进入企业付费结算体系

根据 Baseten 与 OpenAI 的合作安排，企业用户可在 Codex 编程工具中直接调用 Kimi K3 等开源模型，相关调用费用计入企业已有的 OpenAI 采购承诺额度，无需新增供应商采购流程。也就是说，OpenAI 企业用户既可以通过 Codex，也可以通过 Responses API 调用 Kimi K3 等开源模型，从而在相同预算下获得更丰富的 AI 能力组合。

Kimi K3 的能力边界

Kimi K3 由月之暗面开发。官方宣称其是首个参数规模达到 2.8 万亿的开源模型，原生支持视觉能力，并拥有 100 万 Token 的上下文窗口，非常适合执行长时间编程、多文档分析等需要大量上下文支撑的任务。

一同进入该体系的还有智谱 AI 的 GLM 5.3，显示出 OpenAI 企业生态对中国开源模型的接纳正在从单点扩展到多模型并行。

出海与合规安排

在合规层面，Baseten 承诺其提供的所有模型均运行在美国服务器，并对所有提示词实行零数据保留（ZDR）策略。这一安排旨在满足企业客户对数据主权与隐私保护的诉求。

值得关注的是，这并非中国大模型出海的唯一进展。此前不久，亚马逊云科技旗下的大模型服务平台 Amazon Bedrock 已宣布接入 Kimi K3，标志着中国大模型公司首次以收入分成模式向全球头部云厂商输出模型能力。从 Bedrock 的分成合作到进入 OpenAI 企业结算通道，中国开源模型正在以更深层的方式融入全球 AI 基础设施体系。

架构：29B 总参数，仅激活 4B

Xing4.0-29B-A4B 采用混合专家（MoE）架构，总参数 29B，每令牌仅激活约 4B 参数，由 64 个路由专家加 1 个共享专家组成，每令牌选择 4 个路由专家参与计算。模型原生支持 256K 上下文，并可扩展至 512K。在评测表现上，其在 SWE-bench Verified 上取得 75.0 分，接近 Qwen3.6-35B-A3B 的 76.0 分，并超过 Gemma4-26B-A4B 的 53.0 分；在 Terminal-Bench 2.1 上取得 57.5 分，同样高于 Qwen3.6-35B-A3B 的 51.5 分；在 SuperCLUE 智能体能力评测中以 93.52 分位列第三。

全栈国产训练链路

据介绍，该模型是国内首个基于昇腾 Atlas 900 A3 SuperPoD 液冷超节点与昇思 MindSpore 框架完成训练的百亿参数大模型。在昇腾超节点集群上，通过多层次软硬件协同优化，训练吞吐较开箱性能提升约 96%。经过 4 比特量化后，模型显存占用可降至 15GB，使用 RTX 3090、RTX 4090 等 24GB 显存的消费级显卡即可本地运行长上下文任务。

开源与生态适配

Xing4.0-29B-A4B 以 Apache 2.0 协议开源，权重已上线 GitHub、HuggingFace、Gitee、魔搭与魔乐五个开源社区。在工具链方面，模型兼容 SGLang、vLLM、KTransformers 等推理框架，并支持 LLaMA-Factory 与 MindFormers 微调；同时针对 OpenCode、Claude Code、OpenClaw、Hermes 等开发工具做了定向适配，开发者可将其无缝接入现有工作流。华为方面表示，昇腾目前已支持 40 余个业界头部模型完成原生训练。

中电信人工智能科技有限公司于 9 月 17 日正式发布新一代星辰大模型 Xing4.0-29B-A4B。据 IT之家报道，该模型聚焦复杂任务理解、任务规划、工具调用与自主执行等能力，支持长上下文处理，可应用于代码开发、数据分析、办公自动化及生活服务等场景，是面向智能体（Agent）时代的轻量级代码智能体大模型。

全栈国产训练链路

华为官方介绍，Xing4.0-29B-A4B 总参数量 29B，激活参数仅 4B，是国内首个基于昇腾 Atlas 900 A3 SuperPoD 液冷超节点与昇思 MindSpore 框架完成训练的百亿参数级大模型，并面向复杂工程任务做了深度优化。
模型采用新一代架构设计，进一步提升长程任务处理与多步骤执行能力，能够根据用户给出的目标自主规划任务路径、调用工具并完成复杂任务。

架构与训练细节

在架构层面，模型专为长程 Agent 任务设计：MLA 多头潜变量注意力用于压缩 KV 缓存；MTP 多 Token 预测增强生成连贯性；mHC 流形约束超连接用于解决训练数值不稳定的问题；Muon 与 QK-Clip 优化器保障训练稳定。
训练采用分阶段递进策略，序列长度从 4K 逐步扩展至 32K、128K、256K，系统性构建长程能力。

工程优化方面，Xing4.0-29B-A4B 在昇腾超节点集群上通过多层次软硬件协同优化实现训练性能提升约 96%，接近翻倍：基于 MindSpore 全栈适配 mHC 多残差连接与 DSA 长序列机制，针对细粒度 MoE（64 路由专家、Top4 激活），通过专家负载均衡、Grouped GEMM、通信计算重叠及 DVM 图算融合，吞吐提升 32%；层级与算子级选择性重计算再提升 19%；自研 Ascend C mHC 融合算子解决 Sinkhorn 碎片化，计算效率提升 30%，整网吞吐再提升 25%。
此外，模型基于昇腾生态完成了 Slime 强化学习框架适配，面向 Agent、Coding、Reasoning 开展多专家强化学习训练，并通过 MOPD 技术实现多专家能力的高效融合。

评测表现与落地门槛

在落地门槛上，模型原生支持 256K 上下文，可扩展至 512K；4-bit 量化后显存占用降至 15GB（较 FP16 节省约 75%），意味着 RTX 3090、RTX 4090 等 24GB 显存的消费级显卡即可本地运行长上下文任务。

评测成绩单显示：SWE-bench Verified 达到 75.0，接近 Qwen3.6-35B-A3B 的 76.0，超过 Gemma4-26B-A4B 的 53.0；Terminal-Bench 2.1 为 57.5，超过 Qwen3.6-35B-A3B 的 51.5；SuperCLUE 智能体能力 93.52，位列第 3，与两款头部 Qwen 模型差距不足 1 分。

全面开源

目前模型权重已上线 GitHub、HuggingFace、魔搭（ModelScope）、Gitee、魔乐（Modelers）五个开源社区，采用 Apache 2.0 许可。模型兼容 SGLang、vLLM、KTransformers 推理框架，以及 LLaMA-Factory、MindFormers 微调工具，并对 OpenCode、Claude Code、OpenClaw、Hermes 等智能体框架做了定向适配。

据华为方面披露，昇腾已支持 40 多个业界头部模型完成原生训练，也是国内唯一支持商用大规模预训练并训练落地 SOTA 大模型的厂商。Xing4.0-29B-A4B 以「总参 29B、激活仅 4B」的轻量化设计，把大模型私有化部署的门槛从「先买一台服务器」降到了「用你手边的显卡」，为开发者、政企与中小企业提供了一条自主可控的代码智能体落地路径。

29B 总参数，每次只激活 4B

Xing4.0-29B-A4B 采用 MoE（混合专家）架构，总参数量为 290 亿，单次推理仅激活 40 亿参数，并采用 mHC、MLA、MTP 组合架构与 64 个路由专家加 1 个共享专家的设计。原生支持 256K 上下文，可扩展至 512K，能够一次性装入长文档、长代码与复杂任务。

官方称，该模型是国内首个基于国产算力与国产框架完成训练、面向复杂工程任务深度优化的百亿参数大模型。其训练运行在昇腾 910C 集群之上，配合 MindSpore 与 MindFormers 框架，从训练芯片到推理部署实现全栈国产。据厂商披露，通过细粒度 MoE 通信优化、选择性重计算等协同优化，整体训练吞吐较开箱状态提升约 96%——这一数字为官方口径，尚无第三方复现。

智能体能力进入第一梯队

在 SuperCLUE 评测中，Xing4.0-29B-A4B 的智能体能力得分为 93.52，位列第 3 名，与两款头部 Qwen 模型的差距均不足 1 分。模型面向复杂任务理解、任务规划、工具调用与自主执行做了针对性优化，可根据目标自主规划路径、调用工具并完成多步骤任务，应用于代码开发、数据分析、办公自动化与生活服务等场景。

轻量化是该模型的核心卖点。通过 4-bit 量化，显存占用降至 15GB，较 FP16 节省约 75%，RTX 3090、RTX 4090 这类 24GB 消费级显卡即可本地运行长上下文任务，降低了开发者在轻量硬件上做 Agent 开发与上手部署的门槛。

开源生态全面兼容

Xing4.0-29B-A4B 以 Apache-2.0 许可开源，已上线 HuggingFace、GitHub、魔搭社区、Gitee 与魔乐等平台。在生态适配上，微调侧支持 LLaMA-Factory 与 MindFormers，推理部署侧支持 SGLang、vLLM、KTransformers，并针对 OpenCode、Claude Code、OpenClaw、Hermes 等主流智能体框架做了定向适配与格式对齐，开发者无需更换现有工具链即可试用。

从产业视角看，这款模型的价值不只在跑分，而在于把”在国产芯片上把模型训出来”的工程路径连同工具链一并开放，为信创、政务、金融等对数据不出域与供应链可控有要求的场景，提供了一条可单机私有化部署的基座选项。其定位并非对标千亿级旗舰模型，而是以”够用、可控、便宜”切入智能体落地的刚需市场。

在2026年中国国际服务贸易交易会（服贸会）上，美团展出并开源了新一代万亿参数大模型LongCat-2.0（龙猫2.0）。据北京日报、中国经济网等媒体报道，该模型总参数为1.6T（1.6万亿），平均激活约48B（动态范围33B至56B），是业界首个在万卡级国产算力集群上完成全流程训练与推理的万亿参数开源大模型。

面向智能体编程的架构设计

LongCat-2.0原生支持100万Token（词元）超长上下文，从零开始预训练，其核心目标围绕真实的Agentic Coding（智能体编程）任务展开，让模型在代码理解、生成与执行上更高效、更稳定。

在架构上，LongCat-2.0创新性引入了LongCat稀疏注意力与N-gram Embedding，在提升长上下文处理效率与Token级表示能力的同时，结合动态激活进一步强化了代码相关表现。这一设计思路与此前业界将大模型用于”辅助写代码”的取向不同，更强调模型作为可自主规划、调用工具、执行任务的智能体底座。

同步上线AI智能体平台CatPaw

与模型一同亮相的，还有美团全场景AI智能体平台CatPaw。据百度百科与美团技术团队公开信息，CatPaw于2026年7月27日正式上线，采用”脑手分离”架构：Agent Loop负责理解意图、规划步骤、判断调用工具并基于大模型推理处理上下文与结果解析，Sandbox负责实际执行文件读取、浏览器操作、终端命令等动作。

平台支持移动端、PC端与云端协同：移动端可发起任务、查看进度与远程确认关键决策；PC端具备文件操作、浏览器控制与终端命令等能力；云端可承接耗时较长或定时触发的任务。同时，CatPaw支持跨会话的长期记忆，可记录用户的个性化偏好、操作习惯与历史上下文。

在服贸会上，CatPaw展示了面向本地生活商家的AI经营工作台能力，将平台沉淀的行业经营经验与AI能力封装为轻量化Agent工具，帮助商家完成评价分析、经营诊断、门店巡检等日常工作。美团配套的本地生活Agent”小团”累计响应已超7亿次用户需求。

应用与出海

作为模型与Agent体系的落地载体，美团的数智化生活服务模式已在中国香港、中东、拉美等多个海外市场落地。从面向消费者的AI助手”小团”，到服务商家的CatPaw平台，美团正将AI能力深度融入零售、即时配送与商家经营等环节。

LongCat-2.0的开源，意味着开发者可基于这一万亿参数级、依托国产算力训练的大模型，在智能体编程、长上下文处理等场景中做进一步探索。在国产大模型竞争进入”代码+多智能体协同”阶段的当下，这一开源动作也为国内开发者提供了新的底层选项。

来源：美团技术团队、北京日报（腾讯新闻）、中国经济网

六款模型覆盖端到端

K2 Horizon 包含 0.9B（可穿戴设备）、3.7B、7B（手机）、32B（本地部署）、36B-A4B 与 375B-A23B 六款。后两款采用稀疏混合专家（MoE）结构：36B 版本每 token 仅激活约 40 亿参数，旗舰 375B 版本每 token 激活约 230 亿参数，却拥有 524000 token 的上下文窗口。

“全开放”意味着什么

与多数仅放出权重的开源发布不同，IFM 同时公开了训练代码、数据构建配方、中间检查点、配置文件与评测结果。研究院创始人、MBZUAI 校长 Eric Xing（邢波）表示，真正的开源应是”既能拿到车，也能拿到造车的工厂”。所有模型采用 Apache 2.0 许可。

性能与效率

据 Artificial Analysis intelligence index，旗舰 375B-A23B 得分 47，明显高于同类开放权重大模型 29 的中位水平。IFM 还提出两项效率技术：扩散蒸馏（diffusion-distillation）方法宣称将生成速度提升约三倍（Uno 适配器适用于 0.9B 与 7B 模型）；以及混合价值注意力（Mixture-of-Value Attention，MoVA），将专家路由引入多头注意力。各模型预训练约 20 万亿 token，其中约 10 万亿为合成数据。

在哪里能用到

K2 Horizon 已上线 Hugging Face，并支持 vLLM、SGLang 推理框架；API 通过 Compass、Cerebras、Nebius 等平台提供。对需要可控、可审计模型的中国开发团队而言，Apache 2.0 许可与对外开放的数据配方，意味着可以在合规前提下做二次训练与部署。

这意味着什么

在开放权重大模型竞争白热化的 2026 年，IFM 用”连数据配方一起给”抬高了开源的门槛。对学术界与中小团队，这是一份可复现、可改进的研究资产；对产业界，则多了一个不受单一商业云绑定的选型。

FAQ

K2 Horizon 与 DeepSeek、Qwen 等有何不同？ 最大区别在于 IFM 同时开放训练数据与代码，而非仅开放权重。

普通开发者能用吗？ 0.9B 至 7B 小模型可在手机与边缘设备运行，32B 可在本地服务器托管。

授权协议是否商用友好？ 全系采用 Apache 2.0，允许商业使用与修改。

信息来源：Institute of Foundation Models（MBZUAI）官方发布、Artificial Analysis、Santage AI 与 RuntimeWire 报道（2026 年 9 月 3 日）。

两条不同的技术路线

海外头部本周的重心在架构与智能体。OpenAI 把 GPT-6 Astra 定位成能直接操作电脑的智能体，Anthropic 则靠 Claude Fable 5.1 在专业任务上继续拉开身位。国产头部则明确表态”架构没动”，提升全部来自强化学习与长程任务环境。智谱官方博客里有一句话很实在：模型能力的提升正在从”模型”转移到”环境”——难点不再是让模型更聪明，而是给它搭出足够接近真实工作的测试环境。

开源权重：一条新分水岭

谁把权重真正放出来、以什么协议放出，正在成为区分模型开放程度的分水岭：

– DeepSeek 的 V4.1-Flash 用 MIT 协议直接放出权重； – Meta 的 Muse Glimmer 采用 Apache-2.0 协议； – 智谱 则选择延后两周、做完安全加固再开源。

三家都开源，但节奏与顾虑完全不同。智谱的谨慎有出处：GLM-5.3 那 2436 个漏洞发现记录，让同一项能力交到谁手里、结果差得很远。这也说明，开源不再只是”放不放权重”的二元题，而是”以何种安全姿态放出”的工程与治理题。

差距究竟在哪里

在中文场景与开源生态两块，国产模型已具备对等实力。SuperCLUE 中文榜前十被国产模型包揽，LMArena 与国际模型大致”五五开”即是证据。但在另两个维度上，海外头部仍然领先：

– 让人愿意投票：盲测偏好测的是”聊得舒不舒服”； – 端到端把活干完：Agent 能力测的是”活干没干完”。

GPT-6 Astra 的盲测反差、Anthropic 约 16 分的领先，都在说明这两套尺子量出来的东西并不相同。

跨榜单的交叉观察

把单个模型在不同榜单上的名次摆在一起，能看出明显的”偏科”：

– DeepSeek V4.1-Flash：在 SuperCLUE 上排国产第 2，中文能力没得说；到了 LMArena 公司榜却只排第 11（1450.77 分），连前 10 都没进。中文评测与国际盲测之间的落差，在它身上体现得最明显。 – OpenAI Astra：在自家评测体系里全面领先，LMArena 上却比 GPT-5.5 低 29 分——盲测与 Agent 能力是两套不同的尺子。 – 智谱 GLM-5.3：LMArena 第 5、SuperCLUE 第 3，两张榜都稳，是这一周表现最均衡的国产模型。

开源权重榜本身也印证了国产的站位。在 LMArena 开源模型榜单中，智谱 GLM-5.3 以约 1477.5 的 Arena 评分位居第一，月之暗面 Kimi K3 约 1471.9 居第二，GLM-5.3-Flash 约 1471.6 居第三，DeepSeek V4.1-Flash 约 1450.8 紧随其后——开源前五中，国产模型占据多席。

对选型意味着什么

对关注大模型选型的中国用户而言，这组信号有两点实用价值：其一，若场景以中文、长文档、国产开源生态为主，国产模型在能力与成本上已可放心作为主力；其二，若场景强依赖”像人一样愿意聊”的盲测体验或”完整把长任务干完”的 Agent 能力，海外头部仍有一段身位优势，需按真实工作负载而非单一榜单分数做判断。

结语

模型江湖瞬息万变。9 月这一周的榜单真正值得记下的，不是谁又涨了几分，而是竞争维度正在悄然切换：从”谁的基座更强”，转向”谁把后训练练得更透、谁把权重更负责任地开源”。开源权重，正在成为继参数规模之后，衡量一家模型公司的新分水岭。

端侧模型为什么需要百万 Token 上下文

过去端侧模型处理长内容时，常要把文档切成几段分别处理，容易忘记前情、遗漏信息。星火 X2.5-4B 与 1.7B 原生支持百万级上下文，目标不是”塞下更多字”，而是让模型基于完整信息在连续交互中持续理解与处理复杂问题。

长上下文解决”信息能不能看全”，智能体与工具调用能力解决”看完之后能不能动手”。依托科大讯飞在 AI 研发、智能办公与智能硬件的积累，星火 X2.5 可面向个人办公、代码开发、智能硬件与机器人等场景提供本地化能力。

两款模型的定位与能力差异

星火 X2.5-4B 与 1.7B 均采用混合注意力架构，并围绕智能体、代码、数学与指令遵循等核心能力优化。两款模型基于全国产算力平台完成全流程训练，使用约 20 万亿 Token 多样化数据预训练，再通过高质量监督微调与强化学习持续提升推理、代码、智能体与指令遵循表现。

在代码开发场景中，星火 X2.5-4B 在算法实现、代码补全与生成等任务中可对标参数规模大 2 至 3 倍的云端模型。开发者可通过 DeepSeek Harness、OpenCode、Codex、Pi 等开源 Harness 将模型接入本地开发与自动化脚本流程。

如何本地部署星火 X2.5

部署层面，两款模型支持英伟达、华为、海光及后摩等硬件平台，兼容 vLLM、SGLang、llama.cpp 等主流推理框架，可通过 Ollama、LM Studio 等工具快速部署，并支持使用 LLaMA-Factory 开展增量训练。多硬件、多框架适配进一步降低了开发者在不同环境部署、微调与应用的门槛。

在个人办公场景，星火 X2.5 可覆盖数据处理、文档生成与文档翻译；在机器人场景，模型可部署于本体或边缘设备，支持操作控制、目标追踪与导航决策，减少对云端连接与固定预设程序的依赖。

端侧开源意味着什么

2026 年端侧模型密集落地，轻量模型此前多主打”断网能聊几句”，而星火 X2.5-4B 把百万级上下文带进本地设备，标志着端侧竞争从”能不能跑”转向”能不能基于完整上下文持续干活”。对隐私敏感的医疗、政企文档与无稳定网络的现场作业，本地长上下文推理价值尤为突出。

与云端大模型相比，端侧部署无需持续联网、不泄露原始数据、且边际成本趋近于零，适合高频、重复的办公与代码任务。星火 X2.5 以开源方式发布，模型权重与代码已在 Hugging Face 公开，开发者可基于自有数据微调，构建可控的本地智能体。

本文基于哪些信息

本文基于科大讯飞官方发布信息及中国日报 2026 年 9 月 2 日报道整理，关键数据（100 万 Token 上下文、约 20 万亿 Token 预训练、多硬件适配）均来自厂商公开披露。模型许可与部署细节以 Hugging Face 与官方仓库最新说明为准。

据彭博报道，Ox Alpha 于 8 月 20 日前后以 “stealth”（隐身）为名低调上线 OpenRouter，成为该平台历史上规模最大的发布。它迅速冲上使用量排行榜首位，用量超过 DeepSeek 的两倍。Stripe 首席执行官 Patrick Collison（其公司正在收购 OpenRouter）评价这次匿名发布”非常出色”。

从定位看，Ox Alpha 是一款面向编程与智能体任务的推理模型，可同时处理文本、图像与视频输入，上下文窗口达到 1,048,576 个 token（约 100 万）。目前向所有用户免费开放一周，之后的定价尚未公布。

其代号取自近期国内上映的电影《牛来》（Niu Lai）。这种”先匿名、后认领”的发布方式，延续了阿里巴巴、小米今年以来的做法：先观察模型在真实场景中的表现，再决定是否正式公布。

本月早些时候，Z.AI 刚发布旗舰模型 GLM-5.3，称其在部分基准上已可媲美 Anthropic 的 Fable 5。在编程基准 DeepSWE 上，Ox Alpha 在完整 113 题跑分中完成 66 题、得分 58.4%，接近 Anthropic Claude Opus 4.8 的 59%。据 VentureBeat 数据，GLM-5.3 通过 Z.AI API 调用的价格为每百万输入 token 1.40 美元、输出 4.40 美元；其 GLM-5.3-Flash 权重已以 MIT 许可发布于 Hugging Face，总参数 3210 亿、激活参数 180 亿。

Z.AI 于 2026 年 1 月 8 日在港交所上市，并将于周一发布上市以来首份详细半年财报。开源权重意味着开发者既能基于模型自行构建应用，也能检视乃至移除其安全护栏。在多家美国对手收紧闭源模型的背景下，中国开源大模型正以更低的成本与开放权重参与全球竞争。

全球最大开源 AI 模型平台发布的 2026 年春季报告显示，过去一年，该平台 41% 的大模型下载量来自中国研发的模型，中国已超过美国，成为全球开源模型供给最活跃、增长最快的地区之一。在多家权威信源的统计中，全球主流大模型调用榜单前列的模型，大多由清一色中国团队包揽。

从追赶到领跑

据中国信息通信研究院相关专家解读，这反映出中国开源模型已进入全球开发者与企业的实际应用体系，成为人工智能创新生态的核心贡献者。报告显示，过去 12 个月里，国产模型有 9 个月保持着全球开源模型的规模上限，迭代节奏持续领跑。

代表性成果接连涌现。深度求索（DeepSeek）的新一代开源模型 V4 以百万词元的超长上下文窗口打造高性能产品，并面向全球开发者免费开放模型权重与底层代码；月之暗面（Moonshot AI）开源的旗舰模型 Kimi K3 参数规模达到 2.8 万亿，是目前全球参数规模最大的开源大模型，发布内容包括完整权重、技术报告及三项底层训练基础设施技术，供开发者本地部署与二次开发。

落地到实体经济

中国开源模型之所以受到全球开发者青睐，除了技术水准，还在于开放与可定制的姿态。以京东方研发的”蓝鲸显示大模型”为例，其技术底座采用了国产开源大模型。京东方方面表示，开源模型具备成本优势（免费）、可结合场景深度适配、可私有化部署三大特点，既能保障信息安全，又能根据实际产线需求定制为”行业大脑”。目前该模型已在京东方多地工厂应用于生产制造、创新与企业运营等环节。

统计数据勾勒出生态全貌：中国人工智能企业数量已超过 6000 家，产业链覆盖智能芯片、算力集群、模型研发与场景应用等全链条；国内生成式人工智能用户规模逾 6 亿；日均词元调用量突破 140 万亿。另据测算，中国持有全球约 60% 的人工智能专利。

开源作为一种路径

之江实验室主任、中国工程院院士王坚曾表示，中美人工智能发展已出现一条分水岭，这条分水岭就是开源，中国开源模型的数量与质量都走在全球前列。月之暗面创始人杨植麟则认为，开源开放的行业精神是中国 AI 对全球市场最独特的贡献。

政策层面也在加码。工业和信息化部等八部门联合印发的”AI+制造”实施方案提出，到 2027 年推动 3 至 5 个通用大模型在制造业深度应用，建设 100 个高质量工业数据集，在 500 个代表性工业场景中拓展部署。中国工程院院士王坚强调，开源不是施舍，人工智能比以往任何技术都更需要全球治理与共享。

（本文事实依据人民日报、央视《焦点访谈》、CGTN 及中国工信新闻网等公开报道。）