華為盤古大模型涉嫌套殼阿里云 Qwen 大模型的風波，再次將模型 " 原研 " 與 " 套殼 " 的討論擺上了臺面。
回溯三年前，在 ChatGPT 剛剛開啟大模型航海時代時，那時候的套殼還停留在小作坊山寨 ChatGPT 的階段。調用 ChatGPT 的 API，接口再包上一層 " 中文 UI"，就能在微信群里按調用次數賣會員。那一年，套殼成了很多人通往 AI 財富故事的第一張船票。
同時，開始自主研發大模型的公司里，也不乏對 ChatGPT 的借力。這些企業雖然有著自研的模型架構，但在微調階段或多或少利用了 ChatGPT 或 GPT-4 等對話模型生成的數據來做微調。這些合成語料，既保證了數據的多樣性，又是經過 OpenAI 對齊后的高質量數據。借力 ChatGPT 可以說是行業內公開的秘密。
從 2023 年開始，大模型賽道進入開源時代，借助開源框架進行模型訓練，成為了很多創業團隊的選擇。越來越多的團隊公開自己的研究成果，推動技術的交流與迭代，也讓套殼開發成為了更普遍的行為。隨意之而的，爭議性的套殼事件也逐漸增多，各種涉嫌套殼的事件屢次沖上熱搜，隨后又被相關方解釋澄清。
國內大模型行業也在 " 套 " 與 " 被套 " 中，輪番向前發展著。
一、GPT 火爆的那一年：山寨 API 和造數據
回顧 AI 的進化史，今天我們看到各類大模型都源自同一個鼻祖—— 2017 年 Google Brain 團隊發布的 Transformer 神經網絡架構。Transformer 的原始架構和核心包括編碼器（Encoder）與解碼器（Decoder），其中，編碼器負責理解輸入文本，解碼器負責生成輸出文本。
如今，在大型語言模型領域依然采用三大主流 Transformer 架構：Decoderonly（如 GPT 系列）、EncoderDecoder（如 T5）和 Encoderonly（如 BERT）。不過，最受關注和應用最廣泛的，是以 Decoderonly 為核心的 GPT 式架構，并不斷衍生出各種變體。
2022 年 11 月，基于 GPT3.5，OpenAI 推出 ChatGPT，發布后短時間內獲取數千萬用戶，讓 LLM 正式登上公眾舞臺，也將 GPT 架構推為主流 AI 架構。隨著 ChatGPT 打響大模型時代第一槍，各大廠商紛紛涌入大模型研發賽道。由于 ChatGPT 無法直接接入國內用戶，一些小作坊也看到了套殼的牟利前景。
2022 年底開始，許多山寨 ChatGPT 在互聯網上涌現，此時的套殼基本不涉及任何二次開發，很多開發者直接包裝一下 API 就拿出來賣錢。
2022 年底至 2023 年，國內涌現數百個 ChatGPT 鏡像站，包括名噪一時的 "ChatGPT 在線 " 公眾號，運營者拿到 OpenAI API，再在前端加價售賣。這種低劣的套殼手段很快就被監管部門發現，"ChatGPT 在線 " 背后的上海熵云網絡科技有限公司，就因涉嫌仿冒 ChatGPT 被罰 6 萬元，成為首例 "ChatGPT 套殼 " 行政處罰。
另一方面，在同期發布的其他模型中，時常出現一些 "GPT 味 " 的回復，這些模型背后的企業也遭受了套殼質疑。
2023 年 5 月，曾有網友發現，訊飛星火大模型在有些問答中會出現 " 我是由 OpenAI 開發的 " 等內容，由此一則關于 " 訊飛星火大模型被質疑‘套殼 ChatGPT ’ " 的消息傳播開來。
這種情況并非個例，甚至 2024 年發布的 DeepSeek V3 也曾爆雷，有用戶反映其在測試中出現異常，模型自稱是 OpenAI 的 ChatGPT。相關企業對這類情況的解釋為，這可能是由于訓練數據中混入了大量 ChatGPT 生成的內容，導致模型 " 身份混淆 "。
互聯網公開信息中 AI 內容日漸增多造成的數據污染，確實是可能造成這些 "GPT 味 " 對話的原因。但另一種可能是，模型研發團隊在微調訓練過程中，主動使用了通過 ChatGPT 等 OpenAI 旗下模型構造的數據集，也就是所謂的 " 數據蒸餾 "。
數據蒸餾是大模型訓練中一種高效低成本的知識遷移方式，這里的邏輯就像是用一個強大的 " 老師模型 "（如 GPT-4）生成大量高質量問答數據，而后將這些數據喂給一個 " 學生模型 " 去學習。
事實上，在 GPT -3 之后，OpenAI 就徹底轉向了閉源，所以對于想要自研大模型的競爭對手而言，并無法在基礎架構層面套殼 OpenAI 的產品。這些企業或多或少也在模型技術上有一定積累，在架構層面紛紛推出自家的研究成果，但如果想要保證訓練質量，從更強的模型產品那里以借力的方式獲取數據無疑是一種捷徑。
雖然借力 ChatGPT/GPT-4 生成訓練數據是業內公開的秘密，但一直以來鮮有被披露的案例，直到那起著名的 " 字節抄作業 " 事件。2023 年 12 月，外媒 The Verge 報道稱，字節跳動利用微軟的 OpenAI API 賬戶生成數據來訓練自己的人工智能模型，這種行為實際上已經違反了微軟和 OpenAI 的使用條款。在此消息被披露不久，據傳 OpenAI 暫停了字節跳動的賬戶。
字節跳動方面隨后表示，這一事件是技術團隊在進行早期模型探索時，有部分工程師將 GPT 的 API 服務應用于實驗性項目研究中。該模型僅為測試，沒有計劃上線，也從未對外使用。按照字節跳動的說法，其對于 OpenAI 模型的使用是在使用條例發布之前。
對此，來自國內某頭部 AI 企業算法部門的葉知秋向直面 AI 表示，業內的普遍認知是，數據蒸餾不應該被認為是套殼。" 數據蒸餾只是一個手段，通過一個能力足夠強的模型產出數據，對于垂直領域（的另一個模型）去做加訓。"
加訓（Continual Training）是一種常見的提升模型性能的方法。通過在新數據上繼續訓練模型，可以使其更好地適應新的任務和領域。" 如果利用數據蒸餾做加訓算套殼，那這個技術就不該被允許。" 葉知秋解釋道。
2025 年的今天，大模型開發市場日漸成熟，直接調用 API" 山寨套殼 " 的模型產品已逐漸消失。在應用層面，隨著 AI Agent 領域的快速迭代，調用 API 落地的 AI 工具已經成為常態，如 Manus 這類通用 AI Agent 逐步進入市場，AI 應用層面的套殼已經成為了一種常見的技術手段。
而在大模型開發領域，隨著開源時代的到來，模型開發領域的套殼，又陷入了新一輪的爭論。
二、開源大模型時代：你用我用大家用
進入 2023 年，許多廠商選擇開源方式公布模型方案，用以刺激開發者群體對模型 / 模型應用的迭代。隨著 Meta 在 2023 年 7 月開源 LLaMA 2，標志著 AI 行業也進入開源時代。在這之后，先后有十余款國產模型通過微調 LLaMA 2 完成上線。同時，利用開源模型架構進行二次開發，也成為了新的套殼爭議點。
2023 年 7 月，百川智能 CEO 王小川回應了外界對旗下開源模型 Baichuan-7B 套殼 LLaMA 的質疑。他提到，LLaMA 2 技術報告里大概有 9 個技術創新點，其中有 6 個在百川智能正在研發的模型里已經做到。" 在跟 LLaMA 2 對比的時候，我們在技術的思考里不是簡單的抄襲借鑒，我們是有自己的思考的。"
就在幾個月后，國內 AI 圈迎來了另一場更洶涌的套殼風波。2023 年 11 月，原阿里技術副總裁、深度學習框架 Caffe 發明者賈揚清在朋友圈中稱，某家套殼模型的做法是 " 把代碼里面的名字從 LLaMA 改成了他們的名字，然后換了幾個變量名。" 事后證實，該信息直指零一萬物旗下的 Yi-34B 模型，開源時代的套殼爭議被搬到臺面上。
一時間，關于零一萬物是否違反了 LLaMA 的開源協議，在各大技術社區引發了激烈的爭論。隨后，Hugging Face 工程師 Arthur Zucker 下場對這一事件發表了看法。他認為，LLaMA 的開源協議主要限制了模型權重，而不是模型架構，所以零一萬物的 Yi-34B 并未違反開源協議。
事實上，利用開源模型架構只是打造新模型的第一步，零一萬物在對 Yi-34B 訓練過程的說明中也作出了解釋：模型訓練過程好比做菜，架構只是決定了做菜的原材料和大致步驟……其投注了大部分精力在訓練方法、數據配比、數據工程、細節參數、baby sitting（訓練過程監測）技巧等方面的調整。
2023～2024 年，AI 行業掀起一場 " 百模大戰 "，其中的國產大模型大約 10% 的模型是基座模型，90% 的模型是在開源模型基礎上加入特定數據集做微調的行業模型、垂直模型。套殼幫助大量中小團隊站在巨人的肩膀上，專注于特定領域的工程化和應用探索。
如今，在 Hugging Face 上按 " 熱度 " 排序檢索，以文本模型為例，DeepSeek R1/V3、LLaMA3.2/3.3、Qwen2.5 以及來自法國的 Mistral 系列模型均位居前列，這些開源模型的下載量在幾十萬到上百萬不等。這表明開源極大地促進了行業的進化。目前，Hugging Face 平臺上共有超過 150 萬個模型，其中絕大多數是用戶基于開源架構的衍生產物—— sft 微調版本、LoRA 微調版本等。
另一方面，隨著 LoRA 與 QLoRA 等輕量化微調方案面世，定向微調模型的成本也在不斷下降，為中小型團隊進行模型開發提供了有利基礎。麥肯錫在今年 5 月的一份調查顯示，92% 的企業借助對開源大模型的微調提高了 24%～37% 的業務效率。
2023 年以來，模型開發門檻因開源不斷降低，在迎來百模齊放的良好生態之余，也浮現出一些渾水摸魚的惡劣套殼行為。
2024 年 5 月，斯坦福大學的一個研究團隊發布了一個名為 LLaMA3V 的模型，號稱只要 500 美元（約人民幣 3650 元）就能訓練出一個 SOTA 多模態模型，效果比肩 GPT-4V。
但隨后有網友發現，LLaMA3V 與中國企業面壁智能在當月發布的 8B 多模態開源小模型 MiniCPM-LLaMA3-V 2.59（面壁小鋼炮）高度重合。在實錘套殼抄襲后，該團隊隨后刪庫跑路。該事件一方面反映出，國產模型憑借其優異性能也成為了被套殼的對象；同時，也再一次引發了業界對開源時代套殼合規邊界的思考。
對于 AI 行業而言，廠商通過開源以協作的方式可以對模型進行完善與優化，加速推動問題解決與技術創新。由于協作的工作模式和開放的源代碼，開源大模型的代碼具有更高的透明度，并且在社區的監督下，公開透明的代碼能更容易進行勘誤。
" 透明度 " 是促進開源社區交流進步的關鍵，而這需要二次開發的團隊和所有從業者共同維系。在 LLaMA3V 的案例中，斯坦福方面的研究團隊只是對 MiniCPM-LLaMA3-V 2.59 進行了一些重新格式化，并把圖像切片、分詞器、重采樣器等變量重命名。
原封不動地拿過來，并且作為自己的學術成果發布，相比起套殼，這更像是徹頭徹尾的抄襲。
所以，套殼的道德邊界，究竟是什么呢？
三、" 套殼 " 和 " 自研 " 的矛盾體
" 如果一個團隊沒有以原生模型的名義發表，就不能叫套殼，應該叫模型的再應用。" 談及套殼的定義，葉知秋這樣說道。在加入大廠項目之前，葉知秋曾參與過一些創業公司的開源項目。他判斷，業內有實力造基礎模型的企業只會越來越少，加速利用開源技術是行業發展的必然，" 畢竟核心技術上，只有那幾家公司有。"
葉知秋口中的 " 核心技術 "，指的是從零研發模型基礎架構，并落實預訓練流程的能力。相關報道顯示，國內目前有完整自研預訓練框架的大模型公司數量較少，僅有 5 家左右。能 " 造輪 " 的企業屈指可數，對此葉知秋的解釋是：" 一些企業也有實力投入基礎模型研究，但他們要考慮做這件事的收益。"
" 演化和加訓，嚴格來說和套殼是兩碼事。" 葉知秋表示，像 LLaMA 這樣的開源架構已經為業內熟知且熟用，很多成果都是在這一架構的基礎上演化而來的。但同時他也強調，套殼合規與否在于冠名問題，利用開源技術就需要在技術文檔中做出明確說明，" 如果你是在一個已經開源的模型上進行加訓，那就要在冠名和文檔中體現這一點。"
對于如何理解大模型非法套殼，知識產權法領域的法律界人士秦朝向直面 AI 分享了他的看法。他表示，一些惡劣的 " 套殼 " 行為雖然在社會輿論上引發很多反響，在法律視角上卻是另一回事。如何區分套殼和抄襲的界限、如何證明因為套殼行為導致了不當獲利、如何證明具體的獲利額度，這些問題都存在著一定的舉證難度。" 目前來說，這一類事情還處于一個灰色地帶。"
秦朝進一步解釋，所謂 " 借鑒 " 就是很難區分性質的套殼，一些開發者可能 " 借鑒 " 了不止一家企業，然后宣稱是自研產品。除非是簡單粗暴的純套殼，不然很難去界定這一行為的惡劣程度。" 而且大模型賽道發展速度極快，走法律流程下來可能要兩三年，到那時技術都更新換代了。"
在技術圈語境下，自研是套殼的反義詞。在葉知秋看來，如果一個模型團隊宣稱自己是全程端到端自研，勢必會吸引業內同行審視的目光，未公開的套殼行為很難真正被掩蓋。" 一個開源的模型，其實一切信息都有跡可循，就是看業內人去不去挖掘而已。"
葉知秋進一步解釋道，模型原研廠商都會在大模型組件中留下一些 " 標簽 "，當研發團隊在發布論文時，這些 " 標簽 " 就會被用以證明其采用了創新技術。因為一旦團隊宣稱這款模型是自研，那就需要說明，這款新的模型基于傳統模型有什么不一樣的地方。" 如果沒有，那大家必然會問，你的模型的架構是從哪來的？"
對于一些企業而言，套殼和自研的取舍，也往往伴隨著成果產出的壓力。另一位資深算法從業者向直面 AI 表示，借鑒架構 / 方案在業內并不稀奇，因為很多團隊需要盡快解決 0 到 1 的問題。" 在保留技術底線基礎上，能有成果產出是最重要的。"
針對這一現象，葉知秋表示，一些頭部企業雖然在其他領域實力雄厚，但在模型領域，可能在底層的訓練邏輯上缺少經驗和積累。對這些企業而言，充分利用開源技術套殼，可以更快完成從數據層面到模型層面的積淀。" 像一些企業在某一領域的‘垂類’大模型，其實都有‘套殼’的成分在。"
" 通過‘套殼’去做自己的開發，還是非常低成本高價值的。" 作為從業者，葉知秋十分肯定開源為行業帶來的積極影響。他認為，長期來看，單一企業很難在模型能力上建立壁壘，開源有助于整個行業的進步，實現更高的效率、更低的成本，去打造更多的模型能力。
關于開源時代的套殼爭議，葉知秋表示，這些爭議本質上還是跟企業的宣傳口徑有關，" 用開源技術不丟人，前提是企業不要宣傳是自研。"
（文中葉知秋、秦朝為化名）
本文來自微信公眾號：直面 AI，作者：李炤鋒
