中国AI发展成就（2026）（一）🌱 入门

如果把2022年底ChatGPT的发布比作全球AI竞赛的"发令枪"，那么此后的三年多里，中国AI经历了一条从跟跑到并跑、再到部分领跑的突围之路。2026年，这条路到了一个关键的收获期：DeepSeek V4正式版在Agent基准上超越Anthropic Fable 5和Opus 4.8，Qwen3.8-Max在Agentic Index上以55.4分登顶全球第一，华为昇腾950超节点撑起了国产大模型的算力底座，中国开源模型在全球下载量占比首次超过美国。

这不是某一家公司的胜利，而是一条完整产业链的集体跃迁。从芯片设计到框架软件，从基础模型到行业应用，从政策引导到市场驱动，中国AI在2026年展现出"全栈突破"的独特格局。这一章，我们将从大模型、智能体、芯片、开源、产业、政策和国际竞争七个维度，梳理中国AI走到今天的关键成就。

需要强调的是，本章的叙述基于公开可查的事实和数据。中国AI的进步是真实的，但挑战同样真实。在为成就感到自豪的同时，我们也将客观分析差距与不足——唯有正视现实，才能走得更远。

一、国产大模型：全球第一梯队

大模型是AI时代的基础设施，也是各国技术竞争的制高点。2026年，中国大模型在性能、效率、开源和成本四个维度上同时发力，多家企业的旗舰模型在权威评测中跻身全球前列，部分指标甚至登顶世界第一。更值得注意的是，国产模型的突破已不再局限于语言模型单一赛道——从视频生成到语音识别、从多模态理解到图像创作，各个方向全面开花。

下面按语言大模型（LLM）、多模态大模型、视频/图像生成模型和音频模型四个类别，分别介绍2026年中国主要国产模型的核心参数与关键成就。

1.1 语言大模型（LLM）

语言大模型是AI技术的"基石"——所有对话、编程、推理、Agent能力都建立在它之上。2026年，国产LLM在编程竞赛、Agent基准和开源生态三个方向上同时取得突破。

表24-1 国产语言大模型（LLM）核心参数一览

DeepSeek V4是2026年最受瞩目的国产模型。4月24日发布的V4预览版包含两个版本：V4-Pro（1.6万亿总参数、490亿激活参数的MoE架构）面向极致性能，V4-Flash（2840亿总参数、130亿激活参数）面向高性价比部署。预览版就已经交出了亮眼成绩：在软件工程基准SWE-bench Verified上取得80.6%，创下开源模型最高纪录；在竞技编程平台Codeforces上以3206分超越GPT-5的3168分——这是国产模型首次在编程竞赛级别上击败OpenAI旗舰。

但真正的"代际跃升"发生在三个月后的正式版。7月31日，V4-Flash正式版（0731版）率先上线；8月13日，V4-Pro正式版（0813版）全量推送——两者架构和参数规模与预览版完全一致，仅靠后训练优化就实现了Agent能力的暴涨。在Terminal Bench 2.1（考AI在命令行终端独立完成任务的能力）上，V4-Pro从预览版的72.1分跃升至87.9分，仅落后全球第一的Anthropic Fable 5零点1分；在AI安全攻防基准Cybergym上，V4-Pro以83.3分反超Fable 5的83.1分；在软件工程基准DeepSWE上，分数从12.8飙升至62.7——接近五倍提升，超越了Anthropic上一代旗舰Opus 4.8的58.0分。V4-Flash正式版同样表现强劲：Terminal Bench 82.7分、DeepSWE 54.4分，Agent能力全面超越Pro预览版。

这意味着一个重要结论："训练效率"比"堆参数"更重要。传统观点认为，Agent能力（即AI自主规划、调用工具、多步推理的能力）主要依赖预训练阶段的规模。但DeepSeek团队发现，通过精心设计的强化学习和后训练流程，在不改架构、不加参数的前提下，就能让模型获得远超预览版的智能体能力。企业无需部署千亿级模型，也能获得接近旗舰水平的Agent能力——这对降低AI部署成本具有深远意义。价格方面，V4-Flash每百万tokens输入1元、输出2元，约为GPT-5.6的1/18；V4-Pro为输入3元、输出6元，约为GPT-5.6的1/5至1/7。两个版本形成"高频轻量任务走Flash、复杂推理任务走Pro"的清晰分层，直接拉低了全球大模型的使用门槛。

2026年7月，月之暗面发布Kimi K3——全球首个3万亿级参数的"真开源"模型。与以往只开源部分权重或延迟发布的做法不同，K3在发布当日即完整开放模型权重，上线Hugging Face后迅速登顶趋势榜。紧接着，智谱在6月以MIT协议全量开源GLM-5.2，在Artificial Analysis开源智能指数上拿下51分，一度领跑全球所有开源模型。这两次发布标志着中国开源大模型从"追赶开源"走向"定义开源"。

K3、GLM-5.2和Qwen3.8-Max的发布还具有更深层的行业意义。3万亿级参数的真开源，意味着中国在模型规模上不再保守——此前，业界普遍认为超大模型不会开源，因为开放权重意味着放弃竞争优势。K3打破了这一惯例，证明了"开源也能做大模型"。GLM-5.2选择MIT协议——这是最宽松的开源协议之一，几乎不限制任何使用方式——则向全球开发者传递了最大诚意的信号。而Qwen3.8-Max更进了一步：这是Qwen家族史上首次对Max级旗舰模型开放权重，此前所有Max系列都是API专属、权重封闭——连最旗舰的模型也不再"留一手"。这三次发布共同推动"真开源"（完整权重+宽松协议+即时发布）成为行业新标准。

在应用层面，百度ERNIE 4.5月活用户突破1亿，其配套的Unlimited OCR能力首发即登顶四大文字识别榜单。国产大模型正在从"技术验证"走向"规模化服务"。

1.2 多模态大模型

多模态大模型能同时处理文本、图像、视频等多种输入——不只会"读文字"，还会"看图片""看视频"。2026年，国产多模态模型实现了从"事后拼接"（先训练文本模型再外挂视觉模块）到"原生多模态"（从第一天就混在一起训练）的范式跃迁。

表24-2 国产多模态大模型核心参数一览

通义千问Qwen系列代表了中国开源模型的"长跑"实力。经过3.7、3.8多个版本的迭代，Qwen家族累计下载量在2026年突破10亿次，超越Meta的Llama系列，成为全球下载量第一的开源大模型家族。从0.5B到千亿级，Qwen覆盖了从手机端到数据中心的全部部署场景，成为全球开发者最常用的"基座"之一。

2026年8月3日，阿里发布Qwen系列迄今最强旗舰——Qwen3.8-Max。这是一个总参数2.4万亿、单次推理仅激活950亿参数的稀疏MoE模型，支持100万Token上下文和原生多模态（文本+图像+视频输入）。发布即在多个权威榜单上登顶：在Artificial Analysis Agentic Index第三方AI模型智能体能力评测榜单上以55.4分位列全球第一，超越Anthropic的Claude Opus 5和OpenAI的GPT-5.6——这是中国模型首次拿下该榜单冠军；在OSWorld-Verified考AI能不能像人一样操作电脑完成任务的基准上以86.1%登顶全球第一，超越GPT-5.6 Sol Max（83.2%）和Claude Fable 5（85.0%）；在PaperBench考AI能不能端到端复现一篇机器学习论文的基准上以93.0%同样位列所列模型第一。

更令人震撼的是Qwen3.8-Max展示的长周期自主编程能力。在阿里披露的内部测试中，Qwen3.8-Max在无人干预条件下连续运行约16天，从零开始自主开发了一个名为oh-my-cli的命令行工具项目——它自行接收用户需求、编写代码、运行测试、检查异常并修复，累计完成265次代码提交、127个Pull Request和151个Issue，全程没有一次人工提交。在另一项论文复现实验中，它连续工作约5天（125小时不间断），写下7600行代码、跑了33轮GPU训练，完整复现了论文的六项主要结论，并在AIME24数学基准上反超论文原方法2.7个百分点。

Qwen3.8-Max的另一项突破性决定是Max级模型首次开源。此前，Qwen的Max系列（3.5-Max、3.6-Max、3.7-Max）一直仅通过API提供服务，权重从不开放。8月12日，阿里在ModelScope社区正式开放Qwen3.8-2.4T-A95B模型权重，同时开源了适合本地部署的Qwen3.8-27B版本——这标志着Qwen从"全尺寸开源"走向"全档位开源"，连最旗舰的Max级模型也不再保留。配合从0.5B到2.4T的完整产品线，手机厂商用它做端侧AI，创业公司用它做SaaS服务，科研机构用它做学术研究——一个模型家族，覆盖了整个AI应用光谱。

2026年6月1日，MiniMax发布新一代旗舰MiniMax M3——国内第一个同时集齐"100万Token上下文+原生多模态+电脑操控"三大前沿能力的开源模型。M3采用了全新的稀疏注意力架构MSA（MiniMax Sparse Attention，自研的稀疏注意力机制，解决传统全注意力计算量随上下文长度平方级增长的问题），在100万上下文下每Token计算量仅为上一代M2的1/20，预填充阶段加速超9倍、解码阶段加速超15倍。在编程与Agent能力上，M3在SWE-Bench Pro（考AI解决真实软件工程问题的基准）上取得59.0%，小幅超越GPT-5.5和Gemini 3.1 Pro，接近Claude Opus 4.7；在Terminal Bench 2.1上拿到66.0分；在MCP Atlas（考AI调用工具的基准）上达74.2%。

M3最令人印象深刻的是其长程自主迭代能力。在CUDA算子优化任务中，M3连续工作约24小时，完成147次基准提交、1959次工具调用，将NVIDIA Hopper架构FP8矩阵乘法的硬件峰值利用率从7.6%推进至71.3%——实现9.4倍加速，且最优解出现在第145次提交，在此之前经历了多个性能平台期仍持续尝试。在论文独立复现任务中，M3自主运行近12小时，产出18次代码提交和23张实验图表，成功复现了ICLR 2025最佳论文的核心实验。更惊人的是，在PostTrainBench测试中，M3被给予4个仅有预训练基座的模型，在12小时内全程无人干预地完成了"数据合成→训练→评测→迭代"的完整闭环，最终综合得分0.37，紧追GPT-5.5（0.39）和Opus 4.7（0.42）。

M3的原生多模态能力也值得关注——它从预训练第一步就进行文本、图像、视频的混合训练（而非事后外挂视觉模块），在多模态文档理解基准OmniDocBench上超越Gemini 3.1 Pro，并能直接操控电脑桌面完成跨应用操作。MiniMax计划在发布后10天内开放模型权重，使M3成为目前唯一同时具备1M上下文、前沿编程能力和原生多模态的开源模型。价格方面，MiniMax Token Plan三档订阅分别为Plus 49元/月（6亿Token）、Max 119元/月（18亿Token）、Ultra 469元/月（55亿Token），约为Claude订阅的15倍用量。

在C端应用层面，字节跳动豆包以3.45亿月活稳居国内C端AI应用用户规模第一。豆包背后是多模态MoE架构的持续迭代——它不仅能对话，还能看图、理解视频、生成内容，是国产多模态模型从"技术验证"走向"全民日用"的典型代表。

1.3 视频/图像生成模型

如果说语言模型比的是"谁的脑子好使"，那么视频和图像生成模型比的就是"谁的手最巧"。2026年，国产视频生成模型在分辨率、时长、可控性和性价比四个维度上全面追赶甚至超越海外旗舰，图像生成模型则在专业设计工作流上取得了突破性进展。

表24-3 国产视频/图像生成模型核心参数一览

2026年7月31日，MiniMax发布新一代通用全模态生成模型MiniMax H3，并于8月3日正式开源——这是首个综合能力达到闭源头部水准的开源视频模型。H3能统一理解由文本、图像、视频和音频构成的多模态上下文，生成最高2K分辨率、最长15秒、带有原生立体声音频的视频。在权威的Artificial Analysis视频模型榜单中，H3的视频编辑能力以1130的Elo评分位列全球第一；在带音文生视频和图生视频榜单中均位居全球第二。H3还支持最多12个多模态素材混合输入（如9张图+3段视频+3段音频），创作者可以通过自然语言描述复杂关系，实现参考图生视频、视频续写、动作迁移等高级功能。

H3的性价比同样引人注目：2K分辨率视频生成价格仅为0.8元/秒，不到业内同类旗舰闭源模型价格的三分之一。开源后24小时内，华为昇腾、摩尔线程、沐曦、海光信息、昆仑芯、AMD、Intel等国内外芯片厂商，以及Hugging Face、魔搭ModelScope、ComfyUI等开发社区均完成了Day 0适配——开源生态的成熟度正在成为衡量竞争力的关键指标。社区实测仅需12GB显存的消费级显卡（如RTX 3060）即可运行480P到720P的视频生成，极大降低了本地部署门槛。

同日发布的字节跳动Seedance 2.5走出了与H3截然不同的技术路线。Seedance 2.5将单次视频生成时长从15秒提升至30秒——这是AI视频生成领域的一个里程碑，此前大多数模型的上限仅为5到15秒，创作者不得不反复剪辑拼接。Seedance 2.5还支持单次输入最多30张图片、10段视频、10段音频作为参考素材，并支持精确到1秒内的时间戳控制和局部帧的添加、删除、替换。有评测将其形容为"第一款感觉不像创意玩具、而像生产工具的AI视频模型"。Seedance 2.5与H3"旗鼓相当、性格迥异"——Seedance更像一台听话的虚拟摄影机，能精准执行镜头指令；H3则更像一个懂成片的后期组，优先保障整体质感与画面一致性。

在图像生成领域，字节跳动于7月8日发布Seedream 5.0 Pro——一款面向专业设计工作流的旗舰图像模型。其最大亮点是图层分离：模型不再只输出一张合并的平面图，而是将文字、主体、背景、装饰元素拆分为10层以上的独立透明PNG，设计师可以单独调整某一层而不影响其他部分——这拉近了AI生成与生产设计流程之间的距离。Seedream 5.0 Pro还支持14种语言的文字渲染（包括阿拉伯语右向左排版），原生2K输出（2048x2048），约2.1秒即可生成一张图，速度约为GPT Image 2的2倍、价格约为其1/4。

快手的可灵Kling 3.0系列于2026年2月发布，主打角色一致性、智能语义分镜和音画强同步三大突破，较2.5系列整体提升约35%。3.0系列包含基础版、Omni（专业顶配，支持原生4K）和Turbo（高性价比高速版，最高1080p）等多个版本，覆盖从专业影视到日常自媒体的创作场景。6月推出的Turbo版进一步降低了生成成本和等待时间，面向需要批量迭代的普通创作者。

1.4 音频模型

音频是AI感知世界的"耳朵"和"嘴巴"。2026年，国产音频模型在语音识别（ASR）（人话：把人说的话转成文字）、语音合成（TTS）（人话：把文字变成人说话的声音）和端到端语音对话三个方向上取得重要突破，多个模型在中文识别精度上全面超越OpenAI的Whisper。

表24-4 国产音频模型核心参数一览

2025年4月，月之暗面开源Kimi-Audio——一个7B参数的通用音频基础模型，被称为音频领域的"六边形战士"。它在超过1300万小时的多样化音频数据上预训练，用一套权重同时搞定语音识别、语音合成、语音情感识别、声音事件/场景分类、音频问答和端到端语音对话六项任务。在语音识别基准LibriSpeech上，Kimi-Audio以1.28%的词错率刷新纪录；在语音情感理解任务MELD上以59.13分超越所有同类模型。传统音频模型往往专精单一任务——开发者需像拼乐高般组合多个工具，而Kimi-Audio用三层架构（音频分词器+音频大模型+音频去分词器）统一了全部流程。代码采用MIT开源协议，24小时内在GitHub收获3.2万星标。

阿里达摩院的FunASR家族则是目前生态最完整的国产语音识别工具链，MIT协议开源，主力模型有三款。SenseVoice（234M）是非自回归模型——不逐字生成、而是一遍前向同时给出转写、语种、情感和音频事件标签，GPU上约170倍实时、CPU上也能约17倍实时，q8量化后仅约250MB，是CPU部署和边缘设备的首选。Paraformer（220M）是最轻量的中文识别模型，提供字级时间戳和热词定制，中文CER（字错误率，越低越准）约2.8%，做字幕或需要逐字对齐时用它最合适。Fun-ASR-Nano（800M）是2026年4月最新发布的旗舰，支持30种语言加七大方言20种口音，方言场景错误率降低了56%。2026年6月，官方还放出了llama.cpp/GGUF运行时——一个可执行文件就能在CPU和边缘设备上跑，基本等于给Whisper.cpp提供了中文替代方案。

2026年1月开源的Qwen3-ASR有0.6B和1.7B两个尺寸，支持52种语言，效率惊人——0.6B版本10秒就能处理5小时音频，在vLLM加速下约340倍实时。小红书的FireRedASR则走"精度信仰者"路线：8.3B版本（基于Qwen2-7B）在四个公开中文测试集上平均CER仅3.05%，是目前开源中文识别的最高精度；2026年2月又发布了FireRedASR2S，将ASR、VAD、语种识别、标点预测四个模块打包成一整套系统，在24个公开测试集上全面超过豆包、Qwen3-ASR等对手，普通话平均CER 2.89%。不过8.3B版本需要33GB硬盘和32GB内存，消费级电脑跑不动——更适合对精度有极致要求的企业场景。

纵观2026年的国产大模型格局，有五个趋势尤为清晰。第一，MoE架构成为标配——从DeepSeek（1.6T/49B）到Qwen3.8-Max（2.4T/95B）再到MiniMax M3（MSA稀疏注意力），几乎所有旗舰模型都采用了稀疏混合专家或稀疏注意力架构，在参数规模和推理成本之间找到了平衡点。第二，开源成为默认选择——与美国的闭源趋势相反，中国头部模型团队大多选择开源核心权重，连Qwen3.8-Max这样的旗舰Max级模型和MiniMax H3这样的视频生成模型也不再保留，用生态影响力换取商业回报。第三，Agent能力成为新的竞争制高点——Qwen3.8-Max在Agentic Index上以55.4分登顶全球第一，DeepSeek V4-Pro-0813在Cybergym上反超Fable 5，MiniMax M3连续24小时自主优化CUDA内核，国产模型已不再只比"考试分数"，而是比"谁真能把活干完"。第四，多赛道全面突破——不再只有语言模型单打独斗，视频生成（MiniMax H3、Seedance 2.5）、图像创作（Seedream 5.0 Pro）、音频理解（Kimi-Audio、FunASR家族）各自交出了世界级成绩单。第五，价格战驱动普及——DeepSeek V4-Flash将API价格降至约为GPT-5.6的1/18，MiniMax H3的2K视频生成不到闭源旗舰的1/3，倒逼整个行业降价，让AI从"奢侈品"变成"日用品"。这五个趋势共同作用，使得2026年成为中国大模型从"技术突破期"迈入"生态成熟期"的关键节点。