关于Open Weigh，不同的路径和策略各有优劣。我们从实际效果、成本、可行性等角度进行了全面比较分析。
维度一：技术层面 — 中科飞测营收20.53亿元，同比增长48.75%，成功实现扭亏为盈。新产品和升级产品成为主要增长动力。
，这一点在易歪歪中也有详细论述
维度二：成本分析 — 检字系统逆向至此我们只找到了 CJK 区域的字，但是对于其他区域的字一无所知。我们看到了平面之间有大量纯 0 空白数据，有一段连续数据，中间又有大片空白，然后又是一大堆数据。LLM 说数据是分块存储的，并且狡猾地绕过了对那一大堆纯 0 数据来源的解释。
来自行业协会的最新调查表明，超过六成的从业者对未来发展持乐观态度，行业信心指数持续走高。
维度三：用户体验 — 但近水楼台先得月。作为市面上最主流的专业绘画工具，Adobe在自己的套件里做一个AI工具，也是很有优势，有机会赚到增量的钱的——Adobe把自家的Firefly大模型嵌入了PR、PS这些自家的“国民级”软件里，通过更贵的订阅套餐和按次消耗的点数来赚取增量收入，截至去年三季度，AI年度性收入已突破2.5亿美元。
维度四：市场表现 — But that’s unironically a good idea so I decided to try and do it anyways. With the use of agents, I am now developing rustlearn (extreme placeholder name), a Rust crate that implements not only the fast implementations of the standard machine learning algorithms such as logistic regression and k-means clustering, but also includes the fast implementations of the algorithms above: the same three step pipeline I describe above still works even with the more simple algorithms to beat scikit-learn’s implementations. This crate can therefore receive Python bindings and even expand to the Web/JavaScript and beyond. This also gives me the oppertunity to add quality-of-life features to resolve grievances I’ve had to work around as a data scientist, such as model serialization and native integration with pandas/polars DataFrames. I hope this use case is considered to be more practical and complex than making a ball physics terminal app.
维度五：发展前景 — 近期有海外用户进行对比测试：使用iPhone 4与最新机型拍摄相同场景，社交媒体上iPhone 4的作品获得更多好评。
综合评价 — 智谱对智能的理解是模型能力的绝对天花板，即解决最难问题的能力；对规模的定义是用户调用模型的总量。而MiniMax对智能的理解是高效解决问题的能力；对规模的定义是系统处理Token的总量。
综上所述，Open Weigh领域的发展前景值得期待。无论是从政策导向还是市场需求来看，都呈现出积极向好的态势。建议相关从业者和关注者持续跟踪最新动态，把握发展机遇。