今天和大家分享的还是公号君对近期模型蒸馏争议的第三篇文章。上一篇文章见【谁有权向模型学习：蒸馏争议的第二阶段】
人工智能竞争通常以谁拥有最强模型来衡量。但在模型可以相互学习、能力可以通过蒸馏、后训练和微调持续传递的条件下，国家实力还有另一种尺度：一个国家的模型，能否成为其他国家、企业和研究机构训练下一代模型时所依赖的教师模型。
最强模型决定当前能力的上限，教师模型则可能决定后续模型从哪里出发、沿着什么技术路径成长。前者体现为排行榜上的领先，后者体现为模型谱系、开发工具、人才知识和产业标准中的影响。一个国家即使拥有世界上最强的闭源模型，也未必能够成为全球人工智能生态的主要教师；另一个国家的模型即使不是每项能力都居于首位，只要足够强、足够开放、成本适当并得到持续维护，仍可能成为大量下游模型共同的技术起点。
2026年7月发布的《开放权重与美国人工智能领导力》公开信【相关分析见谁有权向模型学习：蒸馏争议的第二阶段】，已经明确把开放模型与国家领导地位联系起来。公开信认为，美国的人工智能领导力不能只由某一个前沿模型衡量，还取决于能否形成一个强健、开放并向各行业扩散的生态；它同时将蒸馏界定为模型改进、评估和验证中广泛使用的技术，反对因存在不当提取行为而对蒸馏和开放权重施加一般性限制。公开信目前的签署者已经覆盖Google、OpenAI、Meta、微软、英伟达、Hugging Face、IBM、Palantir等模型、芯片、云、安全和应用企业。
这场讨论所揭示的是一个更深的问题：一个国家准备以什么方式让本国模型充当教师，又准备以何种方式控制这种教学关系。对开放和封闭的选择，决定的不只是模型如何发布和收费，也决定本国能力以何种关系进入全球生态，并进一步影响人工智能阵营如何形成。
一、教师模型代表人工智能竞争中的另一种领先
在经典知识蒸馏中，教师模型是已经具备较强能力的模型，学生模型通过学习教师模型提供的输出分布或者其他训练信号，取得部分相近能力。教师不必把自己的权重和内部结构交给学生，学生也不必成为教师的完整复制品。知识传递可以只集中于某一类任务、某一种行为或者某一部分能力。
严格来说，利用开放权重模型进行微调时，原模型更接近“基座模型”，并不完全等同于经典蒸馏中的教师模型。但从产业和国家战略的角度看，二者产生的长期效果具有相通之处：其他主体不再从零开始训练，而是以某一既有模型的权重、输出、推理轨迹、评价结果或者合成数据作为能力生产的起点。
因此，公号君所说的“教师模型地位”，是一个比经典知识蒸馏更宽的战略概念。它指的是一个模型能够持续进入其他模型的训练和改进过程，并由此影响下游模型谱系的地位。这种影响既可能通过API输出和合成数据发生，也可能通过开放权重、模型架构、微调工具和评测框架发生。
一个模型能否取得教师模型地位，至少取决于四个条件。
首先，它必须具备足以被学习的能力。能力过低的模型即使完全开放，也很难成为有吸引力的教师。其次，它必须具有现实的可获得性。其他主体需要能够取得权重、输出或者合法的训练信号。再次，它必须具有法律和商业上的可学习性。许可证和服务条款是否允许微调、蒸馏、衍生模型开发和商业使用，会直接影响下游主体是否愿意围绕该模型长期投入。最后，它还需要具备生态上的持续性，包括稳定更新、不同尺寸版本、硬件适配、推理框架、开发文档和社区支持。
这也意味着，能力最强的模型未必是最有影响力的教师模型。Thinking Machines Lab在发布开放权重模型Inkling时就明确表示，Inkling并不是当时能力最强的开放或闭源模型，但其多模态能力、推理效率和可微调性，使之适合作为开发者进行定制的开放权重基座。这个表述准确反映了教师模型的竞争逻辑：教师不必在所有考试中得分最高，但必须适合学生持续学习和改造。
ATOM项目对开放模型生态的统计提供了另一个观察窗口。其统计显示，Qwen在新微调模型和其他衍生模型中的份额，从2024年1月的1%上升至2026年2月的69%。这一数据来自特定的开放模型平台和样本，不能直接等同于全球人工智能市场份额，却说明了模型影响力的一种重要形式：不是有多少最终用户与模型对话，而是有多少后续模型以它为基础。
前沿模型的产品地位主要体现在它今天能完成什么任务；教师模型的生态地位则体现在明天有多少模型会沿着它开辟的路径继续发展。前者是一次能力领先，后者可能是一条技术谱系的起点。
二、开放与封闭形成两种不同的教师模型
闭源模型并非不能充当教师。通过API输出、合成数据授权、蒸馏许可或者可信伙伴访问，闭源模型同样可以向其他模型传递能力。区别在于，闭源模型提供的是一种受控的教学关系。
模型提供者能够决定谁可以学习、可以学习哪些能力、调用多少次、支付什么价格，以及学习结果能否用于训练竞争模型。它还可以调整接口、隐藏推理过程、限制特定用途、封禁账户，或者在风险变化后停止提供服务。
这种模式形成的是一种受控教师模型。教师保留选择学生、限定课程、观察学习过程和终止教学的权力。下游主体获得的是持续访问，而不是独立掌握教师能力的载体。由此形成的主要是平台依赖：学生只有继续停留在教师控制的平台上，才能持续取得新的能力和版本更新。
开放权重模型形成的是另一种教学关系。权重一经发布，下游主体可以在自己的基础设施中部署、微调、量化和修改模型，也可以将其嵌入行业模型、智能体、终端设备和内部系统。原开发者由此失去对每次调用的控制，也很难撤回已经公开的版本。
开放教师模型牺牲了一部分持续控制权，却获得了更强的谱系扩散能力。大量衍生模型可能沿用原模型的权重结构、分词体系、接口习惯、推理框架、微调方法和安全模板。即使这些衍生模型不再调用原始模型，也可能长期保留与原模型的技术谱系关系。
因此，开放和封闭所积累的是两种不同的权力。闭源模型更容易形成平台权力，开放模型更容易形成谱系影响。前者控制别人如何使用当前能力，后者影响别人如何生产下一代能力。前者主要把使用者变成客户，后者更容易把使用者变成学生。
二者都具有明显优势，也都有内在代价。
受控教师模型可以保护训练投入，维持能力定价，限制高风险用途，并在发现问题后统一更新安全措施。但如果学习通道过窄、价格过高或者使用限制过多，下游企业就可能转向其他教师。一个模型可以控制每一次API调用，却无法强迫全球开发者长期留在自己的生态之中。
开放教师模型可以迅速形成大量适配版本、工具和应用，吸收外部开发者的创新投入，但权重释放后难以撤回，安全机制可能被移除，衍生模型的用途也难以持续追踪。开放扩大了影响，却削弱了原开发者对影响方式的控制。
美国当前政策已经同时认识到这两个方向。2025年《人工智能行动计划》一方面提出支持领先的开放源代码和开放权重模型，认为其可能在商业和学术研究中成为全球标准，因而具有地缘战略价值；另一方面又强调由开发者自行决定模型采取开放还是封闭方式，并继续保护最先进模型和相关技术。
因此，国家政策面对的并不是“开放必然正确”或者“封闭必然安全”的二选一。真正的问题是：哪些模型应成为开放教师，哪些模型应成为受控教师，哪些能力可以向全球扩散，哪些能力只能向经核验的主体有限传授。
一个成熟的模型体系，通常不会只有一种教师。
三、教师模型如何塑造生态和人工智能阵营
教师模型的影响不会停留在学生模型本身。一旦某个模型成为大量开发者的共同起点，围绕它就会出现更多微调版本、量化工具、推理引擎、数据处理方法、智能体框架和评测体系。
采用者越多，第三方工具越丰富；工具越丰富，新开发者采用该模型的成本越低；采用成本越低，又会吸引更多企业、研究机构和人才进入。教师模型由此形成一个自我强化的生态循环。
这种循环使模型开发者能够吸收外部创新。下游企业针对特定芯片进行优化，研究人员发现模型漏洞，行业机构开发专业数据集，开源社区制作部署工具，这些成果未必直接归原开发者所有，却会提高整个模型家族的可用性和吸引力。
教师模型的生态优势还会转化为转换成本。企业围绕某个模型建设数据管线、微调流程、工具接口和评测标准后，更换基础模型就不再是简单地下载另一套权重。原有数据可能需要重新处理，安全规则需要重新评估，智能体接口需要重新适配，技术人员也需要重新学习。随着时间推移，最初的模型选择会沉淀为技术路径依赖。
Thinking Machines Lab发布Inkling的过程，提供了一个具体案例。该公司说明，Inkling的混合专家架构在很大程度上沿用了DeepSeek-V3的设计；其初始监督微调又使用了包括Kimi K2.5在内的开放权重模型生成的合成数据。公司同时强调，这部分启动数据只占较小比例，后训练的大部分投入用于大规模强化学习。
这个案例说明，教师作用并不意味着学生模型是教师模型的复制品。一个模型可以教授架构设计，另一个模型可以提供启动数据，学生则通过自己的预训练、强化学习和工程体系形成主要能力。教师模型的影响往往是局部、分层和组合式的，却仍然能够进入下一代模型的生产过程。
当这种生态关系跨越国界，就可能进一步形成事实上的人工智能阵营。
一种是以闭源模型和完整技术栈为基础的访问型阵营。能力供给国向伙伴提供芯片、数据中心、云服务、闭源模型、应用和标准，伙伴则接受相应的身份审查、安全要求、用途限制和供应条件。接受方能够较快取得先进能力，但需要依赖供应方持续升级和供给。
美国《人工智能行动计划》已经明确提出，要向愿意加入美国人工智能联盟的国家出口包括硬件、模型、软件、应用和标准在内的完整技术栈，并称如果美国不能满足这些国家的需求，它们就可能转向美国的竞争对手。该文件还直接提出，通过美国技术的分发和扩散，防止盟友依赖“外国对手”的技术。
另一种是围绕开放教师模型形成的谱系型阵营。它不要求正式加入，也未必有清晰的成员资格。企业、大学和研究机构可以自主下载模型、进行本地部署和衍生开发。但随着模型权重、开发工具、人才知识和行业标准逐渐集中于某个模型家族，使用者会在技术谱系上与模型来源国形成更深的联系。
访问型阵营通过持续供给形成控制，谱系型阵营通过广泛学习形成影响。前者更垂直、更集中，也更容易附加政治和安全条件；后者更分散、更开放，原开发者难以直接指挥下游主体，却可能进入更多国家的本地技术体系。
二者并不完全排斥。一个国家可能使用美国芯片和云平台，同时以中国开放权重模型作为行业微调基座；也可能在高复杂度任务中调用闭源前沿模型，在政府和敏感行业中部署开放模型，在一般消费场景中使用本国模型。
因此，未来的人工智能阵营很可能不是边界清晰、相互隔绝的两大集团，而是由芯片、云、模型、工具和标准形成的多层重叠结构。教师模型不能直接决定一个国家的政治立场，却会影响其技术人员学习什么、企业围绕什么开发、基础设施适配什么，以及更换技术路线需要付出多大成本。
传统阵营往往先由政治关系建立，再形成技术合作；人工智能时代的部分阵营关系，则可能先在模型选择、微调实践和工具适配中积累，随后才转化为更稳定的产业和政策联系。
四、国家需要形成分层的教师模型战略
一个国家要取得教师模型地位，不能简单地把所有模型全部开放，也不能把所有前沿能力全部封闭。真正需要建立的，是一套分层的教师模型战略。
对于已经相对成熟、通用性较强、风险可控的模型，可以通过开放权重、明确许可证和完善工具链扩大使用。开放的不应只是一份权重文件，还应包括不同尺寸和量化版本、稳定的微调接口、主流硬件适配、评测方法和开发文档。只有下游主体能够长期、合法并以可承受成本开展开发，模型才能从一次发布转化为持续的教师地位。
对于最前沿或者具有显著生物、网络、军事等高风险能力的模型，可以保留权重，通过API、可信环境或者经核验的教师访问提供能力。但封闭不应等于完全禁止本国企业和可信伙伴学习。国家可以允许符合条件的主体在限定能力范围、查询额度和使用目的的情况下取得训练信号，并通过计量、日志和审计降低扩散风险。
还可以在开放与封闭之间建立代际安排。当前最先进的版本保持受控，上一代或者经过能力调整的版本开放权重；随着评估结果、防护能力和竞争环境变化，再动态扩大开放范围。这样既能保留一定的前沿窗口，又能保证模型家族持续进入全球开放生态。
教师模型战略还必须重视许可证的稳定性。企业是否允许使用模型输出训练其他模型，是否允许衍生模型商业化，是否要求标明来源，是否限制特定高风险用途，都应当尽量清晰。规则频繁变化，会削弱开发者进行长期投入的信心。能够持续教学的模型，不仅要有能力，还要有可信赖的教学规则。
对中国而言，这一问题已经不能只从防止本国模型被蒸馏的角度理解。ATOM报告所显示的开放模型衍生份额变化表明，中国模型已经在相当一部分开放生态中取得了重要的基座和教师地位。当前更需要考虑的，是如何把阶段性的下载量、推理流量和衍生模型数量，转化为稳定的模型谱系、开发工具和国际产业关系。
如果因为担忧能力外流而过早、普遍收紧开放政策，中国可能主动削弱已经形成的教师模型优势，把全球开发者推向其他模型家族。相反，如果对所有模型、所有能力和所有主体无差别开放，又可能加快高风险能力扩散，并缩短竞争者追赶时间。
更合理的路径，是对一般能力保持较高的可学习性，对关键前沿能力实行受控教学，对高风险能力设置更严格的主体和用途条件。与此同时，通过多语种模型、不同参数规模、稳定许可证、低成本推理、国产和国际硬件适配以及完善的智能体工具链，降低其他国家采用中国教师模型的门槛。
模型输出国际竞争，追求的是其他国家购买本国模型服务；教师模型战略追求的，则是其他国家利用本国模型生产自己的模型和智能系统。前者主要形成收入和市场份额，后者还可能形成技术谱系、人才习惯、工具依赖和长期生态影响。
一个国家的模型力量由两种地位共同构成：一种是前沿模型地位，决定它能把能力上限推到多高；另一种是教师模型地位，决定它能在多大程度上影响其他模型如何成长。
前沿冠军赢得当期竞赛，教师模型塑造后续参赛者。
因此，衡量一个国家的人工智能影响力，不能只看世界调用了多少次它的API，也要看下一代模型中有多少以它的权重、输出和训练信号为起点。一个国家对开放与封闭的态度，最终决定的不只是本国模型如何进入市场，也决定本国技术能否进入世界人工智能的生产过程。
谁能够持续提供强大、可信、可学习的教师模型，谁就更有可能塑造未来的人工智能生态，并影响新的技术阵营如何形成。
声明：本文来自网安寻路人，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
