陈大年和他的“过路神仙”论：一个27B模型搅动大模型格局

出品 | 创业最前线

作者 | 许一心

编辑 | 闪电

美编 | 邢静

审核 | 颂文

2026年8月25日晚上，盛大创新院18周年老友聚会，48岁的陈大年站上台前。他已经很久没在技术圈公开露面了。

多年之后再次亮相，他抛出了一连串行业非共识。他直指目前以云端算力为中心的AI商业模式，是人类正在面对的最大规模的一次垄断：云端AI靠数据喂养，越多人用它就越强，越强就越不可替代，这个闭环一旦成型，几乎没有自行消解的缺口。

不过他并没有否认云端的价值。他的判断是，云端不会是人类运用智能的唯一方式，他更看好跑在每个人自己设备里的本地AI。

他管当前行业追逐的那些超大参数云端模型叫“过路神仙”，没有它，AI发展不到今天，要尊敬它、感恩它，但它大概率不是人类应用AI的终局模式。

五天后，他创立三个月的上海原点星辉科学技术有限公司(下简称：StartLux)发布了首款本地模型StartLux-V1.0-27B-Preview。参数量27B，能在消费级个人电脑上运行。中国信通院MCP专项测试中，它综合排名第二，仅次于1.6万亿参数的DeepSeek-V4-Pro，超过了参数量远高于自己的多个对手。

1、云端大模型，为何是“过路神仙”？

“过路神仙”这个说法，既有趣又带着陈大年特有的幽默感。敢这么说的底气，来自他对目前基于云端模式大模型发展范式的一套完整判断。

目前AI行业的绝对主流还是跑在云端的超大参数模型。这差不多是人类历史上正在进行的一次最大规模的技术豪赌，全球对云端AI的投入正在以万亿量级展开。

在这个量级的共识面前，陈大年偏偏敢抛出非共识。这是他一贯的特点：对事情非常有自己的想法，想清楚之后就一定要说出来。

他承认云端的功劳，没有超大参数模型的持续投入就没有今天的AI。他的问题指向的是这套模式覆盖不到的地方。

他的着眼点是眼下最热的赛道之一的AI办公：让AI操作你的电脑，处理本地的文件、邮件、合同、财务资料。大家默认的路径是把这些数据传到云端推理后下传结果，这看起来顺理成章。

（图 / 界面新闻）

陈大年偏偏觉得不顺理成章。

过去，行业里对“云即AI”的保留意见，几乎都集中在隐私上。陈大年看到的比隐私更远一步，他认为这件事从两头算账都不对。

比如，一个摄影爱好者，电脑里存着2个T的照片。“我可以把它传给Claude去帮我管理吗？我是绝对不愿意的。”

除了隐私账，还有体验账：2个T的数据持续上传、持续同步，带宽和时间成本就已经很难接受。

他替提供云侧AI能力的企业也算了账：“不但我不愿意，Claude都不愿意，传上去它收不了多少Token费，占用的带宽和存储却是海量，一个云端模型长期帮你管理大量本地数据，收益和成本完全倒挂”。

（图 / 界面新闻）

这才是他独到的洞察：跨过了隐私这个所有人都会提到的点，指出了一个更根本的结构性问题：高频的、贴着大量本地数据的任务，云端模式在经济上和架构上都撑不住。

邮件、文件、合同、研究资料，每天可能调用AI几百次，云端按Token计费，频率越高成本越重。

相反，本地部署之后，此后的边际成本接近于零。这当然取决于一个前提，当你和AI的协同，从偶尔问一句问题，变成每天持续协同工作的时候，成本结构的差异就是路径选择的分水岭。

陈大年的创业生涯其实一直在干同一件事：找到一个门槛，然后降低它。1998年他写了ENCounter帮人控制上网费用，和哥哥陈天桥创办盛大网络，他主持过盛大创新院，再后来做出9亿用户的Wi-Fi万能钥匙。

早年降的是上网费用，后来降的是网络连接门槛，这是他创业的肌肉记忆，而这一轮要降的，是AI的使用成本和数据控制权。

他的技术判断同样直接：参数无限堆叠存在巨大冗余，人脑功耗大约20瓦，大模型跑起来要数百万瓦，“机器凭什么比人烧这么多电，还不一定比人聪明？”

2、为什么各路人马都选了30B？

大多数人听到“本地智能”，脑子里浮现的还是手机上那些2B、4B的轻量模型。陈大年专门澄清过：端侧模型和本地模型是两件事。

（图 / 界面新闻）

端侧模型装进汽车、眼镜这类专用设备，是裁剪过的单点能力，应答单次指令就结束。本地模型跑在个人电脑和手机上，要求能力相对完整，要能长期连续地承担工作。

过去几年业界对“本地AI”的质疑，很大程度上来自前者带来的体验不完善，模型确实塞进手机了，跑起来了，但停留在简单的问答和轻量任务上。

现在再看行业动作，会发现一种不言声的默契：Google的Gemma 4中，31B的Dense版可在消费级显卡上跑，Meta开源了30B的Muse Glimmer，英伟达推出30B的Nemotron 3.5 Lightning，可在RTX PC上直接运行，国内面壁智能、阶跃星辰也在往终端走。

各家不约而同卡在了30B上下，这个数字绝对不是巧合，它是一台笔记本这样的消费级硬件刚好能承载和部署，本地模型能力开始从够用到好用的尺寸。巨头集体押注这个尺寸，说明本地AI已经进入主航道，至少是一种行业共识。

StartLux的野心不止于模型本身。他们要做一套完整的本地智能架构，把模型、工具调用、任务调度和记忆管理封装在一起，让AI像常驻助手一样长期运行在你的电脑上。它可以跑在Windows和macOS之上，在现有系统里充当AI这一层的底座，他们管这个叫“本地智能操作系统”。

做操作系统，可能是陈大年心里埋了很久的一个梦。2008年他主持盛大创新院时就推动过一个叫VisionOS的项目，请来了被称为“程序员之父”的潘爱民。那个项目没走下去，但做底层系统的念头一直留着。十几年后他找到了新的入口。

他们计划年内推出第一代解决方案，用户直接下载安装就能用。StartLux联合创始人兼CTO郭权玮给本地模式的成本优势起了个名字叫“Token自由”，这个意思不是一分钱不花，而是说，本地虽然有硬件设备和电力的开销，但模型不必每思考一次就向云端付费。他说，AI公司未来不一定靠卖Token赚钱，可以靠把一项工作真正做好来赚钱。

3、跟云端旗舰比一场

要证明本地模型“能干活”，最有说服力的方式就是直接跟云端旗舰比一场。

StartLux选择的对手是Claude Sonnet 4.6。目前很多人在办公场景下实际使用的云端模型。测试考的不是知识储备，而是模型在真实工作环境里的完成度。

在机票搜索任务中，面对“新加坡前往北京、限定日期、最便宜单程直飞经济舱、排除大兴机场”的要求，StartLux执行了12步操作、耗时1分31秒，找到299美元的合规航班；Claude经过21步操作、耗时3分42秒，给出的最低价格为556美元，机票价格贵了将近一倍。

当然，这个测试真正值得关注的，不只是最终答案。这里的精彩看点是，StartLux会继续检查数据完整性和条件符合度，发现问题后重新执行，这是这个模型能不能真正帮助用户在日常工作中完成闭环的重要能力。

例如，“排除大兴”是五个约束条件之一，模型在连续十几步操作之后仍然记得、仍然遵守。而很多长链条操作中，约束条件会随着步数增加逐渐被遗忘，守住每一个条件直到任务结束，需要模型对整个任务始终保持清晰的理解。

信通院MCP专项测试的成绩印证了这一点，StartLux的模型综合得分39.25列第二，和DeepSeek-V4-Pro差约1.3个百分点，超过284B的DeepSeek-V4-Flash和198B的Step-3.7-Flash。

当然，郭权玮也讲得很清楚：Agent能力接近万亿模型，不代表知识、代码、长文本、复杂推理全部打平。极端困难的任务，他会直接用最强的云端模型。

但是27B这个尺寸做出这样完成度的结果确实相当不易，那这个成绩是怎么做出来的？

StartLux以开源的Qwen3.6-27B为基座，做了一轮面向Agent能力的后训练。同一张榜上Qwen3.6-27B也参测了，StartLux比它高出5.34个百分点，3D设计提升近16个百分点，浏览器自动化约9.4，金融分析9.2，代码仓库管理略有下降。说明增强是定向的，有涨有落，但更可以说明结果没有人为优化或注水。

Qwen是全世界最成功的开源模型家族，谁都能用。那么StartLux的壁垒在哪？

郭权玮的回答是：难以复制的是一个越来越快的进化闭环。每次真实任务失败，回到数据、训练、评估，再回到运行环境验证，周而复始。做本地绕不开这一点，模型和它工作的整套系统得一起进化。

这体现在训练方法上。他们用了一套叫Auto Research的流程。郭权玮认为，用AI生成数据、做评估行业里不少人在做，真正的分界在于AI看完上一轮实验结果之后，能不能自己判断下一步值得试什么。只是搜超参数，那叫自动化；实验结果能改变下一轮研究方向，才叫Research。

硬件方面，Windows端需要24GB显存级显卡，Mac端推荐64GB统一内存。研发团队在64GB内存的Mac上测过，12组量化配置全部跑通128K上下文，Q4实测到262K。量化损失比很多人预想的小，Q4到Q8相比全精度，综合通过率变化在0.2个百分点以内。

这一切，已经把StartLux送到了起跑线上。

4、未来的大模型应用，会不会是各管一段？

陈大年的预测很惊人，他认为，三年内本地模型将打平Claude这样的云端旗舰，占据80%的AI个人端市场份额。

从技术的角度，郭权玮把这三年中的变量，拆成了三条同时在走的曲线：模型效率、消费级硬件能力、推理与Agent系统的效率。他指出：每条曲线都不需要突然提高十倍，三条叠加就可能带来质变。

StartLux的底层逻辑，不仅仅是AI应用的一个流派或范式，而是一个连续创业者基于对消费者习惯真实洞察来“猜”未来应用的终极形态，陈大年的思考里，未来大概率是两种智能各管一段。

极端困难、频率很低的重要任务留在云端；高频的、贴着个人数据的、需要长期连续运行的走向本地。他高度看好后者完全可以通过优秀的后训练、harness和硬件来闭环。

这个结论看上去很“小”，但是实际上它是在和那些投5万亿到10万亿去建云端设备的企业做一场博弈。

当然，它的前提是，本地智能已经不是云端的压缩版了。反而意味着更高的效率要求、更严的稳定性、更紧密的系统协同。这是另一套能力标准。

两条路都有可能通向AGI。按OpenAI的定义，AGI是在绝大多数具有经济价值的工作上达到或超过人类。陈大年的表述更有画面感：AGI不靠一个至高无上的“神”，要靠全球80亿人，每个模型都不够聪明，但千变万化、各有性格，才能不断突破。

至于八成市场，那要等三年之后，用户的最终选择才会给出最终的投票结果。

*本文数据来自客户提供的网页报道、brief和书面采访提纲的反馈。此外没有第三方数据。