🔶 开源 AI 与开放模型阅读清单

大家好！我一直在为面向公众和政策制定者的开放模型文章做准备，因此决定分享我的研究材料。这里面有很多非常精彩的内容。

这是我整理的过去几年中关于开放模型的最佳文章清单。如果有人希望快速了解这一领域，阅读这些材料将能够全面掌握当前状况。欢迎在下方评论区推荐值得加入的文章，我会持续更新这份清单。

清单最后更新：2026 年 9 月 13 日

开放模型是什么、人们为什么发布它们、它们与商业战略有何关系，以及存在哪些风险。

• 关于开源 AI 战略：梳理开源软件如何被企业使用，以及这对 AI 意味着什么的早期迹象——从开源软件到开源战略，Bill Gurley（2026 年 5 月）。

• 对这一问题最清晰的阐述之一，是 Mark Zuckerberg 在 Llama 3 发布时就 Meta 为何发布开放模型所作的说明——开源 AI 是前进之路，Mark Zuckerberg（2024 年 7 月）。

• 为什么应将开放模型视作一个连续梯度，而非简单的开放/封闭二元分类；这一判断基于许可证、模型运行成本、数据访问等因素——生成式 AI 发布的梯度：方法与考量，Irene Solaiman（2023 年 2 月）。

• 开放模型将在未来经济中扮演的角色：作为强大闭源模型的补充。为什么全球企业会使用开放模型来创建定制化的 Agent 工作流——开放模型的下一步，Nathan Lambert / Interconnects（2026 年 3 月）。

• 关于如何在发布强大开放权重模型的同时认真对待安全问题的清晰阐述—— 通往开放权重的安全路径，Thinking Machines Lab（2026 年 7 月）。

  • 一篇关于边际风险的早期论文显示，以文本为中心的 LLM 仅极小幅度地增加了模型已有文献记录的潜在风险—— 开放基础模型的社会影响，Sayash Kapoor、Rishi Bommasani 等（2024 年 2 月）。

  • 闭源模型的安全护栏经常被绕过，在开放权重模型的假设性风险真正出现前，就已造成大量现实 AI 风险——不安全开源 AI 的迷思，Florian Brand（2026 年 6 月）。

• 开放数据的大规模减少，是阻碍真正开放 AI 研究的关键因素—— 同意机制危机：AI 数据公地的快速衰退，Shayne Longpre 等（2024 年 7 月）。

• 有关强大中国模型如何影响 AI 生态系统的近期案例—— Kimi K3：开放权重升级，Nathan Lambert / Interconnects（2026 年 7 月）/ GLM-5.2 是开放 Agent 的跃迁，Nathan Lambert / Interconnects（2026 年 6 月）。

• [可选] 关于开放模型采用情况的最新数据：
  关于美国与中国模型采用情况的总体概述——ATOM 报告（2026 年 4 月）；
  按地区统计模型下载量、衍生模型与研究采用情况的最新数据——Interconnects 采用情况仪表盘；以及
  生态系统中最值得了解的模型——Interconnects Artifacts Hub

谁在开放模型领域领先、这一格局如何随时间变化、中国如何保持领先地位，以及相关历史。

• 面对来自中国日益加剧的竞争，美国为何需要投资开放模型的基础研发/创新——ATOM 项目，Nathan Lambert（2025 年 8 月）。

  • 从开放模型为何有助于推动研究创新和 AI 的有益结果这一视角出发——我为何构建开放语言模型，Nathan Lambert / Interconnects（2024 年 10 月）。

  • 为什么开放模型能够促进教育、创新和竞争——这三项美国核心价值——禁止开源 AI 将是一个错误，Nathan Lambert 与 Kevin Xu（2026 年 6 月）。

  • 为什么近期的“氛围式监管”/模糊联邦监管机制，使我们在不久的未来走向与前沿开放模型发生冲突和/或禁止它们——开放模型只剩 6 个月寿命，Nathan Lambert / Interconnects（2026 年 7 月）。

  • [可选] 用于展示当前技术水平、并体现理解起点的完全开放语言模型技术报告：Pythia（EleutherAI，2023）、Olmo（2024）、Olmo 2（2024）、Olmo 3（2025）。

• AI 发展之前的中国开源历史—— 中国开源：一部权威历史，Kevin Xu（2026 年 3 月）。

• 西方公司大量采用中国模型，已引发实质性的监管关注（更多信息 讨论）。

  • 立法者已就使用中国模型一事调查以下公司：DoorDash（CNBC，2026 年 7 月 31 日）、Airbnb（Bloomberg，2026 年 4 月 29 日；Semafor，2026 年 4 月 29 日）、Anysphere / Cursor（Bloomberg，2026 年 4 月 29 日；Semafor，2026 年 4 月 29 日）、Apple（Reuters，2025 年 5 月 17 日）。

  • 还有其他西方公司公开将其使用的模型从美国闭源实验室的模型切换为中国开放模型以节省成本。例如，Perplexity 曾高调且迅速采用 DeepSeek R1（Forbes，2025 年 1 月 28 日）；Thomson Reuters 则基于 Qwen 构建模型，以减少对 Claude 的依赖（Business Insider，2026 年 8 月 24 日）。

蒸馏是什么、它对中国实验室有多大帮助、开放模型如何影响网络安全等前沿 AI 风险，以及开放模型落后于闭源前沿多远？

• 开放—闭源模型之间的差距近年来已缩小，目前约为 4—6 个月。自约 2024 年以来，领先的开放模型都来自中国实验室。

  • SemiAnalysis 的文章进行了独立评估，结论是开放模型随着时间推移不断接近闭源性能前沿——开放模型正在追赶吗？，SemiAnalysis（2026 年 8 月）。

  • 开放模型位于帕累托成本前沿，但尚未处于绝对性能前沿。例如 DeepSeek V4 Flash，参见 Artificial Analysis 的评估与成本数据。

  • 来自 Epoch AI 和 Artificial Analysis 的数据源（以及相关的美国与中国对比），展示了开放—闭源差距随时间的变化。

  • 一项结合公开和私有评估的独立开放—闭源差距分析——开放模型究竟落后多远？，Håvard Tveit Ihle（2026 年 5 月）。

  • 例如，2025 年，Z.ai 的产品负责人在谈及其发布时间时说：“尽快发布。我们会在几小时内开源。”—— Z.ai 操作手册，ChinaTalk（2025 年 11 月 21 日）。

• 网络安全、风险与开放模型（我计划进一步扩展这一部分）。

• 蒸馏——即利用另一模型输出的 token 进行训练的过程——是 2026 年围绕开放模型最具影响力的一场争论。

  • 如需基础背景，可参见 Reinforcement Learning from Human Feedback（2026 年出版的后训练教材）中关于合成数据与蒸馏的教材章节。

  • 蒸馏如何帮助中国实验室、但并不削弱其创新性——蒸馏对中国 LLM 到底有多重要？，Nathan Lambert / Interconnects（2026 年 2 月）。

  • 一份高度透明的文档，说明中国公司如何使用 Anthropic 的产品并规避服务条款或预期用途。报告详细说明了被禁止方大规模使用 Anthropic 产品的情况，包括技术性蒸馏（通过 SFT 数据提及），以及在未告知用户的情况下，将 Claude 广泛路由至其产品和服务中——检测和应对 AI 滥用：2026 年 9 月。

  • 一篇近期论文表明，前沿实验室在其 API 中采用了某些实现方式，使得通过巧妙手段系统性提取推理轨迹（现代训练的关键部分）成为可能。该蒸馏论文及我对此的文章——从专有 LLM API 窃取推理轨迹，Panfilov、Schmotz、Shumailov 等，2026 年（更多内容见 X）。Anthropic 已确认，中国实验室曾使用这一技术。

  • 围绕蒸馏的政治恐慌——即声称中国模型接近前沿完全是因为蒸馏——为何缺乏证据基础——蒸馏恐慌，Nathan Lambert / Interconnects（2026 年 5 月）。

  • 在跨 Agent 行为扩展 RL 环境的时代，实验室如何利用蒸馏改进模型——当今蒸馏的使用方式，以及它为开放模型带来的性能提升，Nathan Lambert（2026 年 7 月）。

  • [可选] 更多历史：2024 年，我写了_合成数据的前沿_，其中的关键观点是，合成数据——主要是通过对更强模型输出进行 SFT 训练来“蒸馏”模型——是蒸馏的主导形式。前沿实验室则已经转向基于 logit 的知识蒸馏，这一点最早在 Gemini 中得到确认，并延续至今。2025 年初，围绕 DeepSeek-R1 是否由 OpenAI 的 o1 模型蒸馏而来曾有大量讨论。没有明确证据表明其确实如此，而在 2025 年 4 月，我曾明确写道，DeepSeek没有进行蒸馏。就 R1 发布当时而言，基于上述推理轨迹提取方法，DeepSeek 可能确实蒸馏了一些 o1 轨迹，以使其 R1 模型的训练更加容易——这一可能性比我当时认为的更大。这并不削弱其创新性，但保持现实判断是值得的；这也是蒸馏可能加速中国缩小与美国实验室差距的一种方式。

Hey all! I’ve been prepping for some public-audience and policy-facing writing on open models, so I figured I would share my research materials. There’s lots of wonderful stuff in here.

This is my list of the best writing on open models in the last few years. If someone decides they want to get up to speed on the area, reading this will be a comprehensive overview of the state of affairs. Please comment pieces to consider adding below, and I’ll update this over time.

List last updated: 13 Sep. 2026

Share

What open models are, why people release them, how they relate to business strategy, and what the risks are.

• On open source AI strategy, a walkthrough of how open-source software has been used by businesses and early signs of what that means for AI — From Open Source Software to Open Source Strategy , Bill Gurley (May 2026).

• One of the clearest articulations is Mark Zuckerberg’s comments around Llama 3’s release as to why Meta releases open models — Open Source AI is the Path Forward , Mark Zuckerberg (Jul. 2024)

• Why you should view open models on a gradient, rather than binary open/closed, based on factors such as licenses, cost of running the model, data access, etc. — The Gradient of Generative AI Release: Methods and Considerations , Irene Solaiman (Feb. 2023).

• The role open models will play in the economy of the future, as a complement to strong closed models. Why open models will be used to create custom agentic workflows in enterprises across the world – What comes next with open models , Nathan Lambert / Interconnects (Mar. 2026)

• A clear articulation on how to balance releasing powerful open-weight models while taking safety seriously — A Safe Path to Open Weights , Thinking Machines Lab (Jul. 2026).

  • Early paper on marginal risks that showed text-focused LLMs very marginally increased documented potential risks of models — On the Societal Impact of Open Foundation Models , Sayash Kapoor, Rishi Bommasani et al. (Feb. 2024).

  • Closed models safety guardrails are regularly bypassed causing a plethora of real AI-risks before hypothetical risks of open weight models have emerged — The Myth of unsafe Open Source AI , Florian Brand (Jun. 2026).

• The mass reduction in open data, which is a crucial factor that has hampered truly open AI research — Consent in Crisis: The Rapid Decline of the AI Data Commons , Shayne Longpre et al. (Jul. 2024).

• Recent examples on how strong Chinese models impact the AI ecosystem — Kimi K3: The open-weights escalation , Nathan Lambert / Interconnects (Jul. 2026) / GLM-5.2 is the step change for open agents , Nathan Lambert / Interconnects (Jun. 2026).

• [Optional] Latest data on open model adoption:
  A general summary on US vs. China model adoption — The ATOM Report (Apr. 2026),
  The latest data on model downloads, derivatives, and research adoption by region — Interconnects Adoption Dashboard, and
  The most important models to know about in the ecosystem — Interconnects Artifacts Hub

Who is leading in open models, how this has changed over time, how China maintains its leading position, and relevant history.

• Why the U.S. needs to invest in open models for fundamental R&D / innovation in the face of growing competition from China – The ATOM Project , Nathan Lambert (Aug. 2025)

  • The lens as to why open models help spur research innovation and beneficial outcomes for AI — Why I build open language models , Nathan Lambert / Interconnects (Oct. 2024)

  • Why open models foster education, innovation and competition, three core American values — Banning Open Source AI Would Be A Mistake , Nathan Lambert & Kevin Xu __(Jun. 2026)

  • Why the recent “vibe regulation” / vague federal oversight mechanisms set us up for a clash and-or ban of frontier open models in the near future — 6 months to live for open models , Nathan Lambert / Interconnects (Jul. 2026)

  • [Optional] Fully open language model technical reports to illustrate the start of the art in understanding: Pythia (EleutherAI, 2023), Olmo (2024), Olmo 2 (2024), Olmo 3 (2025)

• Chinese open-source history leading up to AI — Chinese Open Source: A Definitive History , Kevin Xu (Mar. 2026).

• Prominent uses of Chinese models by Western companies have prompted meaningful regulatory attention (more discussion)

  • Lawmakers have probed the following companies over using Chinese models: DoorDash (CNBC, Jul. 31 2026), Airbnb (Bloomberg, Apr. 29 2026; Semafor, Apr. 29 2026), Anysphere / Cursor (Bloomberg, Apr. 29 2026; Semafor, Apr. 29 2026), Apple (Reuters, May 17 2025)

  • Other western companies have very publicly shifted the models they use from American, closed labs to Chinese open models to save costs. Examples include Perplexity prominently and rapidly adopted DeepSeek R1 (Forbes, Jan. 28 2025) and Thomson Reuters building on Qwen to move off Claude (Business Insider, Aug. 24 2026)

Leave a comment

What is distillation and how much does it help Chinese labs, how do open models impact frontier AI risks like cybersecurity, and how far are open models behind the closed frontier?

• The open-closed model gap has reduced in recent years, and is now at roughly 4-6 months. The leading open models have all come from Chinese labs since ~2024.

  • SemiAnalysis article which ran independent evaluations, concluding that open models have been getting closer to the closer frontier of performance over time — Are Open Models Catching Up? , SemiAnalysis (Aug. 2026)

  • Open models are on the Pareto cost frontier, while not at the absolute performance frontier. E.g. DeepSeek V4 Flash, see evaluation and cost on Artificial Analysis.

  • Data sources from Epoch AI and Artificial Analysis (and U.S. v China, related) showing the open-closed gap over time.

  • An independent analysis of the open-closed gap across a mix of public and private evaluations — How far behind are open models? , Håvard Tveit Ihle (May 2026)

  • E.g. in 2025, the product lead of Z.ai said with respect to their release time “Get it out fast. We open source it within a few hours.” — The Z.ai Playbook , ChinaTalk (Nov. 21, 2025)

• Cyber, risks & open models (I plan to develop this further)

• Distillation – the process of training on output tokens from another model – is the single most eventful debate around open models in 2026.

  • For basic background, see a textbook chapter on synthetic data & distillation generally, from Reinforcement Learning from Human Feedback (post-training textbook published in 2026)

  • How distillation helps the Chinese labs, but doesn’t take away from their innovation — How much does distillation really matter for Chinese LLMs? , Nathan Lambert / Interconnects (Feb. 2026)

  • A very transparent documentation of how Chinese company use Anthropic’s products and circumvent the terms of service or intended use. The report details at-scale usage of Anthropic’s products by banned parties, as a mix of technical distillation (mentioned via SFT data) and extensive routing of Claude into their products and services without telling users — Detecting and countering misuse of AI: September 2026.

  • A recent paper that showed that the frontier labs had implementations in their APIs that made systematic extraction of reasoning traces (the crucial part of modern training) through clever tricks. Recent distillation paper, my writing on it — _Stealing Reasoning Traces from Proprietary LLM APIs , _Panfilov, Schmotz, Shumailov et. al 2026 (more on X). Anthropic confirmed this technique was used by Chinese labs.

  • Why the political panic over distillation, claiming that distillation is the only reason Chinese models are close to the frontier, is not grounded in the evidence — The distillation panic , Nathan Lambert / Interconnects (May 2026)

  • How labs can use distillation to improve models in an era of scaling RL environments across agentic behaviors — How distillation is used today and what performance uplift it gives to open models , Nathan Lambert (Jul. 2026)

  • [Optional] More history: In 2024, I wrote Frontiers in synthetic data where the key points were that synthetic data, primarily in “distilling” models by training with SFT on outputs from a stronger model, was the dominant form of distillation. Frontier labs had been shifting the logit-based, knowledge distillation, confirmed earliest in Gemini and continuing to this day. In early 2025, there was substantial debate on if DeepSeek-R1 was distilled from OpenAI’s o1 model. There is no clear evidence suggesting that they did, and in Apr. of 2025 I wrote confidently that DeepSeek did not distill. At the time of R1, it is more possible than I gave it credit to that DeepSeek did distill some o1 traces to make it easier for them to train their R1 model – based on the above reasoning trace extraction methods. This does not take away from the innovation of it, but it’s worth being realistic and is a way that distillation could accelerate China closing the gap to American labs.