Von Yishui, berichtet aus Aifeisi
QbitAI (Quantum Bit) | Öffentlicher WeChat-Account QbitAI
Ich habe einen Rundgang über iFlyteks jährlichen globalen 1024 Developer Festival gemacht, und mein Eindruck war nur einer:
Trubel – wirklich viel Trubel。
Schon am Bild erkennt man, wie schwer es ist, sich in der Menge zwei Schritte nach vorne zu bewegen –
Vor den Ständen kommt eine Besucherwelle nach der anderen: Manche probieren die Exponate selbst aus, andere tun sich zusammen, um über Technik zu sprechen und Details zu erfragen. Die gezeigten KI-Ergebnisse und immersiven Interaktionen reißen nicht ab – der Hardcore-Tech-Gehalt ist komplett ausgereizt.
Aber wichtiger als der Trubel ist die Frage, was diese KI-Produkte wirklich können.
Bildung, Gesundheitswesen, Finanzen, Übersetzung … iFlytek hat diesmal eine Reihe von Branchen-KI-Produkten auf die Stände gebracht. Wie chinesische Große Modelle in konkrete Szenarien einziehen, sich an verschiedene Branchen anpassen und wirklich genutzt werden können – all das ist hier in konkreten Vorführungen zu sehen.
Dabei hat die im September dieses Jahres veröffentlichte Open-Source-Modellreihe Spark-X2.5 kumuliert über alle Kanäle die Marke von 2,56 Millionen Downloads überschritten (Platz 4 unter den globalen Edge-Modellen nach Downloads), und die 4B-Version stieg zeitweise auf Platz 1 der 7-Tage-Trending-Charts von Hugging Face.
„2,56 Millionen Downloads, Platz 1 der Charts“ – die Ergebnisse sind zweifellos beeindruckend. Aber was mich diesmal wirklich interessierte, war etwas anderes:
iFlytek geht weiterhin einen Weg, der sich von dem der meisten anderen Spieler unterscheidet.
Full-Stack-Unabhängigkeit und Kontrollierbarkeit.
Vom Modelltraining über die Inferenz bis zur Edge-Bereitstellung stützt iFlytek das gesamte Große-Modell-System durchgehend auf inländische Rechenleistung.
Wie schwer dieser Weg ist, weiß jeder, der Bescheid weiß …
Also stellt sich die Frage:
Ohne NVIDIA-GPUs – wie weit hat dieses komplett inländische System die chinesischen Modelle eigentlich gebracht?
Passenderweise hat iFlytek nun auch das Spark-X2.6 vorgelegt.
Also worauf warten – direkt volle Härte! (Hihihi.jpg)
Komplett inländisch – nicht nur das Modell trainieren
Bevor der eigentliche Praxistest beginnt, muss eine Sache klargestellt werden:
Obwohl überall von „chinesischen Großen Modellen“ die Rede ist, gibt es bei der inländischen Rechenleistungs-Route durchaus Unterschiede.
Einige Begriffe werden oft vermischt – diesmal habe ich sie kurzerhand einmal sortiert:
△ Bild von KI generiert
Offensichtlich hat iFlytek den letzten, den schwereren Weg gewählt:
Vom Modelltraining über Reinforcement Learning und kontinuierliche Iteration bis zur Inferenz und Bereitstellung liegt die gesamte Kette auf inländischen Rechenleistungsplattformen.
Der NVIDIA-Anteil in der Kernkette beträgt 0 – wie soll man sagen? Klingt tatsächlich befriedigend.
Aber wenn man wirklich tiefer gräbt, merkt man, wie schwer das ist.
In den vergangenen Jahren wurde bei Diskussionen über komplett inländische Große Modelle meist zuerst gefragt:
Können inländische Chips das Modell überhaupt trainieren?
Das ist wirklich der unmittelbarste Schritt, doch erst beim Training im großen Maßstab beginnen die Schwierigkeiten aufzutreten.
NVIDIAs Vorteil liegt nicht nur bei den GPUs, sondern auch im über viele Jahre rund um CUDA aufgebauten Software-Ökosystem; wechselt man zu heimischen Chips, müssen vom Operator über das Framework bis zur Multi-GPU-Kommunikation alle Teile neu angepasst werden.
Sobald die Größe auf tausend oder zehntausend Karten anwächst, werden Trainingseffizienz und Cluster-Stabilität zu einer neuen Bewährungsprobe.
Viele Arbeiten verstecken sich hinter dem Modell, sind für gewöhnliche Nutzer unsichtbar, kosten aber am meisten Zeit und Entwicklungsressourcen.
△Bild von KI generiert
Ich habe danach die Zeitlinie der letzten Jahre bei iFlytek durchgesehen und festgestellt, dass ihr Verständnis von vollständig heimischer Technologie tatsächlich einige Schritte weiter geht als „mit heimischen Karten ein Modell trainieren“.
Das könnte damit zusammenhängen, dass iFlytek sich langfristig tief in Branchenszenarien verankert hat.
Sobald ein Modell in die diversen Hardwaregeräte von Krankenhäusern, Schulen und Unternehmenssystemen einzieht, werden Rechenleistungsversorgung, Datensicherheit und Einsatzkosten zu unvermeidlichen Problemen – was das Unternehmen früh auf den Weg einer vollständigen heimischen Beschaffung über die gesamte Kette gedrängt hat.
2023 brachte iFlytek gemeinsam mit Huawei „Feixing Yihao“ (飞星一号) heraus und errichtete zunächst die große heimische Rechenleistungs-Grundlage.
Danach folgten das Modell mit hunderten Milliarden Parametern Spark-V3.5 auf heimischer Rechenleistung und das Deep-Reasoning-Modell Spark-X1.
In diesem Jahr hat Spark-X2.5 die 4B- und 1.7B-Endgerätemodelle als Open Source veröffentlicht und dringt zunehmend in weitere Endgeräte vor.
Bis zu Spark-X2.6 hat sich das Problem vom Training zur Bereitstellung verschoben:
Wo genau soll das Modell laufen?
Kürzlich habe ich zufällig den Artikel „How Codex Happened“ von Every gelesen und festgestellt, dass auch OpenAI bei dieser Frage Lehrgeld zahlen musste.
OpenAI betrieb Codex zunächst vollständig in der Cloud, scheiterte aber an umständlicher Umgebungskonfiguration und der Schwierigkeit, Aufgaben jederzeit einzugreifen, und wechselte später zu lokal, um schließlich beide Seiten schrittweise zu verbinden.
Warum braucht man am Ende doch beide Seiten? Ein Blick auf diese Tabelle macht es klar:
△Bild von KI generiert
Die Cloud punktet mit Fähigkeiten, das Endgerät mit Offline-Reaktion, Kosten und Privatsphäre – in echten Geschäften ist es schwer, nur auf eine Seite zu setzen.
Die praktikablere Lösung ist, die Wahl dem Unternehmen zu überlassen:
Welche Aufgaben bleiben lokal, welche gehen in die Cloud, welche Daten dürfen hochgeladen werden und wie viele Token ist man pro Aufruf bereit auszugeben.
Genau das leistet Spark-X2.6: Es lässt Endgerät und Cloud bedarfsgerecht die Arbeitsteilung übernehmen:
Die Aufgabe wird zunächst vom Endgerätemodell bewertet, dann wird ein geeigneter Ausführungspfad gewählt, wodurch drei Kollaborationsmodi entstehen.。
Einfache Aufgaben werden direkt lokal erledigt, das ist„reine Endgerätausführung“。
Aufgaben, die Cloud-Fähigkeiten benötigen, werden zunächst auf dem Endgerät anonymisiert und dann an die Cloud übergeben, das ist„reine Cloud-Ausführung“。
Aufgaben, die das Zusammenspiel beider Seiten erfordern, gelangen nach der Anonymisierung auf dem Endgerät in den Modus„Cloud+Endgerät-Ausführung“– dabei kann entweder die Cloud Anleitungen liefern und das Endgerät die Operationen ausführen, oder Endgerät und Cloud teilen sich die Arbeit und erledigen die Aufgabe gemeinsam.
Der Ansatz klingt stimmig – aber spart er wirklich Token und schützt die Privatsphäre?
Dann: Testen wir es.
Praxistest von Spark-X2.6
Spark-X2.6 ist jetzt verfügbarDie iFlytek Spark Xingchen MaaS-Plattformnutzt eine MoE-Architektur mit insgesamt 293B Parametern, aktiviert bei jedem Inferenzdurchlauf etwa 30B und unterstützt 1M Kontext.
Der aktuelle API-Preis ist um 40 % reduziert: 0,9 Yuan pro Million Input-Tokens und 3,6 Yuan pro Million Output-Tokens (etwa 10 % günstiger als der Preis von Dafeiyugu).
Im Vergleich zum im September veröffentlichten X2.5 hat diese Generation vor allem drei Schritte nach vorn gemacht:
Stärkere Arbeitsfähigkeit: Die Code- und Agent-Fähigkeiten von X2.6 haben sich insgesamt jeweils um etwa 8 Punkte verbessert, und die Gesamtstärke des Modells gehört zur ersten Reihe der Branche;
Reibungsloserer Betrieb auf heimischer Rechenhardware: Durch Optimierungen der Trainings- und Inferenzarchitektur hat sich die Effizienz des Modells auf heimischen Trainingsplattformen um das 4-Fache erhöht, und die Trefferquote des vierstufigen KV Cache erreicht 95 %;
In der Anwendung spart es mehr：In High-Frequency-Anwendungsszenarien sank der Token-Verbrauch bei etwa 60% der Aufgaben.
Fasst man alles zusammen, deuten diese Upgrades auf das vertraute Thema hin:
Arbeit.
Da es hier um die Arbeitsfähigkeit geht, reicht es offensichtlich nicht aus, nur ein paar Fragen im Chatfenster zu stellen.
Deshalb habe ich diesmal die API von Spark-X2.6 in den DeepSeek Harness eingebunden, damit sie direkt Dateien lesen und schreiben sowie Code ausführen kann und anhand der Ausführungsergebnisse Fehlermeldungen untersucht.
Bevor wir auf anderes eingehen, schauen wir uns zunächst an, wie groß der Abstand zu den aktuell Spitzenmodellen noch ist.
Bei den letzten Veröffentlichungen der führenden Silicon-Valley-Modelle war visuelles Coding fast schon ein fester Programmpunkt: Pelikane auf dem Fahrrad und 3D-Interaktionsszenen wurden immer wieder vorgeführt.
Auch wenn solche Aufgaben Benchmarks nicht ersetzen können, haben sie den Vorteil, dass die Ergebnisse anschaulich genug sind – also habe ich Spark-X2.6 für die erste Runde ebenfalls den „Top-Modell-Klassiker“ zugewiesen.
Mit dem „Top-Modell-Klassiker“ testen, wie stark das Modell selbst ist
Zuerst ein Pelikan auf dem Fahrrad.
Der Prompt folgt der bei Silicon-Valley-Tests üblichen minimalistischen Schreibweise: keine Vorgaben zu Stil, Komposition oder Umsetzung – dem Modell wird nur ein Satz gegeben:
Create an SVG of a pelican riding a bicycle. Save it as pelican.svg in the current directory and preview the result. Do not use external image assets. (Erstelle ein SVG eines Pelikans, der ein Fahrrad fährt, speichere es als Datei pelican.svg im aktuellen Verzeichnis, zeige das Ergebnis in der Vorschau an und verwende keine externen Bildressourcen.)
Je weniger Anforderungen, desto weniger kann das Modell seine eigentlichen Grundlagen in Sachen Code und seinen ästhetischen Sinn verbergen.
Die folgende Abbildung zeigt das Ergebnis,das das Modell in einem einzigen Durchlauf direkt ausgegeben hat– auf den ersten Blick ist der Fertigstellungsgrad tatsächlich nicht gering:
Die Fahrradstruktur ist vollständig, und auch Vorder- und Hintergrund wurden ergänzt.
Solange die Hand warm ist, habe ich noch eine weitere Aufgabe hinzugefügt:3×3-Zauberwürfel-Simulator。
Diesmal muss der Zauberwürfel nicht nur mit reinem CSS 3D gezeichnet werden, sondern die sechs Flächen müssen sich auch wirklich drehen lassen, und Verwürfeln sowie Zurücksetzen sind ebenfalls einzubauen.
Die am Ende entstandene Version ist auch recht unkompliziert: keine Abhängigkeiten nötig, eine einzige Datei lässt sich direkt öffnen und ausführen; mit gedrückter Maustaste lässt sich die Perspektive wechseln, und man kann den Würfel drehen, wie man will.
Wenn der Zauberwürfel schon gedreht werden kann, dann muss jetzt die ultimative Prüfung auf Boss-Level kommen:
Mit Code einen frei erkundbaren 3D-Palast in der Verbotenen Stadt bauen。
Ich habe einen KI-generierten Prompt hinübergeschickt und, während Spark-X2.6 im Hintergrund lief, etwas gegessen.
Als ich zurückkam, hatte es bereits eine vollständige Website aus index.html, style.css und main.js abgeliefert.
Nach dem Start des lokalen Servers breiteten sich die roten Mauern und goldenen Ziegel entlang der Mittelachse aus, und mit der Maus konnte man die Ansicht frei drehen, zoomen und bewegen.
Ehrlich gesagt deutlich vollständiger, als ich erwartet hatte.
Nach diesem kleinen Test zeigt sich: Obwohl Spark-X2.6 nicht alle Details auf Anhieb richtig errät, reagiert es sehr schnell auf Feedback.
Das ist für Coding Agents tatsächlich ziemlich wichtig.
Wer schon einmal Vibe Coding betrieben hat, weiß: Selbst mit den Flaggschiffmodellen der beiden Anbieter „O“ und „A“ ist es unrealistisch, dass eine einzige Generierung völlig den Erwartungen entspricht.
Für mich zählt deshalb vor allem, ob das Modell menschliche Sprache versteht und ob es schnell und präzise korrigieren kann.
Natürlich sind Zeichnen und Webseiten-Bauen nur das Aufwärmen; jetzt muss man ihm auch richtig Arbeit zuweisen.
Das 4B-Modell auf den Computer laden – es soll erst einmal selbstständig arbeiten
Der Protagonist diesmal istdas gerade als Open Source veröffentlichte Spark-X2.6-4B。
Obwohl es nur 4B Parameter hat, unterstützt es einen Kontext von bis zu 1M und mehr als 200 Sprachen und ist auch an lokale Ausführungstoolswie Ollama und LM Studio angepasstsowie an gängige Inferenz-Frameworkswie llama.cpp und vLLM。
Um die Leistungsfähigkeit des 4B-Modells möglichst auszureizen, hat iFlytek in der Post-Trainingsphase einenFähigkeitswahrnehmungsmechanismuseingeführt, der das Modell seine eigenen Schwachstellen erkennen lässt, damit es gezielt von verschiedenen Lehrer-Modellen lernen kann.
Laut internen Bewertungen von iFlytek liegt der Anteil der Agent-Aufgaben, die ein Endgeräte-Modell gleicher Größe eigenständig bewältigen kann, bei etwa12.8%, während Spark-X2.6-4B diese Zahl auf41.9%。
Egal – ob Maultier oder Pferd, es muss einfach einmal vor den Karren gespannt werden.
Da mein Computer nur eine AMD integrierte Grafikeinheit und keine dedizierte Grafikkarte besitzt, lief die Inferenz des Modells vollständig über die CPU. Deshalb habe ich die Q4-quantisierte Version von Spark-X2.6-4B über Ollama bereitgestellt und die lokale API über das Terminal aufgerufen.
Nachdem das Modell erfolgreich lief, habe ich die Netzwerkverbindung direkt getrennt, um sicherzustellen, dass das Einlesen und Analysieren der Materialien sowie die Ergebnisausgabe vollständig auf diesem Computer blieben.
Die Aufgabe, die ich ihm gestellt habe, war die Erstellung einer wöchentlichen Geschäftsreview für ein fiktives Robotik-Unternehmen:。
Verkaufswochenberichte, Kunden-E-Mails, Produktionspläne und Lieferkettenaufzeichnungen waren über verschiedene Dateien verstreut, und einige Informationen widersprachen sich sogar. Das Modell musste Daten über Dateien hinweg abgleichen, Umsatzveränderungen, Kundenkonflikte und Lieferrisiken identifizieren und am Ende die Punkte auflisten, die auf eine Entscheidung des Managements warten.
Am Endebrauchte das Modell 6,8 Minuten und lieferte einen vollständigen Geschäftsreview-Bericht ab。
. Es trennte den 25,5 Millionen Yuan Umsatz nach vertrieblicher Zählweise vom finanziell bestätigten Erlös von 23,7 Millionen Yuan, identifizierte zudem zwei wichtige Geschäftschancen und drei Arten von Lieferkettenlücken, und bei den wichtigsten Schlussfolgerungen waren die Informationsquellen vermerkt.
Bewertet man die Aufgabenbewältigung anhand der fünf Dimensionen zahlenmäßige Genauigkeit, dateiübergreifende Verknüpfung, Risikoidentifikation, Quellenverfolgung und Berichtsvollständigkeit, lag der Erfüllungsgrad dieser Runde bei etwa neunzig Prozent.
Wenn man Kritik üben will: Es ordnete einen erteilten Auftrag den potenziellen Geschäftschancen zu, was分类 nicht streng genug war – allerdings waren die zugehörigen Fakten und Beträge korrekt, und nach einer einfachen manuellen Überprüfung kann der Bericht bereits als Diskussionsgrundlage für das Management dienen.
Für ein vollständig offline laufendes 4B-Modell, das durchgehend auf die CPU angewiesen ist, ist dieses Ergebnis bereits beachtlich.
Komplexe Aufgaben mit sensiblen Informationen: die Cloud als Staffelübergabe
Allerdings sind die Fähigkeiten eines Endgeräte-Modells letztlich begrenzt – bei komplexeren Aufgaben muss weiterhin die Cloud einspringen.
Aber welche Aufgaben bleiben lokal, und welche Aufgaben lohnen den Gang in die Cloud?
Zu diesem Zweck hat iFlytek einenend-zu-Cloud-Routing-Kooperationstrainingsmechanismus auf Basis eines Bewertungsmodells。
eingeführt. Einfach gesagt wird dieselbe Aufgabe mehrere Male sowohl auf dem Endgerät als auch in der Cloud ausgeführt; anschließend vergleicht das Bewertungsmodell die Ergebnisse, gibt Feedback, und durch abwechselndes Training wird die Routing-Entscheidung kontinuierlich optimiert, sodass das System genauer weiß, ob eine Aufgabe an das Endgerät, in die Cloud oder an beide gemeinsam übergeben werden soll.
Laut internen Bewertungen von iFlytek hat dieser Mechanismus die Genauigkeit des End-zu-Cloud-Aufgaben-Routings von81.2%auf96.1%。
Gestiegen auf 96.1% – deshalb habe ich beschlossen, ihm in dieser Testrunde ein sensibleres Material mit komplexeren Verknüpfungen zu geben:
die Prüfung eines Beschaffungsvertrags für industrielle Sichtprüfungsanlagen.
Der Vertrag war wiederum fiktiv, aber Firmenname, Ansprechpartner, Telefonnummern, Bankkonten und Vertragsbeträge waren vollständig vorhanden, und zwischen Zahlung, Abnahme, Daten-Upload, geistigem Eigentum und Haftung für Vertragsbruch waren mehrere verknüpfte Risiken versteckt.
Zunächst ließ ich das lokale 4B-Modell die Anonymisierung übernehmen.
In 4,3 Minuten wurden alle 26 sensiblen Informationen im Vertrag durch Platzhalter ersetzt, und die Prüfung zeigte, dass keine Originalinformationen zurückgeblieben waren.
Erst nachdem ich bestätigt hatte, dass alles sauber verarbeitet war, ging ich wieder online und übergab den anonymisierten Vertrag an das Cloud-Modell X2.6.
Nach 70,8 Sekunden und einem Verbrauch von 7368 Tokens lieferte es einen vollständigen Prüfbericht ab, in dem es 18 Risiken und 8 Gruppen von Klauselkonflikten aufdeckte.
Probleme wie widersprüchliche Abnahmekriterien und die Kombination, dass ein direkter Daten-Upload in die Cloud erlaubt wird, obwohl der Lieferant unbeschränkte Haftung tragen soll – diese über verschiedene Klauseln verstreuten Punkte hat es gleichsam der Spur nach aufgedeckt.
Anschließend trennte ich erneut die Internetverbindung, stellte die Vertragsinformationen lokal wieder her und erzeugte eine Word-Datei mit einzeln aufgeschlüsselten Änderungsvorschlägen.
Um nicht die eigene Arbeit selbst zu benoten, warf ich die gesamten Unterlagen anschließend noch einmal zur Überprüfung an Codex.
Das Ergebnis zeigte: Der in der Cloud empfangene Vertrag enthielt keine ursprünglichen sensiblen Informationen, nach der lokalen Wiederherstellung blieben keinerlei Platzhalter zurück, und Vertrags Haupttext wie Tabellen wurden vollständig erhalten.
An diesem Punkt lief der gesamte Ablauf erst wirklich reibungslos:
Sensible Informationen bleiben lokal, die komplexe Analyse wird an die Cloud ausgelagert, und nach der Verarbeitung erfolgt die Wiederherstellung wieder lokal.
Zu erwähnen ist, dass ich diesmal nur eine minimale Machbarkeitsprüfung durchgeführt habe.
Um den Datenfluss in jedem Schritt nachvollziehen zu können, habe ich den manuellen Zuweisungsschritt beibehalten,die vollständige Lösung unterstützt hingegen automatisches Routing。
Sobald das System wirklich in der Unternehmensumgebung angekommen ist, kann es End- und Cloud-Aufgaben automatisch je nach Aufgabenschwierigkeit und Sicherheitsanforderungen zuweisen, sodass diese technische Lösung zu einem dauerhaft lauffähigen Geschäftsprozess wird.
Nach dem Training beginnt die eigentliche Bewährungsprobe erst
Nach einer Runde voller Tests hat mir an Spark-X2.6 am meisten imponiert, dass es Unternehmen Wahlfreiheit lässt.
Als große Sprachmodelle gerade populär wurden, nutzten Unternehmen KI im Grunde nur über eine Cloud-API – einfach und unkompliziert.
Doch als KI wirklich in das Geschäft eintrat, wurde alles schnell kompliziert.
Verträge und Kundendaten möchte man ungern hochladen, häufige Aufrufe verursachen laufend Token-Kosten, und legt man alles auf die Endgeräte, reicht die Leistung bei komplexen Aufgaben möglicherweise nicht aus.
Der Wert der End-Cloud-Kooperation liegt darin, dass Unternehmen ihre Bereitstellungsweise frei an ihr eigenes Geschäft anpassen können.
Wie der Stanford AI Index 2026 zeigt, nutzen weltweit bereits 88% der befragten Unternehmen KI, doch die skalierende Bereitstellung von Agents liegt in fast allen Geschäftsfunktionen weiterhin nur im einstelligen Prozentbereich.
Das bedeutet: KI ist in den Unternehmen angekommen, das Kerngeschäft ist aber noch nicht wirklich an Agents übergeben worden.
Damit Agents weiter ins Kerngeschäft vordringen können, muss neben der Modellfähigkeit auch die Bereitstellungsweise sich an die Szenarien anpassen.
Krankenhäuser, Schulen und Büros stehen vor unterschiedlichen Einschränkungen, und wie man zwischen Endgerät und Cloud aufteilt, hat naturgemäß nicht nur eine Antwort.
Das Interessante an iFlytek ist, dass sie an dieser Frage schon seit mehreren Jahren arbeiten.
Von Anfang an investierte iFlytek viel Zeit in die harte Arbeit an einer heimischen Rechenkraft-Basis.
Man muss bedenken: Schon nur, ein Modell auf heimischer Rechenkraft überhaupt „laufen zu lassen“ und dabei eine ganze Kette von Inferenz-Anpassungsproblemen zu lösen, kostet enorm viel Kraft.
Noch eindrucksvoller: iFlytek hat es nicht nur zum Laufen gebracht, sondern auf dieser Basis den kompletten Trainingsprozess für große Sprachmodelle durchlaufen und direkt ein Modell trainiert, das an internationale Spitzenmodelle heranreicht.
Von „zum Laufen bringen“ bis „heraustrainieren“ – das klingt nur nach wenigen Worten Unterschied, aber der technische Schwierigkeitsgrad liegt in völlig unterschiedlichen Größenordnungen.
Blickt man um sich, gibt es wirklich nur wenige Unternehmen, die bereit sind, über Jahre hinweg diese gesamte Kette auszubauen.
Die Fallstricke, die iFlytek über die Jahre durchlaufen hat, und die dabei gesammelten Erfahrungen sind heute das härteste Ass beim Bau von Endgeräte-Modellen und End-Cloud-Kooperation.
Natürlich ist ein früher Einstieg nur der Anfang; was wirklich entscheidet, wie weit dieser Weg führt, ist die Leistung bei der skalierenden Umsetzung.
Solche langfristigen Bewährungsproben sind in Chinas Technologieindustrie nicht selten.
Beidou wurde 1994 genehmigt und erreichte 2020 die vollständige globale Vernetzung – 26 Jahre.
Der C919 wurde 2007 genehmigt und absolvierte 2023 seinen kommerziellen Jungfernflug – ebenfalls 16 Jahre.
Vom technischen Durchbruch bis zum echten Einsatz liegt noch ein langer Weg dazwischen.
Auch der Weg der chinesischen Modelle zur heimischen Technologie führt an dieser Hürde nicht vorbei.
Neue Modelle und Platzierungen in Ranglisten fallen eher auf, während Systemanpassung, Projektumsetzung und langfristiger Betrieb selten diskutiert werden.
Modellfähigkeiten kann man durchIteration um Iteration aufholen, doch diese unauffälligen Fundamente lassen sich nicht über Nacht nachholen.
Der Vorsprung, den iFlytek durch den früheren Start hat, zeigt sich bereits.
P.S. Auf der Xingchen-MaaS-Plattform kann man jetzt kostenlos ein Kontingent von 10亿 Tokens für Spark-X2.6 abholen~
Hier entlang:
https://maas.xfyun.cn/modelService
https://huggingface.co/collections/XHToken/spark-x26
https://github.com/XHToken/Spark-X2.6
https://www.modelscope.cn/collections/XHToken/Spark-X26