118B干翻1.6T！参数竞赛彻底终结了

凌晨刷到Poolside发布Laguna S 2.1，我直接从床上坐起来。

118B总参数，MoE架构，每次只激活8B。 但它以4倍优势干翻了1.6万亿参数的DeepSeek V4 Pro Max。4倍。118B打1.6T。

SWE-Bench Pro得分59.4%，Terminal-Bench 2.1飙到70.2%。DeepSWE评测拿40.4%，DeepSeek V4 Pro Max不到10%。换赛道了。

Poolside研究员说："我们不是给模型加了更多智能，而是改进了行为——更多验证、更少想当然、不提前宣布胜利、更持久地推进。"

翻译成人话：不是你不够聪明，是你不够倔。

训练不到九周，花销仅为OpenAI一次实验零头。秘诀不是堆参数，是堆验证。

让我后背发凉的是，它宣告了一个时代的终结。过去三年AI竞争逻辑简单粗暴：谁有钱谁买GPU，谁GPU多谁堆参数，谁参数大谁默认更强。Meta刚出Q2财报，全年资本开支1300到1450亿美元，净利润下滑14%，自由现金流跌到7.84亿美元四年最低。1450亿美元堆出的壁垒，一个118B模型就撕开了。

但得冷静。Laguna不是全面碾压。SWE-bench Pro上，Kimi K3这个2.8万亿参数的中国开源巨兽仍领先它1.2个百分点。小模型能"点杀"大模型，论综合战力，大模型基本盘还在。这不是谁好谁坏，是技术路线在剧烈分叉。

Kimi K3开源后一周，昇腾950全系列、阿里云真武M890、海光DCU、摩尔线程全部完成适配。国产开源模型训练成本仅为美国闭源的1/5到1/6。 这不是补贴，是结构性效率优势。

参数竞赛终结了。竞争拐点从"谁有钱堆算力"转向"谁更聪明地设计架构"。比的是算法创新、训练策略、工程细节——中国人最擅长的螺丝壳里做道场。

问你一个问题：如果118B就能做出顶级编程模型，那中国在算力受限下被逼出来的效率方法论，会不会变成全球最稀缺的竞争力？答案在风里了。大不一定美，巧才是真的猛。

有启发就点赞收藏，转发给还在迷信"参数越大越强"的朋友。评论区聊聊，参数竞赛终结后下一个卷什么？我每条都看。关注我，每天聊AI最硬真相。