中国开源模型成 AI 研究默认选择：50 万篇 arXiv 论文分析显示提及率反超美国

上下文理解开源模型推理优化模型评测对比开源工具部署开源项目本地化运行GitHub开源

2026-08-25 13:15

42 浏览

0 点赞

AI 速览

基于50万篇arXiv论文的统计分析，揭示中国开源大模型在学术研究中的提及率已反超美国，成为研究默认选择。核心事实 - 数据来源：Ai2科学家Nathan Lambert用Codex解析约50万篇arXiv AI/ML论文 - 统计口径：论文文本中明确提及使用的模型，覆盖cs.AI等五个核心类别 - 中美对比：中国开源模型提及率从2024年约10%升至当前约40%，美国模型停滞在25%-30% - 模型分布：Qwen占所有LLM提及论文的约三分之一，Llama在2025年4月达峰值后持续下降 - 趋势背景：提及任何LLM的论文占比从2023年1月的10.43%升至2026年4月的57.26% 价值点为关注开源大模型学术影响力和研究趋势的开发者、研究人员提供量化参考，反映中国模型在科研场景中的实际渗透情况。

8月25日消息，Ai2（艾伦人工智能研究所）研究科学家、Interconnects 作者 Nathan Lambert 公布了一项大规模统计：他用 OpenAI 的 Codex 解析了 ChatGPT 发布以来 arXiv 上的约 50 万篇 AI/ML 论文，追踪其中对各类模型的提及情况。结果显示，中国开源模型的论文提及率已升至约 40%，反超美国开源模型的 25% 至 30%，且仍在增长，后者则陷入停滞。

这项统计的口径是「论文提及」，即研究者在论文文本中写明使用了哪个模型。Lambert 本人提醒，论文发表通常大幅滞后于模型发布，因此这组数据更多反映此前一到两个发布周期的研究格局，而非当下实时的使用分布。

中国开源模型成 AI 研究默认选择：50 万篇 arXiv 论文分析显示提及率反超美国

从 10% 到 40%：论文提及率完成中美易位

这项分析覆盖 arXiv 五个核心机器学习类别（cs.AI、cs.CL、cs.CV、cs.LG、stat.ML）。2024年，约 30% 的论文提到美国开源模型，提到中国模型的只有约 10%。如今这一对比完全倒转：约 40% 的论文提到中国开源模型，美国开源模型停在 25% 至 30%。Lambert 据此判断，中国模型已成为学术研究的默认选择。

更大的背景是 LLM 对 AI 研究的整体渗透。提及任何 LLM 的论文占比自 2023 年以来持续上升：2023年1月为 10.43%，2025年10月达到 53.52%，2026年4月进一步升至 57.26%。2026年7月这一比例小幅回落至 53.14%，10月数据尚不完整。无论开源阵营内部如何此消彼长，过半 AI 论文已经在使用或讨论 LLM。

Qwen 占三分之一，Llama 峰值已过

单一模型家族中，阿里 Qwen 的增长最突出：在提及任何 LLM 的论文中，约三分之一提到了 Qwen。OpenAI 的闭源模型合计占比 37%，在单一模型家族中最高。这与中美开源模型的对比属于两个口径：前者按厂商家族统计，后者按国家汇总，不能直接比较大小。

Meta 的 Llama 在 2025年4月左右达到峰值，占提及任何 LLM 论文的约 30%，Llama 4 恰好也在那时发布，此后 Llama 的占比持续下降。DeepSeek 在 2025年1月发布 R1 后出现明显跃升。Google Gemma 和 Mistral 维持在 5% 至 10%；闭源的 Gemini 和 Claude 提及率为 10% 至 15%，落后于 Qwen、Llama 和 DeepSeek。Ai2 自己的完全开源模型 OLMo 自 2024年1月首次发布以来一直维持在约 1%。

提及不等于使用：这组数据能说明什么

Lambert 认为「开源模型应当且确实是开放研究的基石」，这组数据为他的判断提供了量化支撑：学术界做研究时，越来越多地以中国开源模型为底座。这组数据对全球学术界是好消息：低成本、可自由修改的研究工具供给在变多。对美国开源阵营则是反面的信号：Llama 4 未能延续这一系列在学术界的统治力，而中国实验室凭借 Qwen 的持续迭代和 DeepSeek R1 这样的节点性发布接管了增长。

论文提及反映的是学者在文本中写了什么，不等于下载量、实际部署规模或企业采用；统计只覆盖五个计算机科学类别，人文社科和企业场景的格局可能完全不同。加上论文发表的滞后性，当前 40% 的数字甚至可能还低估了中国开源模型在近半年新发布周期中的位置。这组数据能支持的结论是：在学术研究这一层，开源模型的供给重心已经转向中国；它不能支持「中国模型质量全面领先」这类更大的判断。

相关数据与 Lambert 的下载量、衍生模型统计一样，在 Interconnects Open Model Dashboard 上每日更新。

好文章，需要你的鼓励

# 报错信息分析与调试指南 ## 任务说明请分析用户提供的报错信息，推测可能的错误原因，并提供系统性的调试步骤。 ## 分析要求 1. **错误类型识别** - 确定是语法错误、运行时错误、逻辑错误还是环境配置错误 - 识别具体的错误类别（如空指针、数组越界、类型不匹配等） 2. **原因推测** - 基于错误信息中的关键线索进行合理推断 - 考虑常见的导致此类错误的编程场景 - 分析可能的代码问题或环境问题 3. **调试步骤** - 提供从简单到复杂的逐步调试方法 - 包括代码检查、日志添加、环境验证等具体操作 - 给出预防类似错误的最佳实践建议 ## 输出格式 - **错误类型**：[具体的错误分类] - **可能原因**： 1. [原因1] 2. [原因2] 3. [原因3] - **调试步骤**： 1. [步骤1] 2. [步骤2] 3. [步骤3] 4. [步骤4] - **解决方案**：[具体的修复建议] ## 示例 **输入**：【报错信息】 ``` TypeError: Cannot read property 'length' of undefined at processData (app.js:25:18) at main (app.js:10:5) ``` **输出**： - **错误类型**：运行时错误 - TypeError - **可能原因**： 1. 变量未正确初始化就被访问其 length 属性 2. 函数参数传递了 undefined 值 3. 异步操作中数据还未加载完成就尝试访问 - **调试步骤**： 1. 检查 app.js 第25行附近的变量声明和赋值 2. 在访问 length 属性前添加类型检查：`if (variable && variable.length)` 3. 使用 console.log() 输出相关变量的值确认其状态 4. 检查函数调用时传入的参数是否正确 - **解决方案**：在访问对象属性前先验证对象是否存在，或确保变量在使用前已被正确初始化。