国产大模型的新挑战：构建从训练到应用的完整效率生态

大模型领域的竞争如今正迈向一个更为务实的阶段。尽管更大的参数规模与更强的推理能力依旧是技术革新的关键方向，但当这些模型真正融入企业与个人的日常工作中时，训练周期的长短、调用成本的高低以及任务完成的效果，都成为了决定技术能否持续获得青睐的重要因素。模型能力的提升，必须与运行效率和应用价值并驾齐驱，共同接受市场的严格检验。

对于国产大模型而言，这一挑战还额外涉及到底层算力的支撑。长上下文处理、代码生成以及智能体任务等复杂场景，对显存容量、数据传输速度和集群协同能力提出了更为严苛的要求。如何通过模型架构的优化、训练方法的改进以及推理系统的协同，来提升现有硬件的资源利用率，不仅关系到模型能否持续迭代升级，更直接影响到后续部署和使用的成本效益。

10月22日，科大讯飞推出了其最新的讯飞星火X2.6大模型，该模型基于全国产算力完成了能力的全面升级，支持高达百万Token的上下文处理，并首次引入了端云一体协同架构。与此同时，科大讯飞还同步推出和升级了法律、教育、医疗等多个领域的应用，以及面向开发者的平台工具，进一步展示了这些底层能力如何融入具体业务场景，实现价值转化。

这构成了一条从研发到应用的完整效率链条：训练环节的提效，为模型能力的升级缩短了周期；推理与部署的优化，使得业务能够承担得起使用成本；行业知识与流程的深度适配，让模型能够真正完成实际工作；而开发者生态的构建，则将这些能力带入了更多元化的场景。科大讯飞正试图解答的是，国产算力上的技术突破，如何能够逐层转化为规模化应用的坚实条件。

国产算力：支撑持续迭代的核心力量

效率之战首先在训练环节打响。

模型处理的信息量越大，训练所需的计算、存储和通信资源就越多。在国产算力环境下，单纯依靠增加芯片数量，并不能有效解决显存、带宽以及集群协同带来的瓶颈问题。模型架构和训练方法必须与硬件条件紧密适配，才能减少资源等待和调度过程中的损耗。

科大讯飞透露，星火X2.6采用了面向国产平台的长程任务动态并行训练技术，针对长程任务混训中的效率问题进行了深度优化。以飞星二号万卡集群训练2000B、256K长度数据为例，训练时间从原来的4.5个月大幅缩短至1.2个月，超长上下文训练效率提升至原来的约4倍。

缩短训练周期的意义，远不止于节省单次训练的时间。模型研发需要反复验证算法、调整数据和训练策略，单轮周期越长，试错成本就越高，后续能力升级也更容易受到制约。提高资源利用率，才能让有限的算力支撑更多轮次的迭代升级。

模型架构的设计同样服务于这一目标。星火X2.6采用了混合专家模型（MoE）架构，通过按任务激活部分专家网络，在保留较大参数容量的同时，有效控制了单次计算所需的资源。训练调度与模型架构的共同优化，正是为了将硬件资源更充分地转化为模型能力。

在科大讯飞董事长刘庆峰看来，全栈自主可控的关键，正包括对这套训练过程的全面掌握。“只有在国产算力上训练出模型，才是真正的自主可控。”他强调，自主可控还包括掌握算法并持续创新、自主获取和清洗数据，以及面向场景开展软硬件一体化创新的能力。

从这一理解出发，国产化需要贯穿模型训练、算法、数据和应用的全过程，而训练是其中难度较高、又无法绕开的关键环节。只有能够自主完成训练并持续优化，企业才有条件掌握模型升级的节奏。但模型训得更快，还只是效率链条的起点。

降低调用成本：推理与部署的双重优化

训练阶段的投入相对集中，而推理开销则伴随着每一次用户调用持续发生。模型走向规模化应用后，这笔长期成本将成为企业必须精打细算的一笔账。

尤其是长上下文、代码和智能体任务等复杂场景，往往需要读取更多材料、调用工具并保留中间状态。模型不仅要进行计算，还要不断存取数据。如果缓存容量不足、访问效率不高，增加的等待与重复计算就会推高时延和资源消耗。

针对这一问题，科大讯飞推出了面向国产异构算力集群的三项推理技术：自适应存算协同推理、异构分布式推理，以及适配全国产硬件的四层KVCache架构。KVCache用于保存模型生成过程中的部分计算结果，减少重复计算，是长上下文推理的重要支撑。

据公司披露，在相关飞星二号国产芯片集群上，推理效率达到优化前的4.5倍，KVCache命中率由63%大幅提升至95.7%。这组优化着眼于让已有算力承接更多请求，降低模型能力增强后带来的服务压力。

部署方式则提供了另一条提效路径。并非每项工作都需要调用云端大模型，一些文档处理、本地表格操作和日程管理任务，完全可以在设备端完成；复杂任务再由云端承接，或由两端协作完成。

此次发布的端云一体协同架构，先由端侧模型判断任务应当“纯端办”、“纯云办”还是“端云协办”。科大讯飞称，通过端云路由协同训练，路由准确率从81.2%提升至96.1%。这里的关键，是让任务分配与两端能力相匹配，避免因分配不当造成重复调用或任务失败。

刘庆峰表示，科大讯飞希望未来约60%的工作能够在本地电脑或手机上完成，减少敏感数据上传和云端调用开销。但这一目标对端侧模型提出了更高要求：读取邮件之后，还要比对附件、分析数据、识别风险，并连续调用工具完成工作。

“它不是一个简单的写一篇文章的问题。”刘庆峰说。端云分工能否成立，取决于端侧模型能否承担这些多步骤任务，也取决于系统能否准确判断何时需要云端介入。部署效率的提升，需要模型能力与任务调度的共同支撑。

由此，训练效率与部署效率才真正衔接起来：前者让更强模型能够被持续研发，后者让这些能力以业务可承受的成本被使用。而成本降下来之后，还需要回答更具体的问题——模型是否懂得这项工作该怎么做。

让AI深入行业：从通用到专业的转变

行业并不缺少数字化系统，难点在于如何将分散的数据、专业经验和日常流程连接起来。对于学校、医院和律师事务所等机构而言，一个能够回答问题的通用模型，距离可以参与实际工作的助手，仍有一段适配过程。

在法律场景中，此次推出的讯飞晓法，将端云协同落实到具体办案流程。案卷进入系统后，先在本地完成识别、整理；需要云端能力时，材料经脱敏和用户确认后上传，结果返回后再在本地还原。接案建卷、阅卷、文书起草、庭前准备与归档等环节，在同一案件空间内无缝衔接，减少不同环节之间的信息搬运。

据该公司介绍，讯飞晓法的专业基础来自其在公检法领域积累的1.6亿件案件辅助办理实践。目前已在国内部分律师事务所试用，辅助法律工作者整体办案效率提升45%以上。

在教育场景中，此次发布的讯飞星光，将备课、教研、家校沟通和事务助理整合到同一工作台，并连接智学网、校信及企业微信、钉钉等平台。教师提出教学需求后，系统可以生成教案、动画和情景视频，也能制作可交互的教学资源。

这一能力已积累了一定使用规模。讯飞星光累计注册教师30万名，10万多名教师参与共创AI资源，近一个月创作精品资源超10万份；面向学生，科大讯飞AI学习机此次上新“探究学”功能，通过三维观察、操作和验证，将抽象知识转化为可以主动探索的问题。

在医疗方面，讯飞影像云此次升级多模态、多病种能力，为影像质控和报告生成等环节提供支持。安徽省医学影像云平台已实现公立医疗机构全覆盖接入，汇聚超1.6亿例影像检查数据，为医患提供超2.6亿次服务，跨院调阅原始影像可在3秒内完成。

面向个人用户，讯飞晓医此次升级多医学报告综合解读功能，结合报告、病史和健康档案，提供健康风险洞察及综合健康管理计划。讯飞晓医累计完成AI咨询超2.2亿次，下载量破4400万，用户满意度高达98%。

这些行业应用的共同点，是将模型能力深度嵌入已有业务过程。科大讯飞积累的专业知识、数据和服务渠道，为模型适配提供了坚实基础，有助于减少重新理解业务、连接系统的投入。

“其实无论是大模型还是小模型，都存在幻觉问题。”刘庆峰在采访中表示，需要让模型充分融入企业流程，补充业务知识，并在各个流程节点建立严格的测试方法。

此次推出的讯飞星帆WinWork数字员工平台，则进一步沉淀企业规则、数据和专家知识，让数字员工能够识别任务、拆解流程、联动系统执行。用刘庆峰的话说，要让其“真正成为企业的自己人”，融入流程，“才能变成组织级提效的利器”。

开放平台：让落地经验惠及更多开发者

当模型能够在具体岗位上完成工作后，接下来的问题是：这些能力如何走出单个项目，进入更多行业、终端和工作流？

一家企业很难独立覆盖所有需求。如果每个开发者都要重新完成模型适配、系统连接和流程搭建，行业落地仍会面临大量重复投入。因此，效率链条的最后一环，是把模型能力和已有经验转化为可以被更多人调用、组合的工具。

科大讯飞此次发布的星辰TaaS平台，以星辰MaaS为基础，将模型调度、智能体引擎和知识工程等能力连接起来，支持数字员工、办公提效、同传翻译等应用开发。其指向，是帮助开发者缩短从调用模型到形成解决方案的距离，让Token消耗与实际业务价值建立更直接的联系。

与此同时，科大讯飞将语音、多模态能力封装进硬件模组，并结合智能体流程自动化和开发工具，支持开发者通过自然语言开发应用、连接企业内部系统。底层能力越容易被复用，开发者就越有条件把精力投入具体需求。

开放平台提供了这一协作的基础。据科大讯飞此前数据，截至2025年10月31日，讯飞开放平台有超961.6万开发者团队、368.4万个应用，连接42.6亿台终端设备。此次开发者节公布的2026年AI开发者大赛，则吸引15个国家、351座城市的52120支团队参赛。

这些参与者既是模型能力的使用者，也可能成为新场景的发现者。行业从业者理解真实需求，开发者将需求转化为产品，应用反馈再推动工具和模型改进，技术扩散才有机会形成持续循环。

生态协作也需要回到底层训练。刘庆峰在采访中提到，算法迁移至国产算力平台时，架构适配、算子优化和反复验证都会消耗大量研发时间。更多厂商参与，才有机会通过共享经验减少重复投入。

“我们大声疾呼希望有更多人进来。”他说，希望更多国内大模型厂商在国产算力上共同探索、形成生态。对开发者开放应用能力，对产业积累可复用的训练经验，分别回应了应用端与研发端的效率问题，也让国产AI的进步从单家企业的突破，走向更广泛的协作与共赢。

从训练到推理，从业务流程到开发者生态，效率战最终检验的是整条链路能否高效运转。技术节省的时间和资源，需要继续传递为更低的使用门槛、更可靠的任务执行，以及更多可持续的应用场景。

效率不是规模竞争的终点，而是规模化应用的门票。当竞争从“更大更多”转向“更稳更省更可用”，国产AI才真正进入下一阶段。而让这张门票被更多企业和开发者拿到，仍有赖于生态的共同繁荣与持续创新。