国产算力上训练的 293B MoE：星火 X2.6 意味着什么

10 月 22 日，科大讯飞在 2026 全球 1024 开发者节上发布了端云一体大模型星火 X2.6。这款模型本身的规格足够亮眼——293B-A30B 的 MoE 架构、100 万 token 上下文、代码与智能体能力据称对标业界一流。但真正值得讨论的，是它头上的那个"第一次"：它是首次基于全国产算力实现代码和智能体能力突破的大模型。这条消息的意义，已经超出了模型排行榜本身。

新闻速览

星火 X2.6 是 293B 总参数、每 token 激活 30B 的稀疏混合专家（MoE）模型，上下文窗口拓展到 1M。据报道，其在国际公开测试集的多项指标对标业界一流水平。配套发布的还有开源端侧模型星火 X2.6-4B，新增三档推理模式，端侧智能体能力大幅提升，据报道推理定价为每百万 token 0.9–3.6 元人民币。

更值得关注的是两项工程技术：针对国产芯片显存与带宽限制开发的"长程任务动态并行训练技术"，使超长上下文训练效率提升约 4 倍（官方称）；基于国产集群的"自适应存算协同推理"结合四层 KVCache 分布式推理技术，使推理效率提升约 4.5 倍（官方称）。同时发布的端云一体协同架构提出"6-3-1"任务分工：60% 的 AI 任务在终端本地完成、30% 端云协同、10% 高难度任务调用云端大模型，端云路由准确率据称达 96.1%。

发布会上还同步推出了星火语音基座 SparkAudio 1.0、具身多模交互技术、以及搭载 160 TOPS 本地算力的 AIPC 产品。据报道，上代开源端侧模型 X2.5-4B 下载量已达 256 万次。（以上数据来自新浪、澎湃、时代周报、新华网等媒体报道及发布会官方信息，未经独立验证。）

技术解读：为什么"国产算力训练"是硬骨头

训练一个 293B 的 MoE 模型本身并不新鲜，难的是"国产算力"这四个字背后的工程现实。

第一关是显存带宽。 国产 AI 芯片的单卡显存和互联带宽普遍弱于英伟达旗舰卡。MoE 训练最吃的就是专家并行（Expert Parallelism）带来的 All-to-All 通信——每个 token 要被路由到不同的专家卡上，通信量随专家数量线性增长。在带宽受限的集群上，通信很容易成为流水线气泡的源头。讯飞提出的"长程任务动态并行训练"，核心思路是按任务长度自适应分配计算资源：长上下文任务在注意力计算上是二次方复杂度，在通信上却是不同的瓶颈剖面，静态的并行策略必然在某一段浪费。动态并行相当于给训练调度器装了一个"按需分配"的变速箱——这在英伟达集群上是优化项，在国产集群上是生存项。

第二关是 KVCache 的存算墙。 1M 上下文的推理，KVCache 动辄几百 GB，单个节点根本装不下，必须分布式切分。国产芯片的内存层次和互联拓扑与 CUDA 生态差异很大，"四层 KVCache 分布式推理"本质上是在做缓存分层+计算协同的 co-design：热数据放 HBM、温数据下沉、冷数据换出，用计算换存储、用预取掩盖带宽延迟。4.5 倍这个数字是官方口径，但方向是对的——长上下文推理的胜负手从来不在 FLOPs，而在内存墙。

第三关，也是最容易被低估的一关：软件栈。 在 N 卡上训练，CUDA、NCCL、FlashAttention、各种算子库都是现成的；在国产芯片上，很多算子要自己写、通信库要自己调、精度问题要自己踩。能把 293B MoE 从训练跑通到对标一流，意味着讯飞已经趟出了一条国产芯片的全链路训练 pipeline。这条 pipeline 的价值，可能比模型本身更大——因为它是可复制的。

端云一体：一个务实的架构答案

"60% 本地、30% 协同、10% 上云"的 6-3-1 分工，听起来像营销话术，但背后是个严肃的工程经济学问题：大模型推理的最大成本不是算力，而是把数据搬来搬去。教育、医疗、法律这些"民生刚需"场景，数据出域本身就是红线；同时把所有请求都怼给 293B 云端模型，成本又扛不住。

端云路由的本质是一个分类器：用一个小模型（报道中提到的"评语模型"）判断任务难度，再决定路由到端侧 4B 模型还是云端大模型。96.1% 的路由准确率如果属实，意味着只有不到 4% 的任务被错配——这个错配率直接决定了用户体验的下限。我的看法是：端云协同不是过渡方案，它就是未来三到五年 AI 落地的主形态。云厂商讲"越大越好"，终端厂商讲"本地优先"，而真正的答案永远是分级——就像 CPU 有 L1/L2/L3 缓存一样，智能也需要分层。

我的观点

关于星火 X2.6，外界会有两种极端解读：一种是"国产之光，弯道超车"，另一种是"参数注水，不如 N 卡"。两种都过于简单了。

真正重要的是这条分界线被跨过去了。过去几年，关于国产算力的讨论一直停留在"能跑推理"层面——推理是只读 workload，对精度和稳定性的容忍度高得多。训练是另一回事：它是长达数周的连续写入，任何一个环节的 bug、一次 NCCL 超时、一个算子精度漂移，都会让几千万的电费打水漂。能在国产算力上稳定训出 293B MoE，证明的不是某一款芯片多强，而是整个国产训练栈达到了"可用"的工程成熟度。

刘庆峰在发布会上说："只有真正地在国产算力上训练出自己的模型，才是真的自主可控。"这句话的潜台词值得玩味：自主可控的定义正在从"有芯片"升级到"能训练"。芯片是必要条件，训练 pipeline 才是充分条件。

当然，冷静的一面也不能少：官方公布的效率提升倍数（4 倍、4.5 倍）都是自报数据，没有第三方复现；模型在公开榜单上的具体分数，报道中语焉不详；在国产算力上训练的成本——每 token 的真实训练成本是多少——讯飞没有披露，而这恰恰是决定这条路线能否规模化的关键数字。如果国产训练的成本是 N 卡的 3 倍，那它目前更多是战略备份而非经济选择。这个数字值得持续追踪。

结语

星火 X2.6 最大的技术贡献可能不是模型本身，而是它验证了一个命题：在国产算力上，可以从头训练出对标一流的 MoE 大模型。MoE 的稀疏激活、1M 上下文的工程优化、端云一体的分级架构，这些技术选择共同指向同一个判断——大模型竞争的下半场，胜负手不在参数规模，而在算力效率和部署形态。谁能把智能做得更便宜、更贴近数据，谁就能赢得落地。而这场竞赛，才刚刚开始。

信源：新浪科技/财经（IT之家、凤凰WEEKLY财经、澎湃新闻、时代周报报道）、新华网，均为 2026-10-22 至 10-23 报道；性能与效率数据为发布会官方口径，未经独立验证。