<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" encoding="UTF-8" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:sy="http://purl.org/rss/1.0/modules/syndication/" xmlns:admin="http://webns.net/mvcb/" xmlns:atom="http://www.w3.org/2005/Atom/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:googleplay="http://www.google.com/schemas/play-podcasts/1.0" xmlns:itunes="http://www.itunes.com/dtds/podcast-1.0.dtd" xmlns:fireside="http://fireside.fm/modules/rss/fireside">
  <channel>
    <fireside:hostname>app02</fireside:hostname>
    <fireside:genDate>Sat, 01 Aug 2026 02:33:21 +0000</fireside:genDate>
    <generator>Fireside (https://fireside.fm)</generator>
    <title>硅谷101 - Episodes Tagged with “Deepseek”</title>
    <link>https://sv101.fireside.fm/tags/deepseek</link>
    <pubDate>Fri, 31 Jul 2026 17:00:00 -0700</pubDate>
    <description>失败、背叛、不被理解，硅谷精神领袖一直都不是完美的存在；他们是科学家，创造者，行动派，他们有独立的价值观。《硅谷101》是由媒体人泓君发起的深度访谈节目，是一档分享当下最新鲜的技术、知识与思想的科技播客。 公众账号：硅谷101 联系邮箱：podcast@sv101.net</description>
    <language>zh-cn</language>
    <itunes:type>episodic</itunes:type>
    <itunes:subtitle>这是一档分享当下最新鲜的技术、知识与思想的科技播客</itunes:subtitle>
    <itunes:author>硅谷101</itunes:author>
    <itunes:summary>失败、背叛、不被理解，硅谷精神领袖一直都不是完美的存在；他们是科学家，创造者，行动派，他们有独立的价值观。《硅谷101》是由媒体人泓君发起的深度访谈节目，是一档分享当下最新鲜的技术、知识与思想的科技播客。 公众账号：硅谷101 联系邮箱：podcast@sv101.net</itunes:summary>
    <itunes:image href="https://media24.fireside.fm/file/fireside-images-2024/podcasts/images/f/f0f20376-8faf-4940-b920-84af6c734e2d/cover.jpg?v=6"/>
    <itunes:explicit>no</itunes:explicit>
    <itunes:keywords>tech, business, SiiconValley, 科技, 泓君, 硅谷101</itunes:keywords>
    <itunes:owner>
      <itunes:name>硅谷101</itunes:name>
      <itunes:email>liuhj60@gmail.com</itunes:email>
    </itunes:owner>
<itunes:category text="Technology"/>
<itunes:category text="Business"/>
<itunes:category text="Business">
  <itunes:category text="Entrepreneurship"/>
</itunes:category>
<item>
  <title>E246｜何谓蒸馏？聊聊硅谷如何看中国开放模型逼近前沿</title>
  <link>https://sv101.fireside.fm/259</link>
  <guid isPermaLink="false">5fd236d7-9a72-4b15-9e84-e83ceadd1b41</guid>
  <pubDate>Fri, 31 Jul 2026 17:00:00 -0700</pubDate>
  <author>硅谷101</author>
  <enclosure url="https://aphid.fireside.fm/d/1437767933/f0f20376-8faf-4940-b920-84af6c734e2d/5fd236d7-9a72-4b15-9e84-e83ceadd1b41.mp3" length="96796217" type="audio/mpeg"/>
  <itunes:episodeType>full</itunes:episodeType>
  <itunes:season>4</itunes:season>
  <itunes:author>硅谷101</itunes:author>
  <itunes:subtitle>从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型逐渐逼近甚至超过最强的闭源前沿模型。随之而来的，是一场越来越激烈的蒸馏争论。</itunes:subtitle>
  <itunes:duration>1:07:12</itunes:duration>
  <itunes:explicit>no</itunes:explicit>
  <itunes:image href="https://media24.fireside.fm/file/fireside-images-2024/podcasts/images/f/f0f20376-8faf-4940-b920-84af6c734e2d/cover.jpg?v=6"/>
  <description>&lt;p&gt;&lt;img src="https://imagev2.xmcdn.com/storages/c4ce-audiofreehighqps/29/FA/GAqhI8INmcS2AAHpNQR_oxXw.jpg" alt=""&gt;&lt;/p&gt;

&lt;p&gt;7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。&lt;br&gt;
随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？&lt;/p&gt;

&lt;p&gt;本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。&lt;br&gt;
我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？&lt;br&gt;
在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？&lt;/p&gt;

&lt;p&gt;&lt;em&gt;注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。&lt;/em&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【主播】&lt;/strong&gt;&lt;br&gt;
Yiwen，硅谷101特约研究员&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【嘉宾】&lt;/strong&gt;&lt;br&gt;
王铁震，Hugging Face前亚太生态负责人&lt;br&gt;
Keith Zhai，TinyFish联合创始人&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【你将听到】&lt;/strong&gt;&lt;br&gt;
&lt;strong&gt;中国开放模型，硅谷怎么看？&lt;/strong&gt;&lt;br&gt;
01:45 Kimi K3为什么突然成为硅谷关注的焦点？&lt;br&gt;
03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化&lt;br&gt;
06:51 企业为什么开始转向中国模型&lt;br&gt;
10:23 中国开放模型推理成本&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;蒸馏争端始末&lt;/strong&gt;&lt;br&gt;
13:24 蒸馏争议：到底什么是蒸馏？&lt;br&gt;
17:22 K3是否可能在短时间内蒸馏最强闭源模型？&lt;br&gt;
19:48 蒸馏能解释模型的核心能力吗？&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;开放模型对闭源商业模式的影响&lt;/strong&gt;&lt;br&gt;
23:54 K3 License与开放模型商业化&lt;br&gt;
34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？&lt;br&gt;
37:39 英伟达为什么支持开放权重&lt;br&gt;
43:41 中国公司为什么选择开放&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;强大的开放能力下，Agent生态如何变化？&lt;/strong&gt;&lt;br&gt;
45:04 Thinking Machines为什么开放权重？&lt;br&gt;
48:39 开放模型催生的新生态&lt;br&gt;
48:43 OpenRouter等多模型平台为什么开始受益？&lt;br&gt;
49:56 对Agent产品和基础设施的影响&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;开放模型的安全之争&lt;/strong&gt;&lt;br&gt;
55:40 接近前沿的模型，到底应不应该开放权重？&lt;br&gt;
01:04:01 开源和闭源模型，谁更容易被滥用？&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【延伸阅读和相关术】&lt;/strong&gt;&lt;br&gt;
Kimi K3&lt;a href="https://www.kimi.com/ja-jp/blog/kimi-k3" rel="nofollow noopener"&gt;官方技术报告&lt;/a&gt;与&lt;a href="https://huggingface.co/moonshotai/Kimi-K3" rel="nofollow noopener"&gt;模型权重&lt;/a&gt;&lt;br&gt;
Kimi K3&lt;a href="https://huggingface.co/moonshotai/Kimi-K3/blob/main/LICENSE" rel="nofollow noopener"&gt;授权协议&lt;/a&gt;&lt;br&gt;
Anthropic对蒸馏攻击的&lt;a href="https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks" rel="nofollow noopener"&gt;指控&lt;/a&gt;&lt;br&gt;
&lt;a href="https://openweights.gitlawb.com/" rel="nofollow noopener"&gt;《开放权重与美国AI领导力》&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【相关术语】&lt;/strong&gt;&lt;br&gt;
&lt;strong&gt;开放权重（Open Weights）&lt;/strong&gt;：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。&lt;br&gt;
&lt;strong&gt;开源模型（Open-Source Models）&lt;/strong&gt;：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。&lt;br&gt;
&lt;strong&gt;思维链（Chain of Thought）&lt;/strong&gt;：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。&lt;br&gt;
&lt;strong&gt;规模扩展效率（Scaling Effiency）&lt;/strong&gt;：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。&lt;br&gt;
&lt;strong&gt;键值缓存（KV Cache）&lt;/strong&gt;：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【硅谷101正在招聘】&lt;/strong&gt;&lt;br&gt;
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！&lt;br&gt;
👉🏻&lt;a href="https://mp.weixin.qq.com/s/BuDJBj_RVy7eI5PKr2uGOQ" rel="nofollow noopener"&gt;点击查看招聘详情&lt;/a&gt;&lt;br&gt;
&lt;img src="https://imagev2.xmcdn.com/storages/3a42-audiofreehighqps/02/F9/GAqhuykOAY4qAASHsgSnjx80.jpg" alt=""&gt;&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【监制】&lt;/strong&gt;&lt;br&gt;
泓君&lt;br&gt;
&lt;strong&gt;【后期】&lt;/strong&gt;&lt;br&gt;
Amei&lt;br&gt;
&lt;strong&gt;【运营】&lt;/strong&gt;&lt;br&gt;
朱婕&lt;br&gt;
&lt;strong&gt;【BGM】&lt;/strong&gt;&lt;br&gt;
Kablaam - Ealot&lt;br&gt;
Flickering Torches - Christian Andersen&lt;br&gt;
Radar Focus - Blue Saga&lt;br&gt;
Pulse Runner - Helmut Schenker&lt;/p&gt;

&lt;p&gt;&lt;strong&gt;【在这里找到我们】&lt;/strong&gt;&lt;br&gt;
公众号：硅谷101&lt;br&gt;
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐&lt;br&gt;
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」&lt;br&gt;
联系我们：&lt;a href="mailto:podcast@sv101.net" rel="nofollow noopener"&gt;podcast@sv101.net&lt;/a&gt; Special Guests: Keith Zhai and 王铁震.&lt;/p&gt;
</description>
  <itunes:keywords>Kimi, 开源模型, 硅谷, 中国, Deepseek, GLM, K3, License, Anthropic, OpenAI, 大模型, 蒸馏, 英伟达, Meta</itunes:keywords>
  <content:encoded>
    <![CDATA[<p><img src="https://imagev2.xmcdn.com/storages/c4ce-audiofreehighqps/29/FA/GAqhI8INmcS2AAHpNQR_oxXw.jpg" alt=""></p>

<p>7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。<br>
随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？</p>

<p>本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。<br>
我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？<br>
在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？</p>

<p><em>注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。</em></p>

<p><strong>【主播】</strong><br>
Yiwen，硅谷101特约研究员</p>

<p><strong>【嘉宾】</strong><br>
王铁震，Hugging Face前亚太生态负责人<br>
Keith Zhai，TinyFish联合创始人</p>

<p><strong>【你将听到】</strong><br>
<strong>中国开放模型，硅谷怎么看？</strong><br>
01:45 Kimi K3为什么突然成为硅谷关注的焦点？<br>
03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化<br>
06:51 企业为什么开始转向中国模型<br>
10:23 中国开放模型推理成本</p>

<p><strong>蒸馏争端始末</strong><br>
13:24 蒸馏争议：到底什么是蒸馏？<br>
17:22 K3是否可能在短时间内蒸馏最强闭源模型？<br>
19:48 蒸馏能解释模型的核心能力吗？</p>

<p><strong>开放模型对闭源商业模式的影响</strong><br>
23:54 K3 License与开放模型商业化<br>
34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？<br>
37:39 英伟达为什么支持开放权重<br>
43:41 中国公司为什么选择开放</p>

<p><strong>强大的开放能力下，Agent生态如何变化？</strong><br>
45:04 Thinking Machines为什么开放权重？<br>
48:39 开放模型催生的新生态<br>
48:43 OpenRouter等多模型平台为什么开始受益？<br>
49:56 对Agent产品和基础设施的影响</p>

<p><strong>开放模型的安全之争</strong><br>
55:40 接近前沿的模型，到底应不应该开放权重？<br>
01:04:01 开源和闭源模型，谁更容易被滥用？</p>

<p><strong>【延伸阅读和相关术】</strong><br>
Kimi K3<a href="https://www.kimi.com/ja-jp/blog/kimi-k3" rel="nofollow noopener">官方技术报告</a>与<a href="https://huggingface.co/moonshotai/Kimi-K3" rel="nofollow noopener">模型权重</a><br>
Kimi K3<a href="https://huggingface.co/moonshotai/Kimi-K3/blob/main/LICENSE" rel="nofollow noopener">授权协议</a><br>
Anthropic对蒸馏攻击的<a href="https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks" rel="nofollow noopener">指控</a><br>
<a href="https://openweights.gitlawb.com/" rel="nofollow noopener">《开放权重与美国AI领导力》</a></p>

<p><strong>【相关术语】</strong><br>
<strong>开放权重（Open Weights）</strong>：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。<br>
<strong>开源模型（Open-Source Models）</strong>：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。<br>
<strong>思维链（Chain of Thought）</strong>：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。<br>
<strong>规模扩展效率（Scaling Effiency）</strong>：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。<br>
<strong>键值缓存（KV Cache）</strong>：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。</p>

<p><strong>【硅谷101正在招聘】</strong><br>
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！<br>
👉🏻<a href="https://mp.weixin.qq.com/s/BuDJBj_RVy7eI5PKr2uGOQ" rel="nofollow noopener">点击查看招聘详情</a><br>
<img src="https://imagev2.xmcdn.com/storages/3a42-audiofreehighqps/02/F9/GAqhuykOAY4qAASHsgSnjx80.jpg" alt=""></p>

<p><strong>【监制】</strong><br>
泓君<br>
<strong>【后期】</strong><br>
Amei<br>
<strong>【运营】</strong><br>
朱婕<br>
<strong>【BGM】</strong><br>
Kablaam - Ealot<br>
Flickering Torches - Christian Andersen<br>
Radar Focus - Blue Saga<br>
Pulse Runner - Helmut Schenker</p>

<p><strong>【在这里找到我们】</strong><br>
公众号：硅谷101<br>
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐<br>
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」<br>
联系我们：<a href="mailto:podcast@sv101.net" rel="nofollow noopener">podcast@sv101.net</a></p><p>Special Guests: Keith Zhai and 王铁震.</p>]]>
  </content:encoded>
  <itunes:summary>
    <![CDATA[<p><img src="https://imagev2.xmcdn.com/storages/c4ce-audiofreehighqps/29/FA/GAqhI8INmcS2AAHpNQR_oxXw.jpg" alt=""></p>

<p>7月27日，月之暗面正式发布Kimi K3的完整模型权重。自7月16日API上线以来，K3就在在多项测试中展现出接近前沿模型的能力。因此，它成为了硅谷最近讨论开源时的重要案例之一。从2025年初的DeepSeek时刻，到当下的Kimi K3，中国开源模型正在从成本更低、能力稍弱的替代品，逐渐逼近甚至超过最强的闭源前沿模型。<br>
随之而来的，是一场越来越激烈的蒸馏争论。什么是蒸馏？通过闭源模型的输出进行训练，和未经授权的大规模能力提取，有什么区别？即使中国实验室使用过美国模型生成的数据，它又究竟能解释多少最终能力？</p>

<p>本期播客，我们邀请到两位嘉宾来分别从开源生态和企业的视角，讨论这一波中国开源模型的影响：前Hugging Face亚太开源生态负责人王铁震，和TinyFish联合创始人Keith Zhai。<br>
我们从K3带给硅谷的挑战聊起，讨论了为什么把中国模型的进步全部归因于蒸馏，实际上忽略了架构、强化学习、数据工程和推理基础设施上的创新。而当蒸馏从一种中性的训练技术，变成商业竞争和政策讨论中的指控时，争议的核心又变成了什么？<br>
在此之外，我们也讨论了K3针对大型推理服务商设计的商业授权：当开源权重模型持续压低成本，它会如何冲击OpenAI、Anthropic等闭源实验室的商业模式？当模型能力逐渐商品化，未来AI行业的价值会流向模型本身、推理基础设施，还是Agent与企业工作流？</p>

<p><em>注：本期播客中提到的“开源”，更准确地说是开放权重（open weights）。K3官方称自己为开放模型，它使用的是Kimi K3 License，不是标准 MIT/Apache 这类完全开放的OSI license。</em></p>

<p><strong>【主播】</strong><br>
Yiwen，硅谷101特约研究员</p>

<p><strong>【嘉宾】</strong><br>
王铁震，Hugging Face前亚太生态负责人<br>
Keith Zhai，TinyFish联合创始人</p>

<p><strong>【你将听到】</strong><br>
<strong>中国开放模型，硅谷怎么看？</strong><br>
01:45 Kimi K3为什么突然成为硅谷关注的焦点？<br>
03:33 从DeepSeek、GLM到K3：硅谷对中国模型的判断如何变化<br>
06:51 企业为什么开始转向中国模型<br>
10:23 中国开放模型推理成本</p>

<p><strong>蒸馏争端始末</strong><br>
13:24 蒸馏争议：到底什么是蒸馏？<br>
17:22 K3是否可能在短时间内蒸馏最强闭源模型？<br>
19:48 蒸馏能解释模型的核心能力吗？</p>

<p><strong>开放模型对闭源商业模式的影响</strong><br>
23:54 K3 License与开放模型商业化<br>
34:27 开放模型会怎样冲击OpenAI和Anthropic的收入与估值？<br>
37:39 英伟达为什么支持开放权重<br>
43:41 中国公司为什么选择开放</p>

<p><strong>强大的开放能力下，Agent生态如何变化？</strong><br>
45:04 Thinking Machines为什么开放权重？<br>
48:39 开放模型催生的新生态<br>
48:43 OpenRouter等多模型平台为什么开始受益？<br>
49:56 对Agent产品和基础设施的影响</p>

<p><strong>开放模型的安全之争</strong><br>
55:40 接近前沿的模型，到底应不应该开放权重？<br>
01:04:01 开源和闭源模型，谁更容易被滥用？</p>

<p><strong>【延伸阅读和相关术】</strong><br>
Kimi K3<a href="https://www.kimi.com/ja-jp/blog/kimi-k3" rel="nofollow noopener">官方技术报告</a>与<a href="https://huggingface.co/moonshotai/Kimi-K3" rel="nofollow noopener">模型权重</a><br>
Kimi K3<a href="https://huggingface.co/moonshotai/Kimi-K3/blob/main/LICENSE" rel="nofollow noopener">授权协议</a><br>
Anthropic对蒸馏攻击的<a href="https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks" rel="nofollow noopener">指控</a><br>
<a href="https://openweights.gitlawb.com/" rel="nofollow noopener">《开放权重与美国AI领导力》</a></p>

<p><strong>【相关术语】</strong><br>
<strong>开放权重（Open Weights）</strong>：指模型开发者公开模型训练完成后的参数文件，允许用户下载模型，并在自己的设备或云端进行部署、推理、微调或进一步开发。开放权重并不意味着训练数据、训练代码和完整训练流程也同时公开，具体使用方式还会受到模型授权协议的限制。<br>
<strong>开源模型（Open-Source Models）</strong>：通常指不仅公开模型权重，还公开足以让外部开发者研究、修改和复现模型的更多组成部分，例如训练代码、模型架构、数据处理方法、训练流程，以及在部分情况下使用的训练数据。由于大模型很少完整披露所有训练材料，目前业界对什么样的模型可以被严格称为“开源”仍存在争议。<br>
<strong>思维链（Chain of Thought）</strong>：指模型在生成最终答案之前，用一系列中间步骤拆解问题、组织信息和进行推理的过程。<br>
<strong>规模扩展效率（Scaling Effiency）</strong>：指模型将计算资源转化为能力提升的效率，也就是在使用相同或更少的算力、数据或训练成本时，能否获得更好的模型表现。<br>
<strong>键值缓存（KV Cache）</strong>：指模型在处理上下文和生成内容时，保存此前token在注意力计算中产生的Key和Value数据。这样，模型在生成下一个token时不必重新计算全部历史内容，可以显著降低重复计算，提高生成速度；但上下文越长，KV Cache占用的内存通常也越大。</p>

<p><strong>【硅谷101正在招聘】</strong><br>
《硅谷101》招聘多个全职岗位，欢迎加入我们的超酷的深度内容工作团队！<br>
👉🏻<a href="https://mp.weixin.qq.com/s/BuDJBj_RVy7eI5PKr2uGOQ" rel="nofollow noopener">点击查看招聘详情</a><br>
<img src="https://imagev2.xmcdn.com/storages/3a42-audiofreehighqps/02/F9/GAqhuykOAY4qAASHsgSnjx80.jpg" alt=""></p>

<p><strong>【监制】</strong><br>
泓君<br>
<strong>【后期】</strong><br>
Amei<br>
<strong>【运营】</strong><br>
朱婕<br>
<strong>【BGM】</strong><br>
Kablaam - Ealot<br>
Flickering Torches - Christian Andersen<br>
Radar Focus - Blue Saga<br>
Pulse Runner - Helmut Schenker</p>

<p><strong>【在这里找到我们】</strong><br>
公众号：硅谷101<br>
收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐<br>
其他平台：YouTube｜Bilibili 搜索「硅谷101播客」<br>
联系我们：<a href="mailto:podcast@sv101.net" rel="nofollow noopener">podcast@sv101.net</a></p><p>Special Guests: Keith Zhai and 王铁震.</p>]]>
  </itunes:summary>
</item>
  </channel>
</rss>
