大模型套殼往事

　　華為盤古大模型涉嫌套殼阿里云Qwen大模型的風波，再次將模型“原研”與“套殼”的討論擺上了臺面。

　　回溯三年前，在ChatGPT剛剛開啟大模型航海時代時，那時候的套殼還停留在小作坊山寨ChatGPT的階段。調用ChatGPT的API，接口再包上一層“中文UI”，就能在微信群里按調用次數賣會員。那一年，套殼成了很多人通往AI財富故事的第一張船票。

　　同時，開始自主研發大模型的公司里，也不乏對ChatGPT的借力。這些企業雖然有著自研的模型架構，但在微調階段或多或少利用了ChatGPT或GPT-4等對話模型生成的數據來做微調。這些合成語料，既保證了數據的多樣性，又是經過OpenAI對齊后的高質量數據。借力ChatGPT可以說是行業內公開的秘密。

　　從2023年開始，大模型賽道進入開源時代，借助開源框架進行模型訓練，成為了很多創業團隊的選擇。越來越多的團隊公開自己的研究成果，推動技術的交流與迭代，也讓套殼開發成為了更普遍的行為。隨意之而的，爭議性的套殼事件也逐漸增多，各種涉嫌套殼的事件屢次沖上熱搜，隨后又被相關方解釋澄清。

　　國內大模型行業也在“套”與“被套”中，輪番向前發展著。

　　01

　　GPT火爆的那一年：山寨API和造數據

　　回顧AI的進化史，今天我們看到各類大模型都源自同一個鼻祖——2017年Google Brain團隊發布的Transformer神經網絡架構。Transformer的原始架構和核心包括編碼器（Encoder）與解碼器（Decoder），其中，編碼器負責理解輸入文本，解碼器負責生成輸出文本。

　　如今，在大型語言模型領域依然采用三大主流Transformer架構：Decoderonly（如GPT系列）、EncoderDecoder（如T5）和Encoderonly（如BERT）。不過，最受關注和應用最廣泛的，是以Decoderonly為核心的GPT式架構，并不斷衍生出各種變體。

　　2022年11月，基于GPT3.5，OpenAI推出ChatGPT，發布后短時間內獲取數千萬用戶，讓LLM正式登上公眾舞臺，也將GPT架構推為主流AI架構。隨著ChatGPT打響大模型時代第一槍，各大廠商紛紛涌入大模型研發賽道。由于ChatGPT無法直接接入國內用戶，一些小作坊也看到了套殼的牟利前景。

　　2022年底開始，許多山寨ChatGPT在互聯網上涌現，此時的套殼基本不涉及任何二次開發，很多開發者直接包裝一下API就拿出來賣錢。

　　2022年底至2023年，國內涌現數百個ChatGPT鏡像站，包括名噪一時的“ChatGPT在線”公眾號，運營者拿到OpenAI API，再在前端加價售賣。這種低劣的套殼手段很快就被監管部門發現，“ChatGPT在線”背后的上海熵云網絡科技有限公司，就因涉嫌仿冒ChatGPT被罰6萬元，成為首例“ChatGPT套殼”行政處罰。

　　另一方面，在同期發布的其他模型中，時常出現一些“GPT味”的回復，這些模型背后的企業也遭受了套殼質疑。

　　2023年5月，曾有網友發現，訊飛星火大模型在有些問答中會出現“我是由OpenAI開發的”等內容，由此一則關于“訊飛星火大模型被質疑‘套殼ChatGPT’”的消息傳播開來。

　　這種情況并非個例，甚至2024年發布的DeepSeek V3也曾暴雷，有用戶反映其在測試中出現異常，模型自稱是OpenAI的ChatGPT。相關企業對這類情況的解釋為，這可能是由于訓練數據中混入了大量ChatGPT生成的內容，導致模型“身份混淆”。

　　互聯網公開信息中AI內容日漸增多造成的數據污染，確實是可能造成這些“GPT味”對話的原因。但另一種可能是，模型研發團隊在微調訓練過程中，主動使用了通過ChatGPT等OpenAI旗下模型構造的數據集，也就是所謂的“數據蒸餾”。

　　數據蒸餾是大模型訓練中一種高效低成本的知識遷移方式，這里的邏輯就像是用一個強大的“老師模型”（如GPT-4）生成大量高質量問答數據，而后將這些數據喂給一個“學生模型”去學習。

　　事實上，在GPT -3之后，OpenAI就徹底轉向了閉源，所以對于想要自研大模型的競爭對手而言，并無法在基礎架構層面套殼OpenAI的產品。這些企業或多或少也在模型技術上有一定積累，在架構層面紛紛推出自家的研究成果，但如果想要保證訓練質量，從更強的模型產品那里以借力的方式獲取數據無疑是一種捷徑。

　　雖然借力ChatGPT/GPT-4生成訓練數據是業內公開的秘密，但一直以來鮮有被披露的案例，直到那起著名的“字節抄作業”事件。2023年12月，外媒The Verge報道稱，字節跳動利用微軟的OpenAI API賬戶生成數據來訓練自己的人工智能模型，這種行為實際上已經違反了微軟和OpenAI的使用條款。在此消息被披露不久，據傳OpenAI暫停了字節跳動的賬戶。

　　字節跳動方面隨后表示，這一事件是技術團隊在進行早期模型探索時，有部分工程師將GPT的API服務應用于實驗性項目研究中。該模型僅為測試，沒有計劃上線，也從未對外使用。按照字節跳動的說法，其對于OpenAI模型的使用是在使用條例發布之前。

　　對此，來自國內某頭部AI企業算法部門的葉知秋向直面AI（ID：faceaibangg）表示，業內的普遍認知是，數據蒸餾不應該被認為是套殼。“數據蒸餾只是一個手段，通過一個能力足夠強的模型產出數據，對于垂直領域（的另一個模型）去做加訓。”

　　加訓（Continual Training）是一種常見的提升模型性能的方法。通過在新數據上繼續訓練模型，可以使其更好地適應新的任務和領域。“如果利用數據蒸餾做加訓算套殼，那這個技術就不該被允許。”葉知秋解釋道。

　　2025年的今天，大模型開發市場日漸成熟，直接調用API“山寨套殼”的模型產品已逐漸消失。在應用層面，隨著AI Agent領域的快速迭代，調用API落地的AI工具已經成為常態，如Manus這類通用AI Agent逐步進入市場，AI應用層面的套殼已經成為了一種常見的技術手段。

　　而在大模型開發領域，隨著開源時代的到來，模型開發領域的套殼，又陷入了新一輪的爭論。

　　02

　　開源大模型時代：你用我用大家用

　　進入2023年，許多廠商選擇開源方式公布模型方案，用以刺激開發者群體對模型/模型應用的迭代。隨著Meta在2023年7月開源LLaMA 2，標志著AI行業也進入開源時代。在這之后，先后有十余款國產模型通過微調LLaMA 2完成上線。同時，利用開源模型架構進行二次開發，也成為了新的套殼爭議點。

　　2023年7月，百川智能CEO王小川回應了外界對旗下開源模型Baichuan-7B套殼LLaMA的質疑。他提到，LLaMA 2技術報告里大概有9個技術創新點，其中有6個在百川智能正在研發的模型里已經做到。“在跟LLaMA 2對比的時候，我們在技術的思考里不是簡單的抄襲借鑒，我們是有自己的思考的。”

　　就在幾個月后，國內AI圈迎來了另一場更洶涌的套殼風波。2023年11月，原阿里技術副總裁、深度學習框架Caffe發明者賈揚清在朋友圈中稱，某家套殼模型的做法是“把代碼里面的名字從LLaMA改成了他們的名字，然后換了幾個變量名。”事后證實，該信息直指零一萬物旗下的Yi-34B模型，開源時代的套殼爭議被搬到臺面上。

　　一時間，關于零一萬物是否違反了LLaMA的開源協議，在各大技術社區引發了激烈的爭論。隨后，Hugging Face工程師Arthur Zucker下場對這一事件發表了看法。他認為，LLaMA的開源協議主要限制了模型權重，而不是模型架構，所以零一萬物的Yi-34B并未違反開源協議。

　　事實上，利用開源模型架構只是打造新模型的第一步，零一萬物在對Yi-34B訓練過程的說明中也作出了解釋：模型訓練過程好比做菜，架構只是決定了做菜的原材料和大致步驟……其投注了大部分精力在訓練方法、數據配比、數據工程、細節參數、baby sitting（訓練過程監測）技巧等方面的調整。

　　對于AI行業而言，推動技術開源化的意義之一是停止“重復造輪子”。從零研發一款全新的模型架構，并跑通預訓練流程需要耗費大量成本，頭部企業開源可以減少資源浪費，新入局的團隊通過套殼得以快速投入到模型技術迭代和應用場景中。百度CEO李彥宏就曾表示：“重新做一個ChatGPT沒有多大意義。基于語言大模型開發應用機會很大，但沒有必要再重新發明一遍輪子。”

　　2023–2024年，AI行業掀起一場“百模大戰”，其中的國產大模型大約10%的模型是基座模型，90%的模型是在開源模型基礎上加入特定數據集做微調的行業模型、垂直模型。套殼幫助大量中小團隊站在巨人的肩膀上，專注于特定領域的工程化和應用探索。

　　如今，在Hugging Face上按“熱度”排序檢索，以文本模型為例，DeepSeek R1/V3、LLaMA3.2/3.3、Qwen2.5以及來自法國的Mistral系列模型均位居前列，這些開源模型的下載量在幾十萬到上百萬不等。這表明開源極大地促進了行業的進化。目前，Hugging Face平臺上共有超過150萬個模型，其中絕大多數是用戶基于開源架構的衍生產物——sft微調版本、LoRA微調版本等。

　　另一方面，隨著LoRA與QLoRA等輕量化微調方案面世，定向微調模型的成本也在不斷下降，為中小型團隊進行模型開發提供了有利基礎。麥肯錫在今年5月的一份調查顯示，92%的企業借助對開源大模型的微調提高了24%–37%的業務效率。

　　2023年以來，模型開發門檻因開源不斷降低，在迎來百模齊放的良好生態之余，也浮現出一些渾水摸魚的惡劣套殼行為。

　　2024年5月，斯坦福大學的一個研究團隊發布了一個名為LLaMA3V的模型，號稱只要500美元（約人民幣3650元）就能訓練出一個SOTA多模態模型，效果比肩GPT-4V。

　　但隨后有網友發現，LLaMA3V與中國企業面壁智能在當月發布的8B多模態開源小模型MiniCPM-LLaMA3-V 2.59（面壁小鋼炮）高度重合。在實錘套殼抄襲后，該團隊隨后刪庫跑路。該事件一方面反映出，國產模型憑借其優異性能也成為了被套殼的對象；同時，也再一次引發了業界對開源時代套殼合規邊界的思考。

　　對于AI行業而言，廠商通過開源以協作的方式可以對模型進行完善與優化，加速推動問題解決與技術創新。由于協作的工作模式和開放的源代碼，開源大模型的代碼具有更高的透明度，并且在社區的監督下，公開透明的代碼能更容易進行勘誤。

　　“透明度”是促進開源社區交流進步的關鍵，而這需要二次開發的團隊和所有從業者共同維系。在LLaMA3V的案例中，斯坦福方面的研究團隊只是對MiniCPM-LLaMA3-V 2.59進行了一些重新格式化，并把圖像切片、分詞器、重采樣器等變量重命名。

　　原封不動地拿過來，并且作為自己的學術成果發布，相比起套殼，這更像是徹頭徹尾的抄襲。

　　所以，套殼的道德邊界，究竟是什么呢？

　　03

　　“套殼”和“自研”的矛盾體

　　“如果一個團隊沒有以原生模型的名義發表，就不能叫套殼，應該叫模型的再應用。”談及套殼的定義，葉知秋這樣說道。在加入大廠項目之前，葉知秋曾參與過一些創業公司的開源項目。他判斷，業內有實力造基礎模型的企業只會越來越少，加速利用開源技術是行業發展的必然，“畢竟核心技術上，只有那幾家公司有。”

　　葉知秋口中的“核心技術”，指的是從零研發模型基礎架構，并落實預訓練流程的能力。相關報道顯示，國內目前有完整自研預訓練框架的大模型公司數量較少，僅有 5家左右。能“造輪”的企業屈指可數，對此葉知秋的解釋是：“一些企業也有實力投入基礎模型研究，但他們要考慮做這件事的收益。”

　　“演化和加訓，嚴格來說和套殼是兩碼事。”葉知秋表示，像LLaMA這樣開源架構已經為業內熟知且熟用，很多成果都是在這一架構的基礎上演化而來的。但同時他也強調，套殼合規與否在于冠名問題，利用開源技術就需要在技術文檔中做出明確說明，“如果你是在一個已經開源的模型上進行加訓，那就要在冠名和文檔中體現這一點。”

　　對于如何理解大模型非法套殼，知識產權法領域的法律界人士秦朝向直面AI分享了他的看法。他表示，一些惡劣的“套殼”行為雖然在社會輿論上引發很多反響，在法律視角上卻是另一回事。如何區分套殼和抄襲的界限、如何證明因為套殼行為導致了不當獲利、如何證明具體的獲利額度，這些問題都存在著一定的舉證難度。“目前來說，這一類事情還處于一個灰色地帶。”

　　秦朝進一步解釋，所謂“借鑒”就是很難區分性質的套殼，一些開發者可能“借鑒”了不止一家企業，然后宣稱是自研產品。除非是簡單粗暴的純套殼，不然很難去界定這一行為的惡劣程度。“而且大模型賽道發展速度極快，走法律流程下來可能要兩三年，到那時技術都更新換代了。”

　　在技術圈語境下，自研是套殼的反義詞。在葉知秋看來，如果一個模型團隊宣稱自己是全程端到端自研，勢必會吸引業內同行審視的目光，未公開的套殼行為很難真正被掩蓋。“一個開源的模型，其實一切信息都有跡可循，就是看業內人去不去挖掘而已。”

　　葉知秋進一步解釋道，模型原研廠商都會在大模型組件中留下一些“標簽”，當研發團隊在發布論文時，這些“標簽”就會被用以證明其采用了創新技術。因為一旦團隊宣稱這款模型是自研，那就需要說明，這款新的模型基于傳統模型有什么不一樣的地方。“如果沒有，那大家必然會問，你的模型的架構是從哪來的？”

　　對于一些企業而言，套殼和自研的取舍，也往往伴隨著成果產出的壓力。另一位資深算法從業者向直面AI表示，借鑒架構/方案在業內并不稀奇，因為很多團隊需要盡快解決0到1的問題。“在保留技術底線基礎上，能有成果產出是最重要的。”

　　針對這一現象，葉知秋表示，一些頭部企業雖然在其他領域實力雄厚，但在模型領域，可能在底層的訓練邏輯上缺少經驗和積累。對這些企業而言，充分利用開源技術套殼，可以更快完成從數據層面到模型層面的積淀。“像一些企業在某一領域的‘垂類’大模型，其實都有‘套殼’的成分在。”

　　“通過‘套殼’去做自己的開發，還是非常低成本高價值的。”作為從業者，葉知秋十分肯定開源為行業帶來的積極影響。他認為，長期來看，單一企業很難在模型能力上建立壁壘，開源有助于整個行業的進步，實現更高的效率、更低的成本，去打造更多的模型能力。

　　關于開源時代的套殼爭議，葉知秋表示，這些爭議本質上還是跟企業的宣傳口徑有關，“用開源技術不丟人，前提是企業不要宣傳是自研。”

　　（文中葉知秋、秦朝為化名）