看了中国LLM讨论纪要，我的十一点感受 1. 国产模型过去依靠蒸馏追赶海外模型，现在这条路正在被逐渐堵死，反蒸馏已经从拒绝提供完整推理，发展到账号封禁、API降级和访问限制，数据获取成本大幅上升。 2. 蒸馏解决不了算力代差，700B模型蒸馏数万亿Token，效果仍然存在明显上限，模型规模越大越需要回到预训练和自主研发。 3. Coding Benchmark已经逐渐失去区分度，竞争将从刷榜转向完整研发任务，能不能自主完成需求、开发、测试、部署和维护，比单次代码生成成绩重要得多。 4. RSI的核心是AI能不能建立自我验证的反馈闭环。谁先让模型自主完成实验、验证结果、改进下一轮训练，谁就能突破研究员数量的限制。 5. 下一轮模型竞争的核心数据来自真实世界。互联网文本和代码已经不够稀缺，药物实验、临床数据、机器人轨迹、物理仿真才是真正的壁垒。 6. 开源模型的低价优势正在被闭源模型打破。Claude、Codex等产品已经下探到过去国产Flash模型的价格区间，开源模型真正剩下的优势是私有化部署、数据控制权和微调能力。 7. 国产模型正在遭遇打击：模型能力不占优，就无法提价；闭源模型持续降价，又无法维持价格优势；继续扩大参数规模，还要承担更高的训练成本。 8. DeepSeek与华为的合作值得关注。模型、算子、通信和芯片进行联合优化，是国产算力摆脱CUDA生态依赖的重要路线，但这也意味着更高的工程投入和更长的探索周期。 9. AI制药的价值不等于AI模型的价值。模型提高分子发现效率，真正的瓶颈仍然在实验、动物模型和临床验证，产业链价值会向CRO、CDMO及临床服务环节传导。 10. 海外CSP上架国产模型，不代表国产模型获得了高利润渠道，Bedrock上还有大量前沿模型和Amazon自研模型，流量分配、平台分成与推理成本才决定最终利润。 11. 模型公司的估值逻辑需要重新审视。过去市场愿意为参数增长、Benchmark提升和用户增长付费，现在必须进一步回答：模型能否形成独有数据壁垒，能否持续降低推理成本，能否在价格战中保持利润。