引言2026年8月AI圈經(jīng)歷了一場密集的“模型雨”· 8月1日DeepSeek V4 Flash正式版API上線小參數(shù)激活僅130億· 8月13日DeepSeek V4 Pro正式版轉(zhuǎn)正1.6萬億參數(shù)旗艦· 8月14日智譜發(fā)布GLM-5.3參數(shù)與GLM-5.2完全一致僅后訓練優(yōu)化· 8月15日阿里開源Qwen3.8-27B270億參數(shù)的稠密小模型?！?GLM-5.3 在參數(shù)不變的情況下編程能力暴漲50%· Qwen3.8-27B 僅憑270億參數(shù)就超越了自家前代更大的旗艦?zāi)Ｐ汀＿@讓人不得不問大模型的發(fā)展是不是已經(jīng)進入了一個“堆參數(shù)失效”的新階段一、小模型的“逆襲”后訓練是唯一變量GLM-5.3同一個基座換了個“腦子”GLM-5.3基座參數(shù)為7430億與GLM-5.2完全相同。所有提升全部來自后訓練Post-trainingScaling。結(jié)果· 編程能力較前代提升50%· Terminal-Bench 3.0從4.6分飆升至28.3分6倍增長· DeepSWE v1.1從46.2%提升至66.9%· CyberGym得分84.5%超過GLM-5.2的77.2%。更關(guān)鍵的是在Z.ai Code Bench上GLM-5.3用僅5萬tokens的輸出達到了31.4%準確率而Claude Opus 4.8用12萬tokens才拿到29.5%。同樣的身體更聰明的訓練方法更少的開銷更好的結(jié)果。智譜官方甚至說“可能智譜還遠未開發(fā)出這個基座的智能上界?！薄鶟摿h沒挖完。DeepSeek V4 Flash廉價版反殺旗艦V4 Flash總參數(shù)2840億激活僅130億。只靠重新做后訓練DeepSWE分數(shù)從預(yù)覽版的7.3%飆升至54.4%暴漲超過6倍。在Terminal Bench 2.1上得分82.7超過V4-Pro-Preview72.1和GLM-5.281.0。開發(fā)者實測反饋“flash的表現(xiàn)與pro預(yù)覽版非常接近但價格便宜太多了”一個130億激活的小模型硬是逼近了1.6萬億參數(shù)的旗艦。Qwen3.8-27B270億參數(shù)的“奇跡”僅270億參數(shù)的稠密模型整體水平超越Qwen3.7-Plus。Agentic terminal coding得分73.0前代63.4SWE-bench Pro 61.7前代53.5JobBench 33.4提升50%。而且量化后可在消費級顯卡上流暢運行。這些案例合在一起指向同一個事實決定模型最終能力的不再是參數(shù)大小而是后訓練的質(zhì)量。二、趨勢已經(jīng)明朗從“卷參數(shù)”到“卷后訓練”第一財經(jīng)“壹評級”精準點評“小參數(shù)基座 定向后訓練”的高性價比路線正在擊穿企業(yè)規(guī)?；涞氐某杀鹃撝低苿覣I產(chǎn)業(yè)從拼參數(shù)、拼算力的上半場進入拼落地、拼效率的下半場。這個判斷在8月的密集發(fā)布中得到了充分驗證。· GLM-5.3 證明了同一個基座還能再榨出50%性能· DeepSeek V4 Flash 證明了后訓練能讓小模型追上大旗艦這就像同一輛車不換發(fā)動機只優(yōu)化變速箱、控制系統(tǒng)和駕駛策略就能在賽道上跑出完全不同的成績。預(yù)訓練決定了智商下限后訓練決定了能力上限。三、是天花板還是換了一層樓回到最初的問題大模型的發(fā)展真的到天花板了嗎我的回答是預(yù)訓練的“天花板”確實越來越近但AI能力的“天花板”還遠未到來。區(qū)別在于· 預(yù)訓練堆參數(shù)——數(shù)據(jù)快吃完了算力成本失控邊際收益遞減· 后訓練優(yōu)化方法——才剛剛起步GLM-5.3、V4 Flash、Qwen3.8都證明優(yōu)化空間依然巨大。模型參數(shù)不再翻倍增長不意味著AI不進步。它只是換了一種進步的方式。從“卷參數(shù)”到“卷后訓練”從“暴力美學”到“精細耕作”——這才是2026年大模型發(fā)展的真正敘事。至于那些還在懷疑“大模型是不是不行了”的人不妨看看GLM-5.3的Terminal-Bench 3.0同一個基座不同的訓練方法4.6 → 28.36倍的差距。天花板更像是換了一層樓而樓梯才剛鋪好。