用大模型作为“智慧底座”，与各行业的私有数据、业务逻辑和物理设备深度绑定，形成具备行业专精知识的垂直增强系统，在金融风控、药物研发、材料设计等领域释放前所未有的价值。
结语
通用大模型让机器首次展现出某种“通才”的雏形，但距离真正的理解、意识和自主性尚有天壤之别。在技术、法律、伦理与教育的多维协同中，通用大模型有望成为人类智慧的延伸而非替代，辅助我们突破认知的边界，解决那些单靠人类头脑难以企及的复杂难题。
