性能領先、開源普惠、國產易獲取的三重勢能，造就了年初DeepSeek的技術平權狂熱，掀起AI普惠浪潮。

然而，當很多人想在端側部署DeepSeek模型時，卻遭遇了挑戰：部署滿血版大模型需數萬元硬件投入，退而求其次選擇蒸餾版14B版本，又會出現性能斷崖式下跌與響應延遲。

就在AI用戶陷入“高成本部署”與“低質量妥協”的兩難困境時，端側AI的破局時刻，悄悄被360打開了。

近期，360智腦團隊發布了最強14B推理模型：Light-R1-14B-DS，是業界首次在14B模型上復現強化學習效果。數學能力上，表現超過
DeepSeek-R1-Distill-Llama-70B和DeepSeek-R1-Distill-Qwen-32B。

盡管只訓練了MATH數據，但在GPQA科學常識評測中，7B/14B雙版本均超越對標產品，展現出“小參數大智慧”的泛化能力。

此外，配合360的全面開源策略（模型/數據/代碼/技術報告全開放），這場端側AI平權運動，意味著14B模型能在手機端流暢運行，意味著企業無需天價算力即可部署專業級AI。

AI端側民主化的風暴眼，正在醞釀之中。

我們第一時間研讀了360放出的技術報告，發現端側AI的技術拐點已經出現。360開源的Light-R1-14B-DS創造了三項行業紀錄：

一是能力復現。Light-R1-14B-DS首次在數學能力上，用14B 模型復現了強化學習效果，通過多階段課程學習SFT和強化學習，Light-R1-14B-DS的表現超過
DeepSeek-R1-Distill-Llama-70B和DeepSeek-R1-Distill-Qwen-32B，是目前最優的14B模型，這驗證了RL強化學習策略的有效性，RL對端側模型訓練的收益很大，仍有進一步挖掘潛力。

（Light-R1 訓練流程）

二是效率革命。Light-R1-14B-DS 經過長思維鏈強化學習后訓練，在AIME 24和25上分別取得了74.0和60.2的成績，數學部分表現超越DeepSeek的70B（72.6分）和32B（54.9分）蒸餾模型，取得了非常顯著的提升，這標志著推理能耗進一步降低。另一版本的Light-R1-7B-DS，無需量化即可端側部署。此次探索，在低成本復現 DeepSeek-R1方面邁出了重要一步。

三是泛化能力增強。Light-R1-14B-DS在科學常識評測GPQA上漲，打破了模型“災難性遺忘”的魔咒，具有較好的泛化性，開辟模型優化新路徑。

最強14B端側推理模型，撕開了DeepSeek 70B的性能封鎖線，端側AI迎來了規模化普及的拐點。不過，在AI與大眾之間，還差一個開源。

如果僅有技術突破，但沒有開源機制，那么端側推理模型再好，也無法被大眾輕松獲得、低成本用起來。

此次，360采取了全棧式的開源策略——模型權重、22萬條數學數據集、RL訓練代碼、技術報告等，都悉數公開。這種開源深度，遠遠超過了常規模型權重開放。

也就是說，中小團隊僅需極少算力，就能從數據清洗到強化學習全鏈路復現，完成端側AI的后訓練與部署。

端側AI的民主化，高度依賴于科技企業的開源策略，為什么說360此次開放端側推理模型很重要？

對企業來說，傳統端側AI部署，會面臨閉源模型高昂的授權費用（如OpenAI API調用成本）與硬件適配的邊際成本（需定制化芯片或服務器），成本難以承受。此前openai也發布過蒸餾版o1-mini，但高昂的訂閱費依然讓大量開發者望而卻步。此外，閉源模型存在不可解釋性風險，醫療、法律等行業因合規要求無法接受“輸入－輸出”不透明的AI決策。因此，Light-R1-14B-DS這樣低成本、全開源的國產端側推理模型，有望打消企業對AI的顧慮，輕松邁入智能化。

對個人來講，云端模型需要上傳數據，這會引發隱私泄露的顧慮。而在端側離線運行大模型，又對算力/內存有更高的要求，傳統端側AI需要旗艦級設備，買不起旗艦機，就用不到好AI，這形成了一種AI時代的“設備歧視”。

360開源最強14B端側模型，讓端側AI能力不再是少數機型的特權，也可以下沉到普惠機型上，為大眾所用。而用戶規模的擴大，也會推動AI應用及大模型產品的增長。

由此看到，360開源策略所帶來的技術民主化，可以激活AI的長尾需求，加速AI普惠的到來。

終端設備，是用好AI的載體。推理模型下沉到端側，應用空間也十分廣闊，打開了端側AI的無限想象空間。

預測一下，目前這兩個最強端側14B/7B推理模型，可能會首先落地在商業價值高的場景，然后一步步滲透進各行業。

首當其沖的，就是消費電子領域。智能手機、手表、平板、PC、眼鏡等終端設備，近兩年都在加速AI化。

但此前AI化有兩種方案：一是純端側，保證本地隱私安全，但內存要求高，功耗大；另一種是端云結合，部分任務上云處理。Light-R1-7B-DS無需量化即可部署于終端設備（如手機、IoT設備），標志著消費級硬件也能運行復雜AI任務。對比傳統需要32B以上參數的端側模型，其7B規模大幅降低內存占用和能耗。為AI終端帶來了更大的創新空間，比如在手機本地運行復雜數學輔導、法律文書解析等任務，解決隱私和延遲痛點。

360的技術突破與全棧開源，可以為消費電子領域的AI探索帶來非常有益的借鑒。

下一個就是重點行業、垂直領域。金融、政務、醫療、法律等數字化基礎較好的行業，積極擁抱AI，又希望在本地化運行專業級AI，避免敏感數據上傳云端，這就需要專有模型+后訓練，最強端側14B/7B推理模型可以大幅降低端側專有模型的訓練、推理等硬件門檻，加速行業智能化探索。

更進一步，傳統行業壁壘也將被端側普惠AI撕開。比如智慧城市治理，通過部署端側AI的邊緣智能計算，可以極大減少智能化的建設和升級運維成本；農業智能化，搭載14B模型的農業無人機，路線自動避障、精準識別地面等能力，都會隨著推理能力的增強而大幅提升。

通過端側AI的普惠路線圖，來進行推演，不難看到，360的技術突破與開源策略，一定會吸引大量行業開發者或個人開發者前來試用，與豐富的場景相結合，催生大量智能化的長尾應用。

也就是說，通過開源輕量級推理模型，360有望規避AI六小強在千億參數級的競爭。基于開源開放的技術公信力，構建開發者生態護城河。從這個角度看，360掀起的端側AI颶風，也將卷出一個大模型競爭的新格局。

端側推理模型的平權時刻已到，萬億級邊緣智能市場正蓄勢待發、乘風遠航。

審核編輯 黃宇