从Step 5到Gemini 4 Pro：大模型密集发布后，真正的竞争转向基础设施

大模型市场正在进入一个更拥挤、也更现实的阶段。阶跃星辰发布开源旗舰模型Step 5 Preview，谷歌Gemini 4 Pro在竞技场测试中展示出强劲性能，另一边，研究团队开始用更小的数据修复视觉幻觉，用随机压缩减少推理缓存，数据库厂商则把结构化数据、向量检索和智能体记忆放进同一套底座。看起来这些消息分属模型、算法和数据库，实际上指向同一个变化：模型本身正在加速商品化，真正决定落地速度的，是算力利用率、输入数据质量、推理成本和系统能否稳定接住结果。

这也解释了为什么新的竞争不再只是排行榜上的第一名。企业真正关心的是，模型能不能在自己的数据上工作，能不能在预算内持续运行，能不能把一次回答变成可追踪、可复核、可交付的业务动作。模型能力仍然重要，但它已经从终点变成了基础条件。

旗舰模型密集登场

阶跃星辰发布的Step 5 Preview采用稀疏混合专家架构，总参数量达到6000亿，激活参数约270亿，上下文长度达到100万。公开信息显示，它在Artificial Analysis等评测中进入开源模型前列，并在编程、三维生成和金融研究等复杂任务上展现出较强能力。更值得注意的是，阶跃并没有把它包装成只适合实验室的模型，而是把开源、终端覆盖和实际服务规模放在同一叙事里。

谷歌Gemini 4 Pro则代表另一条路线。它在竞技场测试中被认为超过多个竞争模型，在编码和推理任务上表现突出，同时给出了相对清晰的调用价格。无论最终排名如何，这类发布都在迫使模型厂商回答一个更具体的问题：当能力差距不断缩小时，用户为什么要为某个模型支付更高价格？速度、稳定性、工具调用、上下文处理和企业服务，都会成为答案的一部分。

算力竞争转向利用率

模型规模继续扩大并不意味着所有厂商都能无限堆卡。训练成本、推理峰值、数据传输和集群调度会同时形成约束。对企业用户来说，单次回答便宜并不等于总体成本低，真正需要核算的是高并发下的吞吐、长上下文请求的缓存占用、失败重试比例，以及模型输出是否需要人工返工。

这正是推理优化重新受到关注的原因。Salesforce AI Research与UIUC团队提出的Random Attention方法显示，在保留提示词的前提下，对推理部分的KV缓存进行随机压缩，约四倍压缩时仍能接近复杂选择策略的效果，吞吐量最高提升约43%。这个结果的价值不在于“随机”本身，而在于它提醒工程团队：推理轨迹中可能存在大量天然冗余，系统设计不必把每个中间状态都当成同等重要的信息保存下来。

视觉可靠性成为硬指标

模型输出看起来流畅，并不代表它真正看懂了图像。清华团队提出“视觉源幻觉”概念，指出多模态模型的错误不仅来自语言模型的先验偏见，也可能出现在视觉特征提取和图文对齐环节。研究中的ACFT方法只使用COCO数据集很小一部分数据，就在多个模型上取得了较好的修复效果。

这类工作对实际应用很关键。企业把合同截图、工程图纸、设备面板和医疗影像交给模型时，最危险的不是模型完全不会回答，而是它用非常肯定的语气描述了一个没有看清的细节。视觉能力必须从“会描述图片”升级到“知道自己看到了什么、没看到什么”，并且在关键字段上给出可验证依据。未来的多模态评测，也不能只看整体问答分数，还要看局部识别、来源追踪和异常拒答能力。

数据底座决定Agent上限

OceanBase发布面向AI应用和智能体的Lakebase，试图把结构化数据、向量检索和实时业务状态放进统一的数据底座。这个方向反映出Agent落地中的一个常见难题：模型可以理解自然语言，却未必知道订单状态、权限边界、库存变化和企业规则分别存在哪里。如果每次调用都要跨越多个系统，智能体就很难做到稳定执行。

数据库在这里不再只是保存数据的仓库，而是要承担记忆、检索、权限和事务衔接。一个真正可用的企业Agent，至少需要知道哪些信息可以读取，哪些动作需要审批，哪些结论必须引用原始记录，哪些状态变化会使之前的判断失效。模型能力越强，系统越不能只靠提示词维持秩序，数据底座和业务接口必须共同提供约束。

开源模型重新争夺开发者

Step 5 Preview受到关注，也因为开源模型正在重新成为开发者基础设施的一部分。开发者选择模型时，往往不只看榜单，还要看权重是否可获得、推理框架是否成熟、量化版本是否丰富、社区是否愿意修复问题，以及模型能否部署在现有的GPU和云服务器上。

这会让模型竞争出现两种分化。一类厂商依靠封闭模型、产品入口和企业服务形成完整体验，另一类厂商通过开放权重、工具链和部署生态扩大覆盖面。二者并不是简单的免费与收费之争，而是控制点不同：前者控制模型服务和使用入口，后者把选择权交给开发者，再通过硬件适配、云服务和商业支持获得价值。

企业采购开始看交付链

对于企业而言，选择模型的流程也会逐渐从试用聊天机器人变成评估整条交付链。首先要建立与自身业务接近的测试集，尤其覆盖长文档、内部术语、权限限制和异常情况；其次要统计真实成本，包括输入输出、缓存、工具调用、人工审核和失败重跑；最后还要验证模型更新后是否会改变关键业务结果。

在这个过程中，像速维云这样的云服务器与基础设施服务，可以承接模型部署、接口服务、数据处理和业务系统之间的运行环境。真正值得比较的不是某个参数表上多出几个百分点，而是网络、存储、GPU资源、日志监控和扩容策略能否一起工作。对中小团队来说，稳定的基础设施往往比盲目追逐最大模型更能决定项目能否上线。

模型之后是可验证系统

从Gemini 4 Pro和Step 5 Preview的竞争，到视觉幻觉修复、KV缓存压缩和Lakebase这样的基础设施变化，可以看到行业正在形成新的判断标准。模型要更强，但更要便宜、稳定、可解释；系统要更自动化，但必须保留权限、审计和人工接管；数据要更丰富，但来源、版本和使用边界必须清楚。

因此，下一阶段最有价值的AI产品，未必是回答最惊艳的那个，而是能把模型能力嵌进真实流程，并持续交付可验证结果的那个。大模型的发布会仍然会不断刷新参数和跑分，但企业最终留下来的，往往是那些能把算力、数据、软件和业务规则真正接起来的系统。