国产模型在于「雕」，海外模型在于「怼」（1109） 就像股价沿着阻力最小路径演

国产模型在于「雕」，海外模型在于「怼」（1109） 就像股价沿着阻力最小路径演进，技术迭代也是。 国内「雕」即雕花，雕的原因在于算力不足，「雕」就是最小阻力路径。MiniMax模型训练者有这么一个发问“如果你有无限算力，你会选择研究Linear /Sparse Attention吗？”由于MoE已成共识，所以Transformer架构里最值得「雕」的是Attention模块 ，这也是国内发力重点。DeepSeek V3.2使用Sparse（稀疏）Attention，选择出“值得算”的token计算；阿里Qwen3-Next、Kimi Linear采用混合注意力，Linear（线性）+Full Attention，且比例都是1:3（共识）。 海外「怼」在于怼算力+数据，不受算力限制+融资手段丰富，「怼」就是最小阻力路径。数据上，从Scale AI、Surge AI等数据标注公司的10亿美金级别年收入能看出来；算力上，看OpenAI的30+GW、xAI的20万+集群就行。 国内Attention的优化是不是一条终极路径，目前没法下结论。MiniMax在M2模型中，放弃了上一代M1模型混合Attention，再次回归到Full Attention，原因是发现在处理复杂的大规模多跳推理任务，混合Attention效果不好。究竟是混合Attention不行了，海外怼算力才是“终局”，还是说混合Attention提升后更好，这个只能 走一步看一步 。但是目前对于国内算力现状来说，Attention优化或是当下最适合的路径 。 无需担心算力和存储需求，国产算力依然应坚定。诚然每次国产模型更新，都不可避免”提效“：DeepSeek V3省算力成本，Kimi K2 Thinking采用Int 4 大幅减少显存和延迟（CNBC的460万美金训练成本，非官方信息）；稀疏Attention少“算”，线性减少“算+存”。不能直接的认为利空算力、存储 ，而是要看到”省“的本质——在于供给不足、需求太多。那提效后，必然会被更多需求拉升需求总量。国产算力的支持，从DeepSeek V3.1、K2 Thinking都能明显看到针对国产算力的优化，依然应坚定。