2024 年已經逐漸步入了尾聲，但國産大模型的内卷之戰卻還在繼續着 ……
最近，騰訊終于有了新動作，在開源模型上卯足了勁。11 月 5 日，騰訊宣布開源 MoE 大語言模型混元 Large，騰訊稱混元 Large 是業界參數規模最大、效果最好的開源 MoE 大語言模型，采用 7T 訓練 tokens，總參數量 389B，激活參數量 52B，上下文長度高達 256K。
然而，從去年年初至今，在文本大模型的戰場上，身爲 BAT 三巨頭之一的騰訊，卻長久地處于被動的狀态。
一個明顯的表現是：在 10 月國内 Web 端 AI 助手的排行榜上，騰訊的 AI 産品元寶僅排在了第 11 位，月訪問量不到 200 萬，遠不及百度的文心一言、與阿裏的通義千問。
圖源 / 量子位
如今，在國内的 AI 應用上，要問起知名度最高的前三個，人們可能很難會想到騰訊的元寶。
問題來了：同樣身爲 BAT 三巨頭之一，且有着微信這樣一個超級入口，爲何騰訊卻在 C 端方面表現如此不堪？
一個重要的原因，恐怕并不是騰訊的元寶有多 " 差 "，而是在于在衆多國産大模型的 AI 産品中，元寶是一個十分四平八穩，平庸到毫無 " 特色 " 的存在。
而這樣的平庸，對于騰訊這樣的巨頭而言，并不是一個及格的答卷。
01
及格邊緣
基于騰訊混元大模型的的 AI 産品——元寶，目前在 C 端的體驗究竟怎樣？
在這裏，我們以當前文本大模型最核心的幾項能力，例如文本總結、撰寫，深度推理等，将元寶與排名較前的一些大模型進行對比，或許就能從中得知其與目前一線模型的差距。
首先來看看文本總結。
在這裏，我們先選取一篇關于低空經濟的深度長文章，分别試着讓元寶、Kimi，通義千問進行總結。
首先，我們試着讓三個大模型，分别總結下，這篇文章的核心論點是什麽。
從上到下的模型分别是：元寶、Kimi、通義千問。
可以看到，在三者的表現中，元寶最爲簡略，隻草草地總結了文章的一些大緻内容。
而相較之下，Kimi 和通義千問的表現則詳盡得多，不僅列出了數個要點，并且有條理、有邏輯地對文章的脈絡進行了梳理，讓用戶有了一個大緻的框架。
接下來，再看看文本撰寫方面的表現。
在這裏，我們的要求是：" 用司馬遷寫《史記》的風格，叙述一下特朗普從 2020 年敗選，到今年再次當選美國總統這段時間的經曆，同時還要在叙述中，帶有一些戲谑和諷刺的色彩。"
這樣的要求，考驗的就是模型在寫作時的指令遵循能力。
先來看看元寶的表現。
雖然在寫作風格上，确實比較接近《史記》，但是元寶并沒有按我們的要求，從特朗普 2020 年敗選的經曆開始叙述，而是從他幼年的經曆開始講起，并且也沒看出戲谑和諷刺的色彩。
之後是 Kimi 的表現，雖然在文風上，離《史記》還差了點，但是基本上已經做到了 " 從特朗普 2020 年敗選的經曆開始叙述 "" 帶有一些戲谑和諷刺的色彩 " 這兩點。
講真，在這一輪比較中，三者表現最好的，就是通義千問了。從文風、叙述要點，以及情感色彩方面，都與我們的要求最接近。
之後，我們再看看三者在深度推理方面的表現。
這回我們的要求是：" 聯網搜索一下，目前各大咖啡品牌在縣城等下沉市場的競争态勢，并分析這一态勢背後的原因，之後從商業角度，給出一個獨到的見解。"
這是一個複雜的分析型查詢，需要結合實時數據，進行多步驟、多維度的分析。
在測試中，我們都開啓了三個大模型的 " 深度搜索 " 功能。
由于答案太長，這裏隻截取最關鍵的 " 獨到見解 " 部分。
首先來看元寶的表現。
平心而論，在元寶給出的見解中，隻有 " 本地化 " 這一點，算是比較靠譜的，其他的看法，像什麽 " 參與社區公益 "" 推廣綠色消費理念 "，都是些很外行，很不着調的回答。
之後是 Kimi 的回答。
跟元寶對比，可以明顯感受到回答的深度、質量上了一個台階。例如 " 數字營銷 "" 優化供應鏈 " 這些見地，不僅一針見血，而且針對性很強，顯然是考慮到了縣城客流量低，對價格競争更敏感的特點。
最後是通義的回答。
可以看到，在集合了之前 Kimi 針對性較強的特點上，通義的回答更爲具體、細緻，而不是看起來在 " 泛泛而談 "，其深度、針對性，與元寶相比，再次提升了一個等級。
通過以上測評，我們基本上可以看出：目前騰訊的元寶，在國内梯隊中，僅僅隻能算是 " 剛好及格 " 的那一批。
在文本總結、撰寫這些日常任務上，其表現就已十分勉強，遇到一些需要複雜分析、推理的任務時，其水準就更不盡如人意。
02
組織 " 局限 "
從當前國内大模型的概況來看，脫穎而出的玩家，往往有這麽兩類：
一類走的是市場路線，憑借其在多個業務線中積累的大量數據，将用戶與内部場景進行深度整合，增強其在 C 端用戶中的吸引力；這類的代表玩家，有百度、字節、阿裏。
另一類則是以月之暗面、智譜清言爲代表的，以硬核技術力作爲核心錨點的企業，其主要靠模型過硬的實力吸引用戶。例如月之暗面的 Kimi，其模型在長文本的理解方面，在國内模型中就屬于鳳毛麟角。
從體量、實力上來說，騰訊完全有可能成爲第一種玩家，甚至成爲二者兼具的 " 雙修 " 型選手，讓人失望的是，作爲一家擁有龐大社交生态、深厚技術積澱的巨頭，騰訊卻在這一領域 " 掉隊 " 了。
究其根本，騰訊在語言模型領域的 " 拉胯 " 與其技術戰略、組織架構不無關系。
首先，騰訊的組織結構問題是其在大模型領域失利的 " 罪魁禍首 " 之一。
從組織架構來看，騰訊采用了多部門參與的研發模式。據報道，騰訊的 AI 大模型研發涉及六個業務群（BG）的參與，其中 TEG 更側重通用算法研發，而其他業務群則更關注行業應用。
這種策略有其優勢（如貼近業務需求），但也帶來了一些潛在的挑戰（如協調成本較高）。
相較之下，BAT 中的百度、阿裏，在大模型方面的組織架構則集中得多。無論是百度智能雲，還是阿裏達摩院，都能在同一戰略目标下集中算力資源，将模型與應用緊密協同。
騰訊的分離架構，在一定程度上導緻了資源整合的困難，尤其是在 GPU 資源、算力需求等方面難以快速響應，從而影響了大模型的訓練和應用速度。
說到底，這是因爲騰訊長期以來專注于 " 社交 "" 娛樂 " 等業務的結構，決定了其組織形态更适合産品叠代而非技術突破，其技術研發更多服務于具體業務需求，而非系統性的基礎研究投入。
雖然與騰訊相比，字節也同樣是以娛樂内容起家的互聯網巨頭，但這其中的關鍵區别就在于：由于在短視頻形成的内容導向策略，讓字節跳動旗下的抖音、今日頭條等産品需要時刻追蹤用戶喜好，快速叠代功能和内容，使得字節必須更注重算法、數據上的積累。
這一點從字節早期就開始構建的算法推薦引擎可見一斑——它不是在有了具體業務後才去開發技術，而是先有了技術積累，才催生出今日頭條、抖音這樣的産品。
而這與坐擁全國最大社交軟件（微信、QQ）的騰訊，有着天然的差别。
03
産品掣肘
很多人質疑騰訊在大模型方面的滞後時，往往會想：既然騰訊背靠着 QQ、微信這樣的超級入口，那其爲什麽不将自身的元寶大模型整合進其中，通過流量效應取得優勢？
關于這點，一個深層的原因，就在于微信和 QQ 等社交生态的崛起，靠的不是技術，而是運營策略和龐大的用戶數。
靠着互聯網時代 " 跑馬圈地 " 的策略，騰訊已經穩坐了這個江山，對于騰訊而言，這是其最核心的資産，在此情況下，任何過于 " 新銳 " 的技術，都可能影響用戶體驗的改變，從而會被視爲高風險操作。
尤其是當前大模型技術尚未完全成熟的情況下，各種幻覺、錯誤等問題，都會帶來難以預料的負面影響。
更重要的是，社交場景中的對話往往涉及大量私密信息，如何在提供 AI 服務的同時，确保用戶隐私安全，這是一個技術上和倫理上都極具挑戰的問題。
而這也引出了一個有趣的悖論：在互聯網時代，塑造各個巨頭的優勢因素，在 AI 時代，反而可能成爲一種潛在的掣肘。
在當下大模型的競争中，最重要的環節之一莫過于數據。
從這方面來看，騰訊的技術積累和商業模式與百度、阿裏有着本質區别。百度長期深耕搜索引擎和知識圖譜，積累了海量的結構化數據和自然語言處理能力；阿裏則依托電商生态，擁有豐富的場景化數據和完整的産業鏈支持。
相比之下，騰訊雖然在社交領域占據優勢，但其數據屬性更偏向于即時通訊和娛樂，這在大模型發展的物質基礎上就形成了先天差異。
更深層次來看，這樣的差異，也反映了不同企業在面對技術變革時的路徑依賴。騰訊的商業基因更偏向于連接與娛樂，而大模型技術的突破性應用，首先體現在知識服務和生産力工具領域。這種錯位，使得騰訊在大模型競争中不得不采取更爲謹慎的策略。
這也是爲什麽，在垂直場景适配方面，例如在金融、醫療、教育等專業領域的技術突破上，騰訊明顯落後于百度和阿裏的系統性布局。
與百度、阿裏建立構建統一的分布式計算框架（如飛槳、PAI），開發可複用的基礎算法組件相比，騰訊的創新，更像是一種 " 自上而下 " 的模式：即爲特定産品優化算法性能，解決局部場景的技術問題。
這樣的技術差距，背後的根本原因在于騰訊的技術創新範式，與大模型這種需要持續深耕的底層技術存在結構性矛盾。
可以說，從早期的 QQ 到微信，再到現在的 AI 大模型，馬化騰式的商業智慧，更多地體現在資本配置和生态搭建上，而非原始技術突破。
在互聯網時代，騰訊通過投資大量初創公司和科技企業，以 " 買、買、買 " 的策略，極快的速度擴展了業務版圖。在大模型和 AI 領域，騰訊大模型開發更多依賴開源技術和已有算法框架，但在核心技術積累上，并未能形成像百度的飛槳、阿裏的 M6 這樣的自研基礎設施。
這助力騰訊構建了一個龐大、穩固的商業生态，但也形成了一種 " 宿命式 " 的依附。
