1. 为什么我们会产生“只有中美有大模型”的错觉1.1 流量和融资抢走了存在感过去两年你只要打开科技新闻满屏都是OpenAI、Google、Anthropic再往下就是国内几家头部厂商的发布会。媒体和投资人天然追逐那些“听起来能改变世界”的故事估值榜、融资额、聊天机器人用户数这些数字最能抓眼球。相比之下欧洲、日本、韩国的大模型企业很少主动喊出“我们要挑战GPT”这种口号融资体量也不是一个量级自然就退到了公众视野之外。我在行业群里也观察到一个很有意思的现象每次有人问“欧洲有没有自己的大模型”评论区总会有人提到Mistral但问到日本和韩国很多人只能勉强说出“好像有Naver”。至于这些模型到底做了什么、跑在什么场景里、开源还是闭源大部分朋友都是模糊的。这种“没有存在感”的结局更多是被关注度筛选出来的而不是被技术实力筛选出来的。1.2 技术圈的信息渠道天然偏科另一个原因是技术信息本身有很强的地域性。英文社区以Hugging Face、GitHub、Arxiv为中心模型榜单、论文、demo基本围绕英文和中文语料中文社区更不用说天然关注国内产品的迭代。日文、韩文、法文、德文圈的模型评测、技术博客、商业案例很少被系统性翻译到英文再流回中文语境等于这些成果从源头上就被屏蔽了。更让人头疼的是语言本身的门槛。日语模型的评测要看Japanese LM Benchmark韩语模型要看KoBEST、HAE-RAE这类数据集德语社区则习惯自己做评估这些信息分散在各语种的博客和学术机构里。我几次尝试去追踪NTT、Naver、LG的模型更新都得靠日韩同事帮忙整理卡点否则很容易被搜索引擎里的过时新闻带偏。1.3 “通用大模型”不等于“大模型产业”说句公道话欧日韩确实没有出现类似ChatGPT那种面向全球用户的超级入口但这不代表它们没有大模型产业。美国和中国的大模型天然沿着“通用AGI”叙事生长先做大底座再通过对话、助手、办公场景覆盖所有人而欧洲、日本、韩国的玩家从第一天起就在思考一个更实际的问题某个行业、某类语言、某类私有化环境值不值得专门搞一个大模型。所以你会看到Mistral先做的是在本地可跑的7B模型NTT盯着日语和边缘计算Naver绑定搜索和云LG往材料、生物等垂直领域探索。它们不是没有技术而是选择的赛道不同。想判断一个经济体有没有大模型产业不能只看有没有“网红聊天机器人”而要看它在企业服务、行业模型、开源生态里扎得有多深。2. 欧洲Mistral把开源做成招牌德国人执着于“可控AI”2.1 Mistral真正触动我的几个选择法国Mistral应该是欧洲最出名的大模型公司2023年成立创始团队来自DeepMind和Meta背景相当硬。但让我觉得有意思的不是它的参数规模而是产品策略当美国巨头拼命堆参数、不做开源时Mistral一口气放出了7B和MoE架构的8x7B模型走Apache 2.0协议允许你随便下载、商用、修改。这个策略精准打在了算力有限的困境里。欧洲创业公司没有那么多GPU和微软那种云资源如果去跟GPT-4拼通用能力早已被消耗死了。Mistral把目标锁定在“能在企业内部跑起来”的模型上直接拉拢了一批关注数据隐私的企业客户。实测一下你会发现Mistral 7B在大部分推理任务上确实不如几百B的大模型但部署成本低太多两三天就能用Ollama跑起来这对中小团队非常友好。Mixtral 8x7B则是另一个亮点它用MoE把总参数拆成多个专家模块推理时只激活一部分成本和延迟都能降下来。实际跑下来的感觉是它在代码和推理任务的表现明显好于同体积稠密模型甚至有了“以小博大”的意思。后来Mistral又推出Mistral Large、Small等闭源API产品接入了主流云平台相当于开源立品牌闭源做收入。2.2 Aleph Alpha和“主权AI”到底在做什么德国这边Aleph Alpha是绕不开的名字。这家公司最早搞了一套“Luminous”系列模型后来把重心转移到面向政府和大型企业的高可控AI平台。如果你第一次听说它可能会觉得这名字很德式又硬又不讨巧。但德国市场就是吃这一套政府、银行、制造业客户把“数据不出境、模型可解释、流程可审计”看得比基准分更重要。Aleph Alpha反复强调的“主权AI”其实可以理解成“AI自主可控能力”。它不追求在公众聊天里刷屏而是做了一个支撑私有化部署的中间层让客户能在一个受信环境里调用模型能力。这种思路在欧洲特别吃香因为很多组织不敢直接把敏感数据丢给美国云需要一套能在本地、甚至在自有数据中心里运行的大模型基础设施。2.3 DeepMind伦敦、Silo AI等欧洲还有哪些隐藏力量除了这些明星创业公司欧洲还有很多机构级玩家。比如Alphabet旗下的DeepMind总部其实在伦敦虽然它更多以AlphaFold、AlphaGo这类研究成果被人记住但底层技术和工程能力确实撑起了欧洲AI的一角。严格说DeepMind不是独立企业但它对欧洲人才生态的贡献不容小觑很多欧洲大模型公司的创始骨干都从DeepMind跳出来。芬兰的Silo AI则是一个典型的综合性AI实验室专门帮企业落地定制大模型和机器学习方案2024年被AMD收购后成了芯片厂商在软件生态上的重要一环。它的路线不太像“自己造GPT”更像是“帮别人安全地用上GPT”。奥地利、荷兰、瑞士也有多家NLP公司长期深耕文本挖掘、知识图谱和企业搜索这些企业在行业里的口碑往往比公开认知度高得多。2.4 欧盟AI法案给模型落地带来的实际影响聊欧洲大模型绕不开欧盟AI法案。这个政策框架给高风险AI系统提出了更严的透明度、数据治理和可解释性要求。虽然有些人抱怨监管拖慢技术迭代但站在行业角度看它也逼着欧洲大模型企业把“合规能力”做成了核心竞争力。在欧洲做项目客户第一个问题往往不是“你的模型能考多少分”而是“数据存储和日志在哪里”。这种环境下纯粹堆参数的模型反而很难卖因为没人敢在监管高压下用一个黑盒。所以欧洲大模型公司的产品设计里普遍带有审计日志、中文档、权限管控等模块这些都是美国AI产品不太重视的细节。就我接触到的海外客户来看这种“合规优先”的设计反而让欧洲模型更容易进入金融、医疗、政务这类强监管领域。3. 日本更低调的“企业私有化”路线NTT和PFN是典型代表3.1 NTT的tsuzumi像是专门为日语和边缘计算生的日本NTT在2024年推出了自研大语言模型tsuzumi名字是日本传统乐器“鼓”。这个模型的定位非常日本不是做成一个“最强AGI”而是强调日语理解能力好、可以在低算力设备上运行、适合嵌入企业内部系统和边缘端。我研究过tsuzumi的技术资料它的核心卖点在于对日语语义的把握。日语里有大量敬语、助词、上下文省略和暧昧表达直接套用英文模型的效果一直不理想。NTT用大量高质量日语语料做了强化让模型能处理日本商务场景里的邮件、会议纪要、客服对话。再加上NTT原本就是通信运营商对网络和边缘设备很熟所以tsuzumi被打造成“能塞进路由器旁边小型服务器”的轻量模型这在日本企业里需求非常明确。3.2 Preferred Networks和PLaMo用工业AI的底子做基础模型Preferred Networks简称PFN在日本AI圈地位很高。它早期靠自研深度学习框架和应用项目起家深度绑定了丰田等制造企业在机器人、自动驾驶、工业检测这些方向积累了非常多经验。PFN后来推出PLaMo系列模型名字也有点“玩法”味道听上去像日语里的“塑料模型”プラモデル就是那种能自己拼装的模型暗示用户可以自由定制。PLaMo特别强调日语能力和对日本社会文化语境的适配同时考虑了企业本地部署需求。因为PFN不是纯互联网公司它对“模型进工厂”这件事有更深理解工业客户更关注稳定性、低延迟、可重训而不是聊天时候的“文采”。这种把制造业逻辑融入LLM研发的模式是我认为日本大模型最有特色的地方。3.3 大厂与初创的并列NEC、富士通、Rinna、Stockmark除了NTT和PFN日本还有一批企业值得关注。NEC过去在自然语言处理上有很深的积累后来也围绕日语大模型推出了面向政府和企业的人事、法务、呼叫中心方案富士通则偏向系统集成把大模型嵌进自己的数字化转型业务里。浪潮式的宣传不多但在客户名单里一直很活跃。初创公司方面Rinna做了很多开源日语对话模型长期在开源社区维护权重Stockmark则是专注日语预训练模型的小团队他们的方向是帮企业用私有语料做微调。日本市场有个特点大型企业长期依赖系统集成商采购链路长所以初创公司往往靠轻量级开源权重吸引开发者再由集成商把产品卖进大公司。这个生态虽然不算激进但比想象中更有活力。3.4 LLM-jp与ABCI超算国家级项目如何补位日本政府也意识到大模型不能只靠企业单打独斗于是有了LLM-jp这个联合研究项目。它由产业技术综合研究所AIST领头联合东京大学、京都大学等高校以及多家企业共同开发开源日语模型还顺带做了一套日文评测数据集和语料库。这个项目的价值不在于某个模型突然成为世界第一而在于把分散在高校和产业界的日语NLP资源重新聚合起来。ABCI超算则扮演了“算力底座”的角色。AIST运营的ABCI系统对企业和研究机构开放为日本大模型训练提供了稳定算力池。相比美国那种超大规模集群ABCI在绝对算力上不算顶级但胜在准入机制灵活、配套设施完整很多日本创业公司的模型都是在上面训练出来的。这种“国家级算力高校研究企业落地”的组合很符合日本的做事风格。3.5 为什么日本大模型企业偏爱本地部署我在和日本客户打交道时发现他们对“云端开放API”的接受度远低于中美市场。很多日企认为把客户数据放到外部云上本身就不可接受哪怕供应商承诺“数据加密”“合规安全”。这种心态和日本社会对隐私的高度敏感有关也和日企内部严格的采购审批制度有关。因此日本大模型企业几乎都在往私有化部署方向发力强调“模型文件下载下来放在自己的服务器里跑”。这种偏好直接影响到模型设计日本模型往往参数适中能用较少的推理资源跑起来还会提供详细的运维工具、文档和本地RAG方案。从技术选型角度来看日本市场对“可落地”的重视程度明显高于“能不能考高分”这也导致日本模型在公开榜单上不太耀眼但在企业内部表现得非常稳。4. 韩国Naver、LG、SK用数据优势打了一场阵地战4.1 Naver HyperCLOVA韩国搜索霸主的另一张底牌如果韩国要选一个“最像中国互联网大厂”的企业那一定是Naver。它是韩国搜索的绝对头部还运营着LINE、博客、购物、金融、云等庞大生态。Naver在大模型上的布局叫HyperCLOVA其中HyperCLOVA X是面向搜索、商务、企业知识库等场景的系列模型。HyperCLOVA X的独特之处在于它和Naver搜索生态深度绑定天然适合做检索增强生成。韩国用户搜索习惯高度依赖Naver模型可以直接调用Naver的知识图谱、新闻、用户生成内容这种“搜索大模型本地服务”的组合让Naver在面对全球通用聊天机器人时拥有了本土优势。Naver Cloud还提供GPU基础和部署服务等于从模型到云转身就是一条完整链路。4.2 Kakao与LG社交场景和集团研发中心的分工Kakao曾经通过AI子公司Kakao Brain推出了韩语大模型KoGPT系列还和开源社区合作过很多轻量模型。后来Kakao Brain被整体整合回母公司模型研发从单独科研机构变成了产品部门的支撑点。Kakao的优势在于几乎每个韩国人都在用KakaoTalk对话数据、社交场景、客服频道都是现成的AI落地场景。LG则是另一条路线。LG AI研究院推出EXAONE早期主攻材料、化学、生物研究辅助后来逐步开放到通用场景。EXAONE系列有一个理念很明确为企业研究员和应用开发者提供可部署的大模型底座。它在韩国制造、化学、半导体等产业里的实用性比单纯拼聊天体验更有说服力。我记得EXAONE后续有开源版本权重可以直接下载这让不少做韩语项目的团队省了很多事。4.3 电信与云SKT、KT们为什么也要凑热闹韩国几家电信运营商也在大模型领域频繁出手。SKT不仅重金投资了Anthropic还在韩国市场推广集成AI助手KT也自研了韩语模型侧重电信客服、企业智能、媒体服务等场景。乍看之下运营商人搞AI有点奇怪但仔细想又很合理。电信运营商手里有海量用户、通话/网络数据也有庞大的客服体系大模型对它们来说既是降本工具也是升级服务的入口。只不过电信系大模型大多是“内需优先”先解决自家业务再对外输出。加上韩国本土市场只有5000多万人运营商很难把通用大模型故事讲成一个全球生意所以它们更愿意和Naver、Kakao、LG这些有场景能力的企业合作而不是独自挑战OpenAI。4.4 韩国模式的现实边界韩国大模型企业有一个共同困境本土语料和市场需求太小全球化又缺少渠道。韩语在全球互联网内容当中占比并不高除非是专门做韩语服务否则很难让外国客户心甘情愿买单。Naver试图借LINE在日、东南亚的覆盖延伸生态但日韩之间的竞争关系又让合作复杂起来大部分韩国模型只能待在韩国市场里做深做透。不过这并不意味着韩国没有竞争力。韩国在大模型应用层、端侧AI、半导体配套上其实非常强三星、SK海力士这些硬件巨头对整个AI供应链的影响比任何一个模型的参数数量都更值得关注。如果只看“大模型企业”本身韩国的存在感偏弱但把镜头拉远韩国依然是全球AI基础设施的重要一环。5. 一张表看清欧日韩大模型企业的坐标与选型建议5.1 关键对比各家的核心打法我整理了一张简易对照表方便你快速抓住重点地区代表企业/项目核心模型/品牌主打方向开源程度给我的感觉法国MistralMistral 7B、Mixtral、Large系列开源生态、企业私有化、云API7B/8x7B完全开源技术很强节奏很快德国Aleph AlphaLuminous、Pharia主权AI、政企合规、可解释性偏闭源重平台化稳重但商业化偏慢芬兰Silo AI企业定制方案行业大模型咨询与落地不特定更像AI集成商日本NTTtsuzumi日语模型、轻量边缘、企业部署部分模型/API务实到极致日本Preferred NetworksPLaMo系列制造业、机器人、行业微调部分开源工业底色很重日本LLM-jpLLM-jp系列学术界开源日语模型多数开源研究驱动但落地还行韩国NaverHyperCLOVA X搜索、云、韩语生态部分模型封闭韩国LGEXAONE系列通用专业研究辅助有开源版本集团研发资源雄厚韩国Kakao/SKT/KTKoGPT/A.等社交、客服、电信服务低开源偏内部场景绑定深从这个表能看出一个大趋势欧日韩大模型企业几乎没有谁真正想做“一个模型打赢全世界”。它们要么做开源社区的领袖要么做某个语言、某个行业、某个监管环境里最懂行的专家。如果你想要的是一份可以直接部署的开源模型欧洲Mistral、日本LLM-jp、韩国LG EXAONE都是不错的选择如果是做政企项目那Aleph Alpha和日本大厂可能更合适。5.2 如果你想上手哪些模型最适合本地跑按照目前的中文社区热词“大模型部署”“本地部署大模型”“大模型微调”来看很多人实际关心的是我手头有限GPU能不能跑起一个靠谱的模型在这里给几个真实可操作的建议先用Ollama拉取Mistral 7B或Mistral的量化版本一张24G显存的消费级显卡就能跑出不错效果适合英文任务和通用对话。日本市场可以选LLM-jp系列或者Rinna的日语模型做日语文本分类、客服摘要时效果常常超过通用英文模型因为它们用日文语料预训练过。韩语场景优先试LG EXAONE的开源权重它在韩语理解、法律/医学术语上的表现比同规模英文模型好一截。如果要微调建议用QLoRA而不是全量微调原因很简单欧日韩这些开源模型大多数基于Llama或自有架构QLoRA能在16G左右显存上完成基础指令微调成本可控。实测下来哪怕只喂几千条行业数据模型在特定场景的表现都能明显提升。5.3 它们对中国开发者的直接启发很多人习惯把大模型想象成“参数越大越强”但欧日韩企业用事实证明真正的护城河不是参数而是场景嵌入的深度。日本模型用轻量化和本地部署吃下了企业市场韩国模型用搜索和社交生态锁住了本国用户欧洲模型用开源和合规打动了大客户。这些策略放到中国本土一样成立做工业检测、服装检测、长尾行业应用与其追求一个无所不能的大基座不如在特定领域把数据清洗、标注、微调和部署体验做到极致。6. 避坑心得评估和落地欧日韩大模型时容易踩的坑6.1 榜单分数只能参考别迷信Benchmark日韩欧的模型发布时总喜欢给出一堆评测分数但你要注意大多数基准测试是用母语设计的比如日语模型会迎战JGLM、韩语模型会迎战KMMLU英文模型在这些测试里得分天然偏低。我得提醒一句不能在跨语言之间直接比分数否则容易产生“日本模型远超GPT-4”的错觉。真正靠谱的做法是自己准备一份代表真实业务场景的测试集让几个模型共同跑一遍再判断谁更适合你的项目。6.2 许可证和商用边界比模型能力更早卡脖子很多开源模型标注“开放权重”不等于你可以随意商用。Mistral的7B和8x7B是Apache 2.0协议基本可以放心用部分后续版本可能使用特定业务许可要求月活用户数限红外或要求把这些模型用在自家主要产品里有限制。LLM-jp和Rinna的模型也多使用可商用但附加条款的开源协议。我见过不止一个项目在模型指标上没问题最后卡在许可审查上被迫返工所以流程上一定要提前确认商用边界。6.3 部署性能从Ollama到vLLM我实测下来的几点本地部署时我一般习惯先用Ollama做快速验证它封装了量化、显存管理和基本API十几分钟就能把模型拉起来跑通。但要追求高吞吐、多并发还得靠vLLM这类推理框架。实测下来vLLM对Mistral和EXAONE架构的兼容性都挺好能把GPU利用率拉得很高。这里有几个经验参数一个7B参数模型用4-bit量化后大概占用5-7G显存13B模型需要9-12G70B模型4-bit量化后最好准备32G以上显存。如果上下文长度要求很高比如处理几千行文档实际显存占用会比标称大不少最好预留20%余量。欧日韩模型很多都支持较长上下文但长上下文的推理速度会明显下降这一步能优则优不要一味追求“窗口越大越好”。6.4 后续跟踪方向和资源想持续跟踪这些企业最有效的方式是直接看它们的官网和Hugging Face组织页关注模型卡里的更新日志和数据说明。Mistral在官网上维护了很清晰的模型选型页LLM-jp有公开的语料库和评测集LG和Naver也会定期把新模型权重同步到云平台。国内社区对日韩模型的翻译和评测相对滞后如果你有条件可以直接留意英文版新闻稿信息往往比国内二道解析更准确。一些最后想说的话我最近一次印象很深的测试是在一台只有单卡A100的机器上用vLLM同时部署了Mistral 7B和一个日本Rinna系列模型。跑完两个完全不同的场景后我突然意识到一件事全球大模型竞赛里总被忽略的那些企业不是跑不动而是跑法与别人不一样。欧日韩大模型企业或许很难制造出“全民狂欢”的爆款但它们用开源协议、本土语料、行业定制、私有化部署这些组合拳在企业级市场里已经扎下了根。如果你也做AI应用不必总盯着最大的那几家公司看看这些“地方诸侯”手里的模型和方案说不定能帮你打开新路子。 欧日韩大模型企业如何突围：开源、本地部署与行业定制的生存之道
1. 为什么我们会产生“只有中美有大模型”的错觉1.1 流量和融资抢走了存在感过去两年你只要打开科技新闻满屏都是OpenAI、Google、Anthropic再往下就是国内几家头部厂商的发布会。媒体和投资人天然追逐那些“听起来能改变世界”的故事估值榜、融资额、聊天机器人用户数这些数字最能抓眼球。相比之下欧洲、日本、韩国的大模型企业很少主动喊出“我们要挑战GPT”这种口号融资体量也不是一个量级自然就退到了公众视野之外。我在行业群里也观察到一个很有意思的现象每次有人问“欧洲有没有自己的大模型”评论区总会有人提到Mistral但问到日本和韩国很多人只能勉强说出“好像有Naver”。至于这些模型到底做了什么、跑在什么场景里、开源还是闭源大部分朋友都是模糊的。这种“没有存在感”的结局更多是被关注度筛选出来的而不是被技术实力筛选出来的。1.2 技术圈的信息渠道天然偏科另一个原因是技术信息本身有很强的地域性。英文社区以Hugging Face、GitHub、Arxiv为中心模型榜单、论文、demo基本围绕英文和中文语料中文社区更不用说天然关注国内产品的迭代。日文、韩文、法文、德文圈的模型评测、技术博客、商业案例很少被系统性翻译到英文再流回中文语境等于这些成果从源头上就被屏蔽了。更让人头疼的是语言本身的门槛。日语模型的评测要看Japanese LM Benchmark韩语模型要看KoBEST、HAE-RAE这类数据集德语社区则习惯自己做评估这些信息分散在各语种的博客和学术机构里。我几次尝试去追踪NTT、Naver、LG的模型更新都得靠日韩同事帮忙整理卡点否则很容易被搜索引擎里的过时新闻带偏。1.3 “通用大模型”不等于“大模型产业”说句公道话欧日韩确实没有出现类似ChatGPT那种面向全球用户的超级入口但这不代表它们没有大模型产业。美国和中国的大模型天然沿着“通用AGI”叙事生长先做大底座再通过对话、助手、办公场景覆盖所有人而欧洲、日本、韩国的玩家从第一天起就在思考一个更实际的问题某个行业、某类语言、某类私有化环境值不值得专门搞一个大模型。所以你会看到Mistral先做的是在本地可跑的7B模型NTT盯着日语和边缘计算Naver绑定搜索和云LG往材料、生物等垂直领域探索。它们不是没有技术而是选择的赛道不同。想判断一个经济体有没有大模型产业不能只看有没有“网红聊天机器人”而要看它在企业服务、行业模型、开源生态里扎得有多深。2. 欧洲Mistral把开源做成招牌德国人执着于“可控AI”2.1 Mistral真正触动我的几个选择法国Mistral应该是欧洲最出名的大模型公司2023年成立创始团队来自DeepMind和Meta背景相当硬。但让我觉得有意思的不是它的参数规模而是产品策略当美国巨头拼命堆参数、不做开源时Mistral一口气放出了7B和MoE架构的8x7B模型走Apache 2.0协议允许你随便下载、商用、修改。这个策略精准打在了算力有限的困境里。欧洲创业公司没有那么多GPU和微软那种云资源如果去跟GPT-4拼通用能力早已被消耗死了。Mistral把目标锁定在“能在企业内部跑起来”的模型上直接拉拢了一批关注数据隐私的企业客户。实测一下你会发现Mistral 7B在大部分推理任务上确实不如几百B的大模型但部署成本低太多两三天就能用Ollama跑起来这对中小团队非常友好。Mixtral 8x7B则是另一个亮点它用MoE把总参数拆成多个专家模块推理时只激活一部分成本和延迟都能降下来。实际跑下来的感觉是它在代码和推理任务的表现明显好于同体积稠密模型甚至有了“以小博大”的意思。后来Mistral又推出Mistral Large、Small等闭源API产品接入了主流云平台相当于开源立品牌闭源做收入。2.2 Aleph Alpha和“主权AI”到底在做什么德国这边Aleph Alpha是绕不开的名字。这家公司最早搞了一套“Luminous”系列模型后来把重心转移到面向政府和大型企业的高可控AI平台。如果你第一次听说它可能会觉得这名字很德式又硬又不讨巧。但德国市场就是吃这一套政府、银行、制造业客户把“数据不出境、模型可解释、流程可审计”看得比基准分更重要。Aleph Alpha反复强调的“主权AI”其实可以理解成“AI自主可控能力”。它不追求在公众聊天里刷屏而是做了一个支撑私有化部署的中间层让客户能在一个受信环境里调用模型能力。这种思路在欧洲特别吃香因为很多组织不敢直接把敏感数据丢给美国云需要一套能在本地、甚至在自有数据中心里运行的大模型基础设施。2.3 DeepMind伦敦、Silo AI等欧洲还有哪些隐藏力量除了这些明星创业公司欧洲还有很多机构级玩家。比如Alphabet旗下的DeepMind总部其实在伦敦虽然它更多以AlphaFold、AlphaGo这类研究成果被人记住但底层技术和工程能力确实撑起了欧洲AI的一角。严格说DeepMind不是独立企业但它对欧洲人才生态的贡献不容小觑很多欧洲大模型公司的创始骨干都从DeepMind跳出来。芬兰的Silo AI则是一个典型的综合性AI实验室专门帮企业落地定制大模型和机器学习方案2024年被AMD收购后成了芯片厂商在软件生态上的重要一环。它的路线不太像“自己造GPT”更像是“帮别人安全地用上GPT”。奥地利、荷兰、瑞士也有多家NLP公司长期深耕文本挖掘、知识图谱和企业搜索这些企业在行业里的口碑往往比公开认知度高得多。2.4 欧盟AI法案给模型落地带来的实际影响聊欧洲大模型绕不开欧盟AI法案。这个政策框架给高风险AI系统提出了更严的透明度、数据治理和可解释性要求。虽然有些人抱怨监管拖慢技术迭代但站在行业角度看它也逼着欧洲大模型企业把“合规能力”做成了核心竞争力。在欧洲做项目客户第一个问题往往不是“你的模型能考多少分”而是“数据存储和日志在哪里”。这种环境下纯粹堆参数的模型反而很难卖因为没人敢在监管高压下用一个黑盒。所以欧洲大模型公司的产品设计里普遍带有审计日志、中文档、权限管控等模块这些都是美国AI产品不太重视的细节。就我接触到的海外客户来看这种“合规优先”的设计反而让欧洲模型更容易进入金融、医疗、政务这类强监管领域。3. 日本更低调的“企业私有化”路线NTT和PFN是典型代表3.1 NTT的tsuzumi像是专门为日语和边缘计算生的日本NTT在2024年推出了自研大语言模型tsuzumi名字是日本传统乐器“鼓”。这个模型的定位非常日本不是做成一个“最强AGI”而是强调日语理解能力好、可以在低算力设备上运行、适合嵌入企业内部系统和边缘端。我研究过tsuzumi的技术资料它的核心卖点在于对日语语义的把握。日语里有大量敬语、助词、上下文省略和暧昧表达直接套用英文模型的效果一直不理想。NTT用大量高质量日语语料做了强化让模型能处理日本商务场景里的邮件、会议纪要、客服对话。再加上NTT原本就是通信运营商对网络和边缘设备很熟所以tsuzumi被打造成“能塞进路由器旁边小型服务器”的轻量模型这在日本企业里需求非常明确。3.2 Preferred Networks和PLaMo用工业AI的底子做基础模型Preferred Networks简称PFN在日本AI圈地位很高。它早期靠自研深度学习框架和应用项目起家深度绑定了丰田等制造企业在机器人、自动驾驶、工业检测这些方向积累了非常多经验。PFN后来推出PLaMo系列模型名字也有点“玩法”味道听上去像日语里的“塑料模型”プラモデル就是那种能自己拼装的模型暗示用户可以自由定制。PLaMo特别强调日语能力和对日本社会文化语境的适配同时考虑了企业本地部署需求。因为PFN不是纯互联网公司它对“模型进工厂”这件事有更深理解工业客户更关注稳定性、低延迟、可重训而不是聊天时候的“文采”。这种把制造业逻辑融入LLM研发的模式是我认为日本大模型最有特色的地方。3.3 大厂与初创的并列NEC、富士通、Rinna、Stockmark除了NTT和PFN日本还有一批企业值得关注。NEC过去在自然语言处理上有很深的积累后来也围绕日语大模型推出了面向政府和企业的人事、法务、呼叫中心方案富士通则偏向系统集成把大模型嵌进自己的数字化转型业务里。浪潮式的宣传不多但在客户名单里一直很活跃。初创公司方面Rinna做了很多开源日语对话模型长期在开源社区维护权重Stockmark则是专注日语预训练模型的小团队他们的方向是帮企业用私有语料做微调。日本市场有个特点大型企业长期依赖系统集成商采购链路长所以初创公司往往靠轻量级开源权重吸引开发者再由集成商把产品卖进大公司。这个生态虽然不算激进但比想象中更有活力。3.4 LLM-jp与ABCI超算国家级项目如何补位日本政府也意识到大模型不能只靠企业单打独斗于是有了LLM-jp这个联合研究项目。它由产业技术综合研究所AIST领头联合东京大学、京都大学等高校以及多家企业共同开发开源日语模型还顺带做了一套日文评测数据集和语料库。这个项目的价值不在于某个模型突然成为世界第一而在于把分散在高校和产业界的日语NLP资源重新聚合起来。ABCI超算则扮演了“算力底座”的角色。AIST运营的ABCI系统对企业和研究机构开放为日本大模型训练提供了稳定算力池。相比美国那种超大规模集群ABCI在绝对算力上不算顶级但胜在准入机制灵活、配套设施完整很多日本创业公司的模型都是在上面训练出来的。这种“国家级算力高校研究企业落地”的组合很符合日本的做事风格。3.5 为什么日本大模型企业偏爱本地部署我在和日本客户打交道时发现他们对“云端开放API”的接受度远低于中美市场。很多日企认为把客户数据放到外部云上本身就不可接受哪怕供应商承诺“数据加密”“合规安全”。这种心态和日本社会对隐私的高度敏感有关也和日企内部严格的采购审批制度有关。因此日本大模型企业几乎都在往私有化部署方向发力强调“模型文件下载下来放在自己的服务器里跑”。这种偏好直接影响到模型设计日本模型往往参数适中能用较少的推理资源跑起来还会提供详细的运维工具、文档和本地RAG方案。从技术选型角度来看日本市场对“可落地”的重视程度明显高于“能不能考高分”这也导致日本模型在公开榜单上不太耀眼但在企业内部表现得非常稳。4. 韩国Naver、LG、SK用数据优势打了一场阵地战4.1 Naver HyperCLOVA韩国搜索霸主的另一张底牌如果韩国要选一个“最像中国互联网大厂”的企业那一定是Naver。它是韩国搜索的绝对头部还运营着LINE、博客、购物、金融、云等庞大生态。Naver在大模型上的布局叫HyperCLOVA其中HyperCLOVA X是面向搜索、商务、企业知识库等场景的系列模型。HyperCLOVA X的独特之处在于它和Naver搜索生态深度绑定天然适合做检索增强生成。韩国用户搜索习惯高度依赖Naver模型可以直接调用Naver的知识图谱、新闻、用户生成内容这种“搜索大模型本地服务”的组合让Naver在面对全球通用聊天机器人时拥有了本土优势。Naver Cloud还提供GPU基础和部署服务等于从模型到云转身就是一条完整链路。4.2 Kakao与LG社交场景和集团研发中心的分工Kakao曾经通过AI子公司Kakao Brain推出了韩语大模型KoGPT系列还和开源社区合作过很多轻量模型。后来Kakao Brain被整体整合回母公司模型研发从单独科研机构变成了产品部门的支撑点。Kakao的优势在于几乎每个韩国人都在用KakaoTalk对话数据、社交场景、客服频道都是现成的AI落地场景。LG则是另一条路线。LG AI研究院推出EXAONE早期主攻材料、化学、生物研究辅助后来逐步开放到通用场景。EXAONE系列有一个理念很明确为企业研究员和应用开发者提供可部署的大模型底座。它在韩国制造、化学、半导体等产业里的实用性比单纯拼聊天体验更有说服力。我记得EXAONE后续有开源版本权重可以直接下载这让不少做韩语项目的团队省了很多事。4.3 电信与云SKT、KT们为什么也要凑热闹韩国几家电信运营商也在大模型领域频繁出手。SKT不仅重金投资了Anthropic还在韩国市场推广集成AI助手KT也自研了韩语模型侧重电信客服、企业智能、媒体服务等场景。乍看之下运营商人搞AI有点奇怪但仔细想又很合理。电信运营商手里有海量用户、通话/网络数据也有庞大的客服体系大模型对它们来说既是降本工具也是升级服务的入口。只不过电信系大模型大多是“内需优先”先解决自家业务再对外输出。加上韩国本土市场只有5000多万人运营商很难把通用大模型故事讲成一个全球生意所以它们更愿意和Naver、Kakao、LG这些有场景能力的企业合作而不是独自挑战OpenAI。4.4 韩国模式的现实边界韩国大模型企业有一个共同困境本土语料和市场需求太小全球化又缺少渠道。韩语在全球互联网内容当中占比并不高除非是专门做韩语服务否则很难让外国客户心甘情愿买单。Naver试图借LINE在日、东南亚的覆盖延伸生态但日韩之间的竞争关系又让合作复杂起来大部分韩国模型只能待在韩国市场里做深做透。不过这并不意味着韩国没有竞争力。韩国在大模型应用层、端侧AI、半导体配套上其实非常强三星、SK海力士这些硬件巨头对整个AI供应链的影响比任何一个模型的参数数量都更值得关注。如果只看“大模型企业”本身韩国的存在感偏弱但把镜头拉远韩国依然是全球AI基础设施的重要一环。5. 一张表看清欧日韩大模型企业的坐标与选型建议5.1 关键对比各家的核心打法我整理了一张简易对照表方便你快速抓住重点地区代表企业/项目核心模型/品牌主打方向开源程度给我的感觉法国MistralMistral 7B、Mixtral、Large系列开源生态、企业私有化、云API7B/8x7B完全开源技术很强节奏很快德国Aleph AlphaLuminous、Pharia主权AI、政企合规、可解释性偏闭源重平台化稳重但商业化偏慢芬兰Silo AI企业定制方案行业大模型咨询与落地不特定更像AI集成商日本NTTtsuzumi日语模型、轻量边缘、企业部署部分模型/API务实到极致日本Preferred NetworksPLaMo系列制造业、机器人、行业微调部分开源工业底色很重日本LLM-jpLLM-jp系列学术界开源日语模型多数开源研究驱动但落地还行韩国NaverHyperCLOVA X搜索、云、韩语生态部分模型封闭韩国LGEXAONE系列通用专业研究辅助有开源版本集团研发资源雄厚韩国Kakao/SKT/KTKoGPT/A.等社交、客服、电信服务低开源偏内部场景绑定深从这个表能看出一个大趋势欧日韩大模型企业几乎没有谁真正想做“一个模型打赢全世界”。它们要么做开源社区的领袖要么做某个语言、某个行业、某个监管环境里最懂行的专家。如果你想要的是一份可以直接部署的开源模型欧洲Mistral、日本LLM-jp、韩国LG EXAONE都是不错的选择如果是做政企项目那Aleph Alpha和日本大厂可能更合适。5.2 如果你想上手哪些模型最适合本地跑按照目前的中文社区热词“大模型部署”“本地部署大模型”“大模型微调”来看很多人实际关心的是我手头有限GPU能不能跑起一个靠谱的模型在这里给几个真实可操作的建议先用Ollama拉取Mistral 7B或Mistral的量化版本一张24G显存的消费级显卡就能跑出不错效果适合英文任务和通用对话。日本市场可以选LLM-jp系列或者Rinna的日语模型做日语文本分类、客服摘要时效果常常超过通用英文模型因为它们用日文语料预训练过。韩语场景优先试LG EXAONE的开源权重它在韩语理解、法律/医学术语上的表现比同规模英文模型好一截。如果要微调建议用QLoRA而不是全量微调原因很简单欧日韩这些开源模型大多数基于Llama或自有架构QLoRA能在16G左右显存上完成基础指令微调成本可控。实测下来哪怕只喂几千条行业数据模型在特定场景的表现都能明显提升。5.3 它们对中国开发者的直接启发很多人习惯把大模型想象成“参数越大越强”但欧日韩企业用事实证明真正的护城河不是参数而是场景嵌入的深度。日本模型用轻量化和本地部署吃下了企业市场韩国模型用搜索和社交生态锁住了本国用户欧洲模型用开源和合规打动了大客户。这些策略放到中国本土一样成立做工业检测、服装检测、长尾行业应用与其追求一个无所不能的大基座不如在特定领域把数据清洗、标注、微调和部署体验做到极致。6. 避坑心得评估和落地欧日韩大模型时容易踩的坑6.1 榜单分数只能参考别迷信Benchmark日韩欧的模型发布时总喜欢给出一堆评测分数但你要注意大多数基准测试是用母语设计的比如日语模型会迎战JGLM、韩语模型会迎战KMMLU英文模型在这些测试里得分天然偏低。我得提醒一句不能在跨语言之间直接比分数否则容易产生“日本模型远超GPT-4”的错觉。真正靠谱的做法是自己准备一份代表真实业务场景的测试集让几个模型共同跑一遍再判断谁更适合你的项目。6.2 许可证和商用边界比模型能力更早卡脖子很多开源模型标注“开放权重”不等于你可以随意商用。Mistral的7B和8x7B是Apache 2.0协议基本可以放心用部分后续版本可能使用特定业务许可要求月活用户数限红外或要求把这些模型用在自家主要产品里有限制。LLM-jp和Rinna的模型也多使用可商用但附加条款的开源协议。我见过不止一个项目在模型指标上没问题最后卡在许可审查上被迫返工所以流程上一定要提前确认商用边界。6.3 部署性能从Ollama到vLLM我实测下来的几点本地部署时我一般习惯先用Ollama做快速验证它封装了量化、显存管理和基本API十几分钟就能把模型拉起来跑通。但要追求高吞吐、多并发还得靠vLLM这类推理框架。实测下来vLLM对Mistral和EXAONE架构的兼容性都挺好能把GPU利用率拉得很高。这里有几个经验参数一个7B参数模型用4-bit量化后大概占用5-7G显存13B模型需要9-12G70B模型4-bit量化后最好准备32G以上显存。如果上下文长度要求很高比如处理几千行文档实际显存占用会比标称大不少最好预留20%余量。欧日韩模型很多都支持较长上下文但长上下文的推理速度会明显下降这一步能优则优不要一味追求“窗口越大越好”。6.4 后续跟踪方向和资源想持续跟踪这些企业最有效的方式是直接看它们的官网和Hugging Face组织页关注模型卡里的更新日志和数据说明。Mistral在官网上维护了很清晰的模型选型页LLM-jp有公开的语料库和评测集LG和Naver也会定期把新模型权重同步到云平台。国内社区对日韩模型的翻译和评测相对滞后如果你有条件可以直接留意英文版新闻稿信息往往比国内二道解析更准确。一些最后想说的话我最近一次印象很深的测试是在一台只有单卡A100的机器上用vLLM同时部署了Mistral 7B和一个日本Rinna系列模型。跑完两个完全不同的场景后我突然意识到一件事全球大模型竞赛里总被忽略的那些企业不是跑不动而是跑法与别人不一样。欧日韩大模型企业或许很难制造出“全民狂欢”的爆款但它们用开源协议、本土语料、行业定制、私有化部署这些组合拳在企业级市场里已经扎下了根。如果你也做AI应用不必总盯着最大的那几家公司看看这些“地方诸侯”手里的模型和方案说不定能帮你打开新路子。