IBM CEO Arvind Krishna 近日就企业级 AI 部署路径发表判断，称在企业内部部署开放权重模型具备显著价值，其性能与成本结构已足以支撑大多数常规任务。他指出，2024 年闭源前沿模型在性能上明显领先开源方案，基准测试中前沿模型可得 70 分，开放权重模型仅为 20 至 30 分。
这一差距在 2025 年末显著收窄。Krishna 给出的对比是，双方已从 70 分对 20 至 30 分变为 70 分对 50 分。与此同时，开放权重模型的 Token 成本降至前沿模型的 10％ 至 25％，有效性则达到后者的 90％。这意味着企业在多数场景下可以用约十分之一的推理成本获得接近前沿水平的模型能力。
Krishna 将这一变化描述为企业客户的成本决策问题：如果一种方案成本仅为顶尖方案的 10％，且有效性达到后者的 90％，企业是否愿意支付高出 10 倍的成本。他认为大多数企业会选择避免承担额外支出，并据此提出混合部署思路——绝大多数常规任务交由开放权重模型处理，仅少数高要求任务调用前沿模型。
该表态反映出企业 AI 采购逻辑正在从单纯追求模型能力上限，转向能力与推理成本的综合权衡。随着开放权重模型在基准表现和单位 Token 成本上同时改善，企业在模型选型、私有化部署与推理预算分配上的空间随之扩大，前沿模型供应商则面临以差异化能力证明溢价的压力。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
