[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-cursor-kimi-open-source-bet-zh":3,"article-related-cursor-kimi-open-source-bet-zh":30,"series-industry-3399de1a-c5c3-4745-8cd4-931319fc2b34":87},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":11},"3399de1a-c5c3-4745-8cd4-931319fc2b34","cursor-kimi-open-source-bet-zh","Cursor、Kimi 與開源賭注","\u003Cp>Cursor 把 \u003Ca href=\"https:\u002F\u002Fwww.cursor.com\u002F\" target=\"_blank\" rel=\"noopener\">Composer 2\u003C\u002Fa> 推給超過 100 萬日活用戶後，大家才發現一件事。它背後的模型，來自 \u003Ca href=\"https:\u002F\u002Fmoonshot.ai\u002F\" target=\"_blank\" rel=\"noopener\">Moonshot AI\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fwww.moonshot.ai\u002Fkimi\" target=\"_blank\" rel=\"noopener\">Kimi K2.5\u003C\u002Fa>。這是中國的開源模型。更狠的是，成本大概只有常見方案的八分之一。\u003C\u002Fp>\u003Cp>講白了，這不是嘴砲。做 coding assistant 的公司，活不活得下去，常常看每次推理的成本。模型夠強，價格又低，產品就能跑得快。還能留更多預算給迭代、觀測和客服。\u003C\u002Fp>\u003Cp>這篇新聞好看的地方，不是 Cursor 愛不愛開源。重點是，它直接選了最划算的那個開源模型。這種選擇很務實，也很殘酷。市場不吃信仰，只吃算帳。\u003C\u002Fp>\u003Ch2>Cursor 這次押的，是成本，不是立場\u003C\u002Fh2>\u003Cp>Cursor 這次的選擇，很像工程團隊會做的事。先看 benchmark，再看延遲，再看價格。最後才看品牌。這順序很現實，也很像台灣團隊平常在挑雲端服務。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775138822762-x1ki.png\" alt=\"Cursor、Kimi 與開源賭注\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>它的編輯器底層是 \u003Ca href=\"https:\u002F\u002Fcode.visualstudio.com\u002F\" target=\"_blank\" rel=\"noopener\">Visual Studio Code\u003C\u002Fa>。這本來就是開源專案。現在模型層也走同一條路。工具鏈越來越像一串可替換零件，而不是某家大廠的封閉套餐。\u003C\u002Fp>\u003Cp>我覺得這件事很有意思。很多 AI 公司愛講願景，講到像在開法說會。Cursor 沒那麼多戲。它只是把最適合的模型塞進產品裡，然後讓用戶自己感受差異。\u003C\u002Fp>\u003Cul>\u003Cli>Cursor 的 \u003Ca href=\"https:\u002F\u002Fwww.cursor.com\u002F\" target=\"_blank\" rel=\"noopener\">Composer 2\u003C\u002Fa> 已到 100 萬以上日活。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.moonshot.ai\u002Fkimi\" target=\"_blank\" rel=\"noopener\">Kimi K2.5\u003C\u002Fa> 是開源模型。\u003C\u002Fli>\u003Cli>價格大約是常見頂級方案的 1\u002F8。\u003C\u002Fli>\u003Cli>編輯器底層用的是 \u003Ca href=\"https:\u002F\u002Fcode.visualstudio.com\u002F\" target=\"_blank\" rel=\"noopener\">VS Code\u003C\u002Fa>。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡的訊號很清楚。開源不是情懷。開源是供應鏈。當你能用更低成本拿到接近頂級的效果，商業模式就會變得比較好看。尤其是對還在燒錢的軟體新創來說。\u003C\u002Fp>\u003Ch2>中國開源模型的節奏，真的快得誇張\u003C\u002Fh2>\u003Cp>這次最刺眼的地方，是模型更新速度。Tomasz Tunguz 提到，美國開源前沿模型平均大概 8 個月。中國開源模型平均大概 7 週。這差距不是小事。對 L\u003Ca href=\"\u002Fnews\u002Fglm-5-zai-flagship-coding-agents-zh\">LM\u003C\u002Fa> 來說，8 個月常常就是好幾輪訓練配方和後訓練方法的進化。\u003C\u002Fp>\u003Cp>這也解釋了為什麼 Cursor 沒選 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-oss\u002F\" target=\"_blank\" rel=\"noopener\">GPT-OSS\u003C\u002Fa>。不是它不行，而是它太舊了。若一個模型晚了幾個月，成本、能力、推理效率都可能被後面的版本追上。\u003C\u002Fp>\u003Cp>開發者其實很現實。你在做 prototype 時，不會先問政治立場。你會問 Token 多少錢、延遲多少、能不能穩定跑。這也是開源模型會快速擴散的原因。它讓試錯成本變低。\u003C\u002Fp>\u003Cul>\u003Cli>美國開源前沿模型平均約 8 個月。\u003C\u002Fli>\u003Cli>中國開源模型平均約 7 週。\u003C\u002Fli>\u003Cli>時間差約 5 倍。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-oss\u002F\" target=\"_blank\" rel=\"noopener\">GPT-OSS\u003C\u002Fa> 被拿來對比時，已經偏舊。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡還有一個現實問題。Meta 曾經靠 \u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama\u002F\" target=\"_blank\" rel=\"noopener\">Llama\u003C\u002Fa> 拿下不少開源聲量，但 \u003Ca href=\"\u002Fnews\u002Fai-funding-records-2026-zh\">202\u003C\u002Fa>5 年後策略明顯轉向。當美國這邊的開源節奏放慢，空位就會被別人補上。市場不會等人。\u003C\u002Fp>\u003Cblockquote>“This is the open model ecosystem we love to support.” — Moonshot AI\u003C\u002Fblockquote>\u003Ch2>台灣開發者要看的，是供應鏈，不是八卦\u003C\u002Fh2>\u003Cp>如果你在台灣做 SaaS、IDE 外掛，或企業內部 AI 工具，這件事很值得盯。因為模型選擇，最後會反映在毛利率上。不是每家公司都能一直燒 API 成本。尤其是有大量 autocom\u003Ca href=\"\u002Fnews\u002Fapple-siri-overhaul-ios-27-gemini-chatbot-zh\">ple\u003C\u002Fa>te、agent、檔案讀寫的產品。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775138820919-631m.png\" alt=\"Cursor、Kimi 與開源賭注\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Cursor 的案例說明一件事。模型不一定要自研。你只要找到夠新、夠強、夠便宜的開源模型，就能把產品做出來。這跟過去挑資料庫、挑 queue、挑 cache 的邏輯很像。\u003C\u002Fp>\u003Cp>但也別太天真。便宜不等於可直接上線。你還要看授權、部署、觀測、資料外洩風險。尤其是 coding assistant，會碰到 repo、secret、內部文件。這些東西一旦流出去，成本不是 Token，而是事故。\u003C\u002Fp>\u003Cul>\u003Cli>開發工具最怕的是長期推理成本失控。\u003C\u002Fli>\u003Cli>開源模型能讓試作成本先降下來。\u003C\u002Fli>\u003Cli>企業上線前，還要補授權與資安檢查。\u003C\u002Fli>\u003Cli>coding assistant 會直接接觸程式碼與檔案。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我會建議台灣團隊把模型當成可替換元件。不要綁死單一供應商。今天可能是 \u003Ca href=\"https:\u002F\u002Fwww.moonshot.ai\u002Fkimi\" target=\"_blank\" rel=\"noopener\">Kimi\u003C\u002Fa>，明天可能是 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen\u003C\u002Fa> 或 \u003Ca href=\"https:\u002F\u002Fai.google\u002Fdiscover\u002Fgemma\u002F\" target=\"_blank\" rel=\"noopener\">Gemma\u003C\u002Fa>。產品層穩住，底層才有談判空間。\u003C\u002Fp>\u003Ch2>中國模型很紅，但信任問題還在\u003C\u002Fh2>\u003Cp>數字很猛，但信任不是。Tunguz 引用 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002F\" target=\"_blank\" rel=\"noopener\">OpenRouter\u003C\u002Fa> 的資料說，中國開源模型在全球 AI 使用占比，從 2024 年底的 1.2%，拉到 2025 年底接近 30%。這種成長速度，任何產品經理看了都會皺眉。\u003C\u002Fp>\u003Cp>另一個數字也很誇張。\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002F\" target=\"_blank\" rel=\"noopener\">Hugging Face\u003C\u002Fa> 上的 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen\u003C\u002Fa> 下載量，據說在 2025 年 10 月超過 \u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama\u002F\" target=\"_blank\" rel=\"noopener\">Llama\u003C\u002Fa>，到 7 億次。這代表開發者願意先用再說。尤其是原型、研究和個人專案。\u003C\u002Fp>\u003Cp>但企業環境就沒那麼隨便。\u003Ca href=\"https:\u002F\u002Fwww.nist.gov\u002F\" target=\"_blank\" rel=\"noopener\">NIST\u003C\u002Fa> 的 CAISI 評估提到，中國模型對 agent hijacking 的脆弱度高出 12 倍。這很致命。因為 coding assistant 不是聊天機器人而已。它會讀檔、寫檔、呼叫工具。\u003C\u002Fp>\u003Cul>\u003Cli>中國開源模型使用占比，從 1.2% 升到近 30%。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen\u003C\u002Fa> 在 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002F\" target=\"_blank\" rel=\"noopener\">Hugging Face\u003C\u002Fa> 的下載量達 7 億。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.nist.gov\u002F\" target=\"_blank\" rel=\"noopener\">NIST\u003C\u002Fa> 指出，某些評估中風險高出 12 倍。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002F\" target=\"_blank\" rel=\"noopener\">Microsoft\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Fwww.newscorp.com\u002F\" target=\"_blank\" rel=\"noopener\">News Corp\u003C\u002Fa> 在部分環境直接禁用。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>所以這題不是單純的「誰比較強」。而是「誰能進企業」。如果資安和治理補不齊，再便宜也沒用。到最後，省下來的 API 費，可能全花在審查流程和風險控管。\u003C\u002Fp>\u003Ch2>美國也在追，只是節奏沒那麼整齊\u003C\u002Fh2>\u003Cp>美國這邊不是沒動。只是動得比較分散。\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA\u003C\u002Fa> 宣布 5 年投入 260 億美元到開源 AI。\u003Ca href=\"https:\u002F\u002Fai.google\u002Fdiscover\u002Fgemma\u002F\" target=\"_blank\" rel=\"noopener\">Gemma\u003C\u002Fa> 持續更新。\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-oss\u002F\" target=\"_blank\" rel=\"noopener\">GPT-OSS\u003C\u002Fa> 也加入戰局。\u003Ca href=\"https:\u002F\u002Fallenai.org\u002Folmo\" target=\"_blank\" rel=\"noopener\">OLMo 3\u003C\u002Fa> 則走研究派路線。\u003C\u002Fp>\u003Cp>其中一個有意思的點，是 \u003Ca href=\"https:\u002F\u002Fallenai.org\u002Folmo\" target=\"_blank\" rel=\"noopener\">OLMo 3\u003C\u002Fa> 在某些數學 benchmark 上，能用比 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen 3\u003C\u002Fa> 少 6 倍的訓練資料追上表現。這說明一件事。不是只有砸資料才有結果。訓練方法、資料品質、後訓練流程，都很重要。\u003C\u002Fp>\u003Cp>但老實說，美國開源陣營還在補課。產品節奏、模型新鮮度、成本控制，這三件事要同時做好，不容易。尤其是當閉源大模型還在持續拉高門檻時，開源陣營更需要穩定輸出。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA\u003C\u002Fa>：5 年 260 億美元。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fai.google\u002Fdiscover\u002Fgemma\u002F\" target=\"_blank\" rel=\"noopener\">Gemma\u003C\u002Fa>：Google 的開源模型家族。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-oss\u002F\" target=\"_blank\" rel=\"noopener\">GPT-OSS\u003C\u002Fa>：OpenAI 的開源權重方案。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fallenai.org\u002Folmo\" target=\"_blank\" rel=\"noopener\">OLMo 3\u003C\u002Fa>：用更少資料追 benchmark。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這場比的是整條供應鏈。不是單一模型。從資料、訓練、推理，到部署和治理，哪一段慢了，整個產品就會吃虧。Cursor 的做法只是把這件事攤開給大家看。\u003C\u002Fp>\u003Ch2>開源模型會變成預設選項嗎\u003C\u002Fh2>\u003Cp>我覺得答案是會，而且速度不慢。原因很簡單。當模型品質差距縮小，價格就會變成主要戰場。對新創來說，省 8 倍成本不是小事。那是能不能活下來的差別。\u003C\u002Fp>\u003Cp>Cursor 這次沒有寫宣言。它只是做了一個產品決策。可這個決策很誠實。它告訴所有做 AI 工具的人：你不用迷信最貴的模型。你要找的是最適合的模型。\u003C\u002Fp>\u003Cp>接下來，我會盯兩個指標。第一個是開源模型的更新頻率。第二個是企業端的安全評分。如果美國開源模型不能把新鮮度和成本拉回來，更多團隊會直接採用現成的開源方案，不管它來自哪裡。\u003C\u002Fp>\u003Cp>如果你是開發者，現在就該做一件事：把你的模型抽象層拉出來。別讓產品和單一 API 綁死。這樣你才有機會在價格、品質、合規三邊切換。說真的，這比追熱點實際多了。\u003C\u002Fp>","Cursor 把 Composer 2 建在 Moonshot AI 的 Kimi K2.5 上，價格約只有傳統方案的八分之一。這篇拆解它的成本邏輯、開源模型競爭、資安風險，還有台灣開發者該怎麼看。","tomtunguz.com","https:\u002F\u002Ftomtunguz.com\u002Fcursor-kimi-open-source-ai-imperative\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775138822762-x1ki.png","industry","zh","3a113ceb-6e5f-496c-b29f-8837fb5377d1",[17,18,19,20,21,22,23,24,25,26],"Cursor","Kimi K2.5","開源模型","AI coding assistant","Moonshot AI","VS Code","OpenRouter","Hugging Face","Qwen","OLMo 3",5,"2026-04-02T14:06:43.189985+00:00","2026-04-02T14:06:43.136+00:00",{"tags":31,"relatedLang":47,"relatedPosts":51},[32,34,36,38,40,41,43,45],{"name":23,"slug":33},"openrouter",{"name":17,"slug":35},"cursor",{"name":24,"slug":37},"hugging-face",{"name":25,"slug":39},"qwen",{"name":19,"slug":19},{"name":20,"slug":42},"ai-coding-assistant",{"name":22,"slug":44},"vs-code",{"name":21,"slug":46},"moonshot-ai",{"id":15,"slug":48,"title":49,"language":50},"cursor-kimi-open-source-bet-en","Cursor, Kimi, and the Open Source Bet","en",[52,58,64,70,75,81],{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"58fe51d5-e1c0-4b6d-9033-c40eb1f4f811","efrain-juarez-player-to-liga-mx-coach-zh","Efraín Juárez：從球員到Liga MX教練","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780606983453-d55c.png","2026-06-04T21:02:35.135418+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"d1218662-3c24-4bd5-8fdd-826164864369","peft-vs-full-fine-tuning-zh","PEFT vs 全量微調","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780603379788-d2wm.png","2026-06-04T20:02:31.805871+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"791faf8a-031f-4843-856a-2fe1dd7bef11","denver-hailstorm-weather-infrastructure-risk-zh","為什麼丹佛冰雹提醒我們：天氣就是基礎設施風險","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780601581653-sptw.png","2026-06-04T19:32:32.181958+00:00",{"id":71,"slug":72,"title":73,"cover_image":11,"image_url":11,"created_at":74,"category":13},"4923364e-f9c3-42fc-ae92-89ee5a822575","how-to-hire-mlops-engineer-2026-zh","怎麼招到 MLOps 工程師","2026-06-04T19:17:26.372485+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"f8ff68f8-1cca-4db8-b871-c7b0fdf8eeb5","4-takeaways-from-cloudflares-ai-first-reset-zh","4 個關於 Cloudflare AI-first 重整的重點","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780589879946-i7e3.png","2026-06-04T16:17:28.780759+00:00",{"id":82,"slug":83,"title":84,"cover_image":85,"image_url":85,"created_at":86,"category":13},"f1822ffc-fbe1-4c5f-aa5d-e6dc37ae54a5","5-ways-harriet-sperling-echoes-kate-middleton-zh","5 種 Harriet Sperling 與凱特王妃的相似之處","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780587192008-dmzo.png","2026-06-04T15:32:45.790575+00:00",[88,93,98,103,108,113,118,123,128,133],{"id":89,"slug":90,"title":91,"created_at":92},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":134,"slug":135,"title":136,"created_at":137},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]