大模型套壳往事

本文来自微信公众号：直面AI，作者：李炤锋，题图来自：AI生成

华为盘古大模型涉嫌套壳阿里云Qwen大模型的风波，再次将模型“原研”与“套壳”的讨论摆上了台面。

回溯三年前，在ChatGPT刚刚开启大模型航海时代时，那时候的套壳还停留在小作坊山寨ChatGPT的阶段。调用ChatGPT的API，接口再包上一层“中文UI”，就能在微信群里按调用次数卖会员。那一年，套壳成了很多人通往AI财富故事的第一张船票。

同时，开始自主研发大模型的公司里，也不乏对ChatGPT的借力。这些企业虽然有着自研的模型架构，但在微调阶段或多或少利用了ChatGPT或GPT-4等对话模型生成的数据来做微调。这些合成语料，既保证了数据的多样性，又是经过OpenAI对齐后的高质量数据。借力ChatGPT可以说是行业内公开的秘密。

从2023年开始，大模型赛道进入开源时代，借助开源框架进行模型训练，成为了很多创业团队的选择。越来越多的团队公开自己的研究成果，推动技术的交流与迭代，也让套壳开发成为了更普遍的行为。随意之而的，争议性的套壳事件也逐渐增多，各种涉嫌套壳的事件屡次冲上热搜，随后又被相关方解释澄清。

国内大模型行业也在“套”与“被套”中，轮番向前发展着。

一、GPT火爆的那一年：山寨API和造数据

回顾AI的进化史，今天我们看到各类大模型都源自同一个鼻祖——2017年Google Brain团队发布的Transformer神经网络架构。Transformer的原始架构和核心包括编码器（Encoder）与解码器（Decoder），其中，编码器负责理解输入文本，解码器负责生成输出文本。

如今，在大型语言模型领域依然采用三大主流Transformer架构：Decoderonly（如GPT系列）、EncoderDecoder（如T5）和Encoderonly（如BERT）。不过，最受关注和应用最广泛的，是以Decoderonly为核心的GPT式架构，并不断衍生出各种变体。

2022年11月，基于GPT3.5，OpenAI推出ChatGPT，发布后短时间内获取数千万用户，让LLM正式登上公众舞台，也将GPT架构推为主流AI架构。随着ChatGPT打响大模型时代第一枪，各大厂商纷纷涌入大模型研发赛道。由于ChatGPT无法直接接入国内用户，一些小作坊也看到了套壳的牟利前景。

2022年底开始，许多山寨ChatGPT在互联网上涌现，此时的套壳基本不涉及任何二次开发，很多开发者直接包装一下API就拿出来卖钱。

2022年底至2023年，国内涌现数百个ChatGPT镜像站，包括名噪一时的“ChatGPT在线”公众号，运营者拿到OpenAI API，再在前端加价售卖。这种低劣的套壳手段很快就被监管部门发现，“ChatGPT在线”背后的上海熵云网络科技有限公司，就因涉嫌仿冒ChatGPT被罚6万元，成为首例“ChatGPT套壳”行政处罚。

另一方面，在同期发布的其他模型中，时常出现一些“GPT味”的回复，这些模型背后的企业也遭受了套壳质疑。

2023年5月，曾有网友发现，讯飞星火大模型在有些问答中会出现“我是由OpenAI开发的”等内容，由此一则关于“讯飞星火大模型被质疑‘套壳ChatGPT’”的消息传播开来。

这种情况并非个例，甚至2024年发布的DeepSeek V3也曾爆雷，有用户反映其在测试中出现异常，模型自称是OpenAI的ChatGPT。相关企业对这类情况的解释为，这可能是由于训练数据中混入了大量ChatGPT生成的内容，导致模型“身份混淆”。

互联网公开信息中AI内容日渐增多造成的数据污染，确实是可能造成这些“GPT味”对话的原因。但另一种可能是，模型研发团队在微调训练过程中，主动使用了通过ChatGPT等OpenAI旗下模型构造的数据集，也就是所谓的“数据蒸馏”。

数据蒸馏是大模型训练中一种高效低成本的知识迁移方式，这里的逻辑就像是用一个强大的“老师模型”（如GPT-4）生成大量高质量问答数据，而后将这些数据喂给一个“学生模型”去学习。

事实上，在GPT -3之后，OpenAI就彻底转向了闭源，所以对于想要自研大模型的竞争对手而言，并无法在基础架构层面套壳OpenAI的产品。这些企业或多或少也在模型技术上有一定积累，在架构层面纷纷推出自家的研究成果，但如果想要保证训练质量，从更强的模型产品那里以借力的方式获取数据无疑是一种捷径。

虽然借力ChatGPT/GPT-4生成训练数据是业内公开的秘密，但一直以来鲜有被披露的案例，直到那起着名的“字节抄作业”事件。2023年12月，外媒The Verge报道称，字节跳动利用微软的OpenAI API账户生成数据来训练自己的人工智能模型，这种行为实际上已经违反了微软和OpenAI的使用条款。在此消息被披露不久，据传OpenAI暂停了字节跳动的账户。

字节跳动方面随后表示，这一事件是技术团队在进行早期模型探索时，有部分工程师将GPT的API服务应用于实验性项目研究中。该模型仅为测试，没有计划上线，也从未对外使用。按照字节跳动的说法，其对于OpenAI模型的使用是在使用条例发布之前。

对此，来自国内某头部AI企业算法部门的叶知秋向直面AI表示，业内的普遍认知是，数据蒸馏不应该被认为是套壳。“数据蒸馏只是一个手段，通过一个能力足够强的模型产出数据，对于垂直领域（的另一个模型）去做加训。”

加训（Continual Training）是一种常见的提升模型性能的方法。通过在新数据上继续训练模型，可以使其更好地适应新的任务和领域。“如果利用数据蒸馏做加训算套壳，那这个技术就不该被允许。”叶知秋解释道。

2025年的今天，大模型开发市场日渐成熟，直接调用API“山寨套壳”的模型产品已逐渐消失。在应用层面，随着AI Agent领域的快速迭代，调用API落地的AI工具已经成为常态，如Manus这类通用AI Agent逐步进入市场，AI应用层面的套壳已经成为了一种常见的技术手段。

而在大模型开发领域，随着开源时代的到来，模型开发领域的套壳，又陷入了新一轮的争论。

二、开源大模型时代：你用我用大家用

进入2023年，许多厂商选择开源方式公布模型方案，用以刺激开发者群体对模型/模型应用的迭代。随着Meta在2023年7月开源LLaMA 2，标志着AI行业也进入开源时代。在这之后，先后有十余款国产模型通过微调LLaMA 2完成上线。同时，利用开源模型架构进行二次开发，也成为了新的套壳争议点。

2023年7月，百川智能CEO王小川回应了外界对旗下开源模型Baichuan-7B套壳LLaMA的质疑。他提到，LLaMA 2技术报告里大概有9个技术创新点，其中有6个在百川智能正在研发的模型里已经做到。“在跟LLaMA 2对比的时候，我们在技术的思考里不是简单的抄袭借鉴，我们是有自己的思考的。”

就在几个月后，国内AI圈迎来了另一场更汹涌的套壳风波。2023年11月，原阿里技术副总裁、深度学习框架Caffe发明者贾扬清在朋友圈中称，某家套壳模型的做法是“把代码里面的名字从LLaMA改成了他们的名字，然后换了几个变量名。”事后证实，该信息直指零一万物旗下的Yi-34B模型，开源时代的套壳争议被搬到台面上。

一时间，关于零一万物是否违反了LLaMA的开源协议，在各大技术社区引发了激烈的争论。随后，Hugging Face工程师Arthur Zucker下场对这一事件发表了看法。他认为，LLaMA的开源协议主要限制了模型权重，而不是模型架构，所以零一万物的Yi-34B并未违反开源协议。

事实上，利用开源模型架构只是打造新模型的第一步，零一万物在对Yi-34B训练过程的说明中也作出了解释：模型训练过程好比做菜，架构只是决定了做菜的原材料和大致步骤……其投注了大部分精力在训练方法、数据配比、数据工程、细节参数、baby sitting（训练过程监测）技巧等方面的调整。

对于AI行业而言，推动技术开源化的意义之一是停止“重复造轮子”。从零研发一款全新的模型架构，并跑通预训练流程需要耗费大量成本，头部企业开源可以减少资源浪费，新入局的团队通过套壳得以快速投入到模型技术迭代和应用场景中。百度CEO李彦宏就曾表示：“重新做一个ChatGPT没有多大意义。基于语言大模型开发应用机会很大，但没有必要再重新发明一遍轮子。”

2023～2024年，AI行业掀起一场“百模大战”，其中的国产大模型大约10%的模型是基座模型，90%的模型是在开源模型基础上加入特定数据集做微调的行业模型、垂直模型。套壳帮助大量中小团队站在巨人的肩膀上，专注于特定领域的工程化和应用探索。

如今，在Hugging Face上按“热度”排序检索，以文本模型为例，DeepSeek R1/V3、LLaMA3.2/3.3、Qwen2.5以及来自法国的Mistral系列模型均位居前列，这些开源模型的下载量在几十万到上百万不等。这表明开源极大地促进了行业的进化。目前，Hugging Face平台上共有超过150万个模型，其中绝大多数是用户基于开源架构的衍生产物——sft微调版本、LoRA微调版本等。

另一方面，随着LoRA与QLoRA等轻量化微调方案面世，定向微调模型的成本也在不断下降，为中小型团队进行模型开发提供了有利基础。麦肯锡在今年5月的一份调查显示，92%的企业借助对开源大模型的微调提高了24%～37%的业务效率。

2023年以来，模型开发门槛因开源不断降低，在迎来百模齐放的良好生态之余，也浮现出一些浑水摸鱼的恶劣套壳行为。

2024年5月，斯坦福大学的一个研究团队发布了一个名为LLaMA3V的模型，号称只要500美元（约人民币3650元）就能训练出一个SOTA多模态模型，效果比肩GPT-4V。

但随后有网友发现，LLaMA3V与中国企业面壁智能在当月发布的8B多模态开源小模型MiniCPM-LLaMA3-V 2.59（面壁小钢炮）高度重合。在实锤套壳抄袭后，该团队随后删库跑路。该事件一方面反映出，国产模型凭借其优异性能也成为了被套壳的对象；同时，也再一次引发了业界对开源时代套壳合规边界的思考。

对于AI行业而言，厂商通过开源以协作的方式可以对模型进行完善与优化，加速推动问题解决与技术创新。由于协作的工作模式和开放的源代码，开源大模型的代码具有更高的透明度，并且在社区的监督下，公开透明的代码能更容易进行勘误。

“透明度”是促进开源社区交流进步的关键，而这需要二次开发的团队和所有从业者共同维系。在LLaMA3V的案例中，斯坦福方面的研究团队只是对MiniCPM-LLaMA3-V 2.59进行了一些重新格式化，并把图像切片、分词器、重采样器等变量重命名。

原封不动地拿过来，并且作为自己的学术成果发布，相比起套壳，这更像是彻头彻尾的抄袭。

所以，套壳的道德边界，究竟是什么呢？

三、“套壳”和“自研”的矛盾体

“如果一个团队没有以原生模型的名义发表，就不能叫套壳，应该叫模型的再应用。”谈及套壳的定义，叶知秋这样说道。在加入大厂项目之前，叶知秋曾参与过一些创业公司的开源项目。他判断，业内有实力造基础模型的企业只会越来越少，加速利用开源技术是行业发展的必然，“毕竟核心技术上，只有那几家公司有。”

叶知秋口中的“核心技术”，指的是从零研发模型基础架构，并落实预训练流程的能力。相关报道显示，国内目前有完整自研预训练框架的大模型公司数量较少，仅有 5家左右。能“造轮”的企业屈指可数，对此叶知秋的解释是：“一些企业也有实力投入基础模型研究，但他们要考虑做这件事的收益。”

“演化和加训，严格来说和套壳是两码事。”叶知秋表示，像LLaMA这样的开源架构已经为业内熟知且熟用，很多成果都是在这一架构的基础上演化而来的。但同时他也强调，套壳合规与否在于冠名问题，利用开源技术就需要在技术文档中做出明确说明，“如果你是在一个已经开源的模型上进行加训，那就要在冠名和文档中体现这一点。”

对于如何理解大模型非法套壳，知识产权法领域的法律界人士秦朝向直面AI分享了他的看法。他表示，一些恶劣的“套壳”行为虽然在社会舆论上引发很多反响，在法律视角上却是另一回事。如何区分套壳和抄袭的界限、如何证明因为套壳行为导致了不当获利、如何证明具体的获利额度，这些问题都存在着一定的举证难度。“目前来说，这一类事情还处于一个灰色地带。”

秦朝进一步解释，所谓“借鉴”就是很难区分性质的套壳，一些开发者可能“借鉴”了不止一家企业，然后宣称是自研产品。除非是简单粗暴的纯套壳，不然很难去界定这一行为的恶劣程度。“而且大模型赛道发展速度极快，走法律流程下来可能要两三年，到那时技术都更新换代了。”

在技术圈语境下，自研是套壳的反义词。在叶知秋看来，如果一个模型团队宣称自己是全程端到端自研，势必会吸引业内同行审视的目光，未公开的套壳行为很难真正被掩盖。“一个开源的模型，其实一切信息都有迹可循，就是看业内人去不去挖掘而已。”

叶知秋进一步解释道，模型原研厂商都会在大模型组件中留下一些“标签”，当研发团队在发布论文时，这些“标签”就会被用以证明其采用了创新技术。因为一旦团队宣称这款模型是自研，那就需要说明，这款新的模型基于传统模型有什么不一样的地方。“如果没有，那大家必然会问，你的模型的架构是从哪来的？”

对于一些企业而言，套壳和自研的取舍，也往往伴随着成果产出的压力。另一位资深算法从业者向直面AI表示，借鉴架构/方案在业内并不稀奇，因为很多团队需要尽快解决0到1的问题。“在保留技术底线基础上，能有成果产出是最重要的。”

针对这一现象，叶知秋表示，一些头部企业虽然在其他领域实力雄厚，但在模型领域，可能在底层的训练逻辑上缺少经验和积累。对这些企业而言，充分利用开源技术套壳，可以更快完成从数据层面到模型层面的积淀。“像一些企业在某一领域的‘垂类’大模型，其实都有‘套壳’的成分在。”

“通过‘套壳’去做自己的开发，还是非常低成本高价值的。”作为从业者，叶知秋十分肯定开源为行业带来的积极影响。他认为，长期来看，单一企业很难在模型能力上建立壁垒，开源有助于整个行业的进步，实现更高的效率、更低的成本，去打造更多的模型能力。

关于开源时代的套壳争议，叶知秋表示，这些争议本质上还是跟企业的宣传口径有关，“用开源技术不丢人，前提是企业不要宣传是自研。”

（文中叶知秋、秦朝为化名）

本文来自微信公众号：直面AI，作者：李炤锋

本内容为作者独立观点，不代表虎嗅立场。未经允许不得转载，授权事宜请联系 hezuo@huxiu.com

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4577306.html?f=wyxwapp