砸下 63 億美元 GPU 的開源模型，24 小時就被法國超車：開放權重競賽裡，企業該比的不是跑分
已更新：6分钟前
2026 年 10 月初，獲輝達（Nvidia）支持、自稱「美國開放前沿實驗室」的新創 Reflection AI，在募資兩年後終於端出第一款模型 Beam。根據科技頻道 Fireship 的整理，這款模型動用了價值約 63 億美元的 GPU 來訓練。
然而發表不到 24 小時，巴黎的 Mistral 推出 Mistral Large 4，自家公布的測試成績就把 Beam 甩在後頭。同一週，打造 Kimi 的中國業者 Moonshot AI 完成新一輪募資，估值來到 500 億美元，並著手準備香港上市。
這場被主持人戲稱為開放權重史上「最荒謬一週」的混戰，表面上是跑分之爭。真正值得台灣企業留意的是背後的問題：當各國都想要一個「自己的」開放模型，選模型的標準，正從「誰最聰明」轉向「誰讓你放心交出資料」。
開放權重的真正賣點不是便宜，而是資料不必離開自己手上
影片指出，使用封閉的商用模型，代表每一則提示詞都會送進對方的資料中心，經過分類器檢查，可能被安全團隊檢視，也可能被拿去訓練未來的模型。
他舉了一個情境：一國政府若想用專門找漏洞的模型檢查自家電網，就得把電網設計圖交給外國公司。若改用開放權重模型，模型可以放在自己的機房裡運作，這類顧慮大多隨之消失。
他認為，這正是幾乎每個國家都想打造自家模型，或至少找到一個信得過的模型的原因。
三家各自出牌，但沒有一家已經能直接上線
依影片說法，Reflection AI 由兩位前 DeepMind 研究員創立，主打「最好的開放模型應該來自西方」。Beam 擁有 5,010 億個參數，基礎模型在不到四週內以約 24 兆個 token 訓練完成，再花四週後訓練，強化寫程式、使用工具與完成長時間代理任務的能力。官方宣稱它能與智譜的 GLM 5.2 並駕齊驅，所需硬體只要四分之一。問題是，目前仍須受邀才能使用，權重也尚未釋出。
Mistral Large 4 採混合專家架構，總參數約一兆，但每個 token 只啟用約 490 億個參數，等於用小得多的運算成本取用大模型的知識。影片提到，它在長時間程式任務上小勝 GLM 5.3，比 Beam 高出 18 分，在找資安漏洞的測試中排進前五。不過主持人提醒，這些數字都由 Mistral 自行提供，模型還沒訓練完，權重預計當月稍晚才以自訂授權釋出。
相較之下，Moonshot 在 7 月推出的 Kimi K3 已是 2.8 兆參數的開放模型，上線兩天就因 GPU 不足暫停新訂閱。但影片同時提到，Anthropic 指控 Moonshot 透過假帳號送出約 30 萬次請求來複製 Claude，中國的國家級 AI 基金也參與了這輪募資。
選模型的第一道題，其實是你有沒有合規部門
影片最後的建議很務實：只有一台電競電腦，就用 Google 在 4 月以 Apache 2.0 授權釋出的 Gemma 4；有自己的資料中心、沒有合規包袱，可以考慮 Kimi K3；資料中心與合規部門都有，則選 Mistral Large 4。
這個分法把模型能力放到第二位，先問的是硬體條件與合規責任。對台灣企業而言，這幾乎就是採購會議上真實的討論順序。
本文觀點：授權、來源與交付時程，應該先寫進評估表
以下為本文分析，並非影片內容。
第一，看授權條款，而不只看「開放」兩個字。Apache 2.0 與廠商自訂授權，在商用範圍、再散布與責任歸屬上可能差異很大，法務應在技術評估前就介入。
第二，看模型來源與地緣風險。Kimi K3 能力出眾，但牽涉資料取得爭議與國家資金背景，對金融、醫療或承接政府標案的企業，這會是稽核時必須說清楚的一題。
第三，看「拿不拿得到」。Beam 需要邀請，Mistral Large 4 權重尚未釋出，宣稱的成績也還沒經過第三方驗證。把尚未交付的模型排進上線時程，是常見的專案風險。
63 億美元買不到信任，企業的評估標準才是長期資產
回到那場 24 小時就被超車的發表。Beam 的遭遇說明，在開放權重賽道上，龐大的算力投入換不來長久的領先，排行榜隨時可能改寫。
與其追逐本週最強的模型，決策者更該建立一套可重複使用的評估流程：資料能否留在自己手上、授權是否允許你的用途、供應來源是否經得起稽核。模型可以每季更換，這套標準才會留下來。若團隊想在自建之前，先用實際任務比較不同模型的表現與 Token 成本，不妨先並行測試，再決定哪一款值得投入。
資料來源與編輯註記
來源影片：A $6.3 billion open-weight model just got embarrassed by the French...
頻道：Fireship
網址：https://www.youtube.com/watch?v=WrCjAAl9okA
發布日期：2026 年 10 月 8 日（台灣時間）
擷取時觀看次數：1,670,577 次（2026 年 11 月 1 日擷取）
編輯註記：本文為編輯整理之評析文章，依據上述影片內容改寫與分析，影片中的觀點均為轉述，並非逐字翻譯；「本文觀點」段落為本站分析，不代表影片立場。
延伸閱讀
立即行動
開放權重賽道的領先往往以週計算，企業較穩的做法是先建立可重複的評估流程，再決定要不要自建。用實際任務比較模型表現與 Token 成本，比追逐本週榜首更務實。若需要把多家模型的用量與費用放在同一處對照，可參考 AI Token King。
留言