开源 AI 的黄昏：Qwen 闭源收费背后，三大旗手都在抽梯子
一年前他们高举"开源普惠"大旗，一年后高端模型闭源、Qwen Code 开始收费。这不是背叛，这是剧本——Llama、Mistral、Qwen 三大开源旗手，正在用同一个剧本走同一条路。
一、发生了什么
2026 年 5 月，阿里巴巴发布 Qwen3.7-Max（HN 721 分/290 评论），定位 "The Agent Frontier"。同一时期，阿里悄然将 Qwen 高端模型转为闭源，并开始对 Qwen Code 收费。
时间线：开源承诺如何被回收
| 时间节点 | 事件 | 开源状态 |
|---|---|---|
| 2023.08-2025.09 | Qwen 全系列开源 | ✅ 开源权重 |
| 2025 年下半年 | Qwen3.5 开始收缩 | ⚠️ 旗舰不开源 |
| 2026.05 | Qwen3.7-Max | ❌ 完全闭源 |
| 2026.05 | Qwen Code 开始收费 | ❌ 停止免费使用 |
HN 用户 Frannky 在 4 月评论："I previously used Qwen CLI before they stopped the free usage." 免费时代正式终结。
Qwen3.7-Max 的技术亮点
- Artificial Analysis 智能指数：中国第一、全球第七
- 输出速度 208 tokens/秒，排名第三
- 35 小时自主运行，10 倍加速
- 专为 Agent 场景优化
越强的模型越不开源——"开源"变成了弱模型的标签。
二、三大开源旗手的路线分化
Meta Llama：限制性开源
- 权重公开下载 ✅
- Llama 许可证（非 OSI 认可）❌
- 月活 >7 亿需申请特别许可
- 带条件的免费，不是开源
Mistral：选择性开源
- 7B/8x7B 开源（Apache 2.0）✅
- Medium/Large 闭源 API only ❌
- 开源是诱饵，闭源是生意
Qwen/阿里：渐进式关门
- 2023-2025 全开源 → 2026 旗舰闭源 + Code 收费
- 用开源抢占份额，份额到手后变现
关键发现：开源甜点区正在上移
2023 年：72B 是开源旗舰
2025 年：72B 变成"中间档"
2026 年：只有 7B-14B 还在开源
强模型不再开源——这是已发生的事实，不是趋势预测。
三、为什么 AI 开源注定走向闭源
根本原因：训练成本的结构性不对称
| 项目 | 传统软件 | AI 模型 |
|---|---|---|
| 开发成本 | 人力（可摊薄） | 算力+数据（边际成本巨大） |
| 复制成本 | 近乎零 | 近乎零 |
| 竞争壁垒 | 品牌+网络效应 | 模型性能+数据飞轮 |
| 开源动机 | 建生态卖服务 | ❌ 对手直接用你的权重 |
训练 Qwen3.7-Max 可能花费数千万美元。开源后竞争对手零成本部署——商业上不可持续。
"开源"定义的文字游戏
| 标签 | 含义 | 代表 |
|---|---|---|
| 开源权重 | 可下载部署微调 | Mistral 7B、Qwen2.5 |
| 限制性开源 | 可下载但有商业限制 | Llama |
| 开放 API | 可调用但看不到权重 | GPT-4、Qwen3.7-Max |
| 开放研究 | 公布论文方法但不公开权重 | DeepMind 部分 |
四、谁是最大受害者
不是开发者，是开源生态本身
基准线在消失：研究社区只能用过时模型做对比实验
复现性危机：依赖闭源 API 的论文无法复现
供应商锁定：Qwen Code 收费只是开始，下次涨价切换成本已高
中国 AI 生态特殊风险：数据安全、定价权、替代选项稀缺
被低估的影响：蒸馏生态崩塌
Qwen 系列是大量中小模型（1B-14B）的蒸馏教师。旗舰闭源后：
- 蒸馏管道断裂（API 通常禁止训练竞争模型）
- 下一波小模型失去性能提升源泉
- "大模型教小模型"生态链断裂
五、三种未来
| 情景 | 内容 | 概率 |
|---|---|---|
| 开源社区自我造血 | 类 Linux 模式，独立训练竞争级开源权重 | 15% |
| 弱模型开源、强模型闭源成常态 ⭐ | 当前趋势延续，开源=营销手段 | 60% |
| 监管强制开源 | EU AI Act 或国内法规要求公开 | 25% |
最后堡垒
- DeepSeek：仍在开源旗舰，但可持续性存疑
- Google Gemma：开源小模型，旗舰闭源
- Ideogram 4：9.3B DiT 文生图开源
核心问题：训练成本谁来出？
六、开发者实操建议
短期
- 停止押注单一供应商的"免费承诺"
- 评估 Qwen 依赖度，测试替代方案
- 数据主权优先
中期
- 关注 DeepSeek 走向
- 投资模型切换能力（1-2 天内可切换）
- 参与开源社区贡献
长期
- 接受"AI 开源 ≠ 软件开源"的现实
- 建立私有化部署能力
- 关注法规走向
结语
当三大开源旗手在同一周期内从开源转向闭源，这不是巧合——训练成本太高、复制成本太低、竞争太激烈——三个条件下，"开源最强模型"不可持续。
真正的问题不是"Qwen 为什么闭源"，而是：
- 当所有强模型都闭源后，谁来维护开源基准线？
- 当"开源"变成"弱模型"同义词后，开发者为什么还要信下一个"开源承诺"？
- 梯子抽走之后，还在爬墙的人怎么办？
参考资料：The Batch @ DeepLearning.AI, 2026-06-06; HN #48205626 (721pts/290comments); HN #47854570; Artificial Analysis Intelligence Index
