Auf der am 22. Oktober veranstalteten Global 1024 Developer Festival Konferenz 2026 von iFLYTEK sprach der Vorsitzende von iFLYTEK, Liu Qingfeng, öffentlich über den aktuellen Stand der einheimischen Rechenleistung und den künftigen Weg zum Durchbruch. Er erklärte, dass die einheimische Rechenleistung im Vergleich zu NVIDIA derzeit noch einen Abstand von „fast zwei Generationen“ aufweist, der sich hauptsächlich auf Grafikspeicher und Bandbreite konzentriert. Bei Code- und Agent-Aufgaben, die häufig einen Millionenkontext erfordern, stand man bisher vor dem Dilemma „passt nicht hinein, lässt sich nicht trainieren“.
Um diese Herausforderung zu bewältigen, bietet die diesmal von iFLYTEK veröffentlichte Ende-Cloud-einheitliche Lösung „iFLYTEK Spark X2.6“ einen einzigartigen Lösungsansatz. Diese Architektur kombiniert ein großes Cloud-Modell mit einem 4B-Edge-Modell. Durch dynamisches paralleles Training bei Langzeitaufgaben wird die Rechenleistung adaptiv nach Aufgabenlänge zugewiesen, wodurch sich die Trainingseffizienz bei ultralangen Kontexten um etwa das 4-fache verbesserte. Auf der Inferenzseite wurde dank adaptiver Speicher-Rechen-Kooperation sowie der ersten vierstufigen KVCache auf rein einheimischen Geräten basierenden und verteilten Inferenztechnik die Gesamteffizienz um das 4.5-fache gesteigert. Nutzer können je nach Aufgabenschwierigkeit und Datensensitivität selbst entscheiden, ob die Aufgabe lokal verarbeitet, auf beiden Seiten gemeinsam bearbeitet oder an die Cloud übergeben wird.
Beim Aufbau von Edge-Modellen fand iFLYTEK einen wirksamen Weg, die Beschränkungen der Rechenleistung zu umgehen. Zwar besteht eine Gesamtdifferenz bei der Rechenleistung, doch für das Training von Edge-Modellen ist die Rechenleistung ausreichend. Durch feines Feinschliff erhöhte iFLYTEK die Erfolgsquote des Edge-Modells bei komplexen Agent-Aufgaben von zuvor branchenweit etwa zwölf Prozentpunkten auf 41.9% und plant, im nächsten Schritt 60% anzustreben. Die vor Ort demonstrierten Szenarien wie Geschäftsrückblick und Prüfung von Einkaufsverträgen zeigten, dass durch lokale Datenanonymisierung und effiziente Verteilung über Ende-Cloud-Routing nicht nur sichergestellt werden kann, dass sensible Daten nicht das Endgerät verlassen, sondern auch die Token-Nutzungskosten wirksam gesenkt werden. Gleichzeitig wies Liu Qingfeng darauf hin, dass die zentrale Rolle der Cloud in der Ende-Cloud-einheitlichen Architektur darin besteht, das Edge-Modell gemeinschaftlich einheitlich zu trainieren, Fähigkeiten zu beurteilen und als Absicherung Anleitung zu geben.
Beim Thema des einheimischen Rechenleistungs-Ökosystems rief Liu Qingfeng mehr Hersteller auf, sich der Reihe der Unternehmen anzuschließen, die große Modelle mit einheimischer Rechenleistung trainieren. Er räumte ein, dass derzeit nur wenige Unternehmen wie Huawei die Hauptarbeit vorantreiben. Da die einheimische Rechenleistungsarchitektur sich von NVIDIA unterscheidet und „die Fallstricke noch niemand getreten hat“, sind die Kosten für Einzelkämpfer äußerst hoch; wenn alle gemeinsam anpacken, sinken die verteilten Kosten um Größenordnungen. Zur Geschwindigkeit der Verkleinerung des Abstands urteilte er, dass die Rechenleistung in den nächsten zwei Jahren schrittweise angeglichen werden werde; zugleich treffe iFLYTEK bereits aktive Vorbereitungen im Quantencomputing, um innerhalb von drei bis fünf Jahren die Größenordnung der Rechenleistung grundlegend neu zu definieren.
Angesichts der aktuellen Beschränkungen der Rechenleistung hat iFLYTEK drei strategische Positionierungen festgelegt: an在全球 Spitzenmodellen auf einer vollständig selbstkontrollierten Full-Stack-Plattform zu messen und eng zu folgen; in vertikalen Branchen wie Bildung, Gesundheitswesen, Energie und Sicherheit weltweit führend zu sein; und mit mehrsprachigen großen Modellen als Repräsentant Chinas weltweit eine zweite Wahl anzubieten.