開源 AI 贏的不是分數，是控制權

開源 AI 正在靠控制模型、代理與部署方式取勝，而不只是靠基準分數。

開源 AI 已經不是給愛好者玩的旁支，而是想掌握模型、代理與部署主導權的團隊，最務實的選擇。2026 年 6 月的幾個例子很直接：MiniMax M3 帶著 100 萬 token 上下文窗與開放權重登場，NVIDIA Cosmos 3 把物理 AI 帶進開放基礎模型，Zyphra 的 ZAYA1-8B 在 AMD Instinct 硬體上訓練並採 Apache 2.0 授權，OpenClaw、Hermes Agent 這類工具則把重心從雲端 API 轉向本地系統。這不是單一模型的勝負，而是整個技術棧的所有權正在改寫。

第一個論點

開源模型現在已經能在能力上正面競爭，不再只是「可替代」。以 MiniMax M3 為例，整理資料顯示它在 SWE-Bench Pro 拿到 59.0%，Terminal-Bench 2.1 為 66.0%，OSWorld-Verified 則達 70.06%，同時支援 100 萬 token 上下文與原生電腦操作流程。這些不是裝飾性的數字，而是直接指向長鏈程式工作與介面操作能力，對工程團隊有實際意義。

DeepSeek V4-Pro 與 V4-Flash 也說明同一件事，只是切入點不同。前者採 1T mixture-of-experts，後者是 284B MoE，兩者都把長上下文 coding 能力推進到過去常由封閉前沿模型壟斷的區間。重點不是每個指標都贏過所有閉源對手，而是開源系統已經逼得閉源廠商不得不回應。當 OpenAI 推出 GPT-5.5 Instant、Google 推出 Gemini 3.5 Flash，這就是開源在定義競爭節奏。

第二個論點

六月最重要的變化，不是模型清單，而是模型外面的代理層。OpenClaw 透過本地 gateway、Docker sandbox，還支援 Signal、Telegram、WhatsApp、Discord、iMessage 等通訊場景，說明使用者真正要的是一個能跨工具持續運作的助手，而且資料不要被綁死在單一雲端供應商手上。一個 37.7 萬 stars 的專案不會只因為概念好而成長，它是因為解決了真實的操作需求。

Hermes Agent 與 smolagents 把這個趨勢再往前推。Hermes 會把成功任務軌跡轉成永久技能包，讓系統靠累積經驗而不是每次對話結束就失憶；smolagents 則把抽象層壓到大約 1000 行 Python，讓模型在 sandbox 裡直接執行原始碼。這是很明確的設計選擇。真正會贏的 agent 框架，不是 middleware 最厚的那個，而是能保留狀態、可檢查行為、也能控制執行的那個。

反方可能怎麼說

最強的反對意見很簡單：開源 AI 在打磨程度、支援能力與穩定性上，仍然落後於封閉系統。基準分數不等於生產環境的可靠度，開放授權也不會自動補上安全、治理與維運。閉源供應商仍能把模型更新、託管、監控與合規包成一份合約，這就是為什麼很多企業即使看到開源權重表現接近，還是會繼續付費買 managed API。

這個批評成立，但它沒有推翻趨勢。開源 AI 不需要先在便利性上全面超車，才能在策略上取勝。它只要讓鎖定成本變高就夠了。當團隊已經能把 MiniMax 這類長上下文工作流跑在本地，把 OpenClaw 這類代理堆疊放進自己的 sandbox，還能在 AMD Instinct 這種異質硬體上訓練，問一句「為什麼一定要用專有 API？」的答案就會弱很多。限制是真的，開源系統確實更吃營運成熟度；結論也是真的，對嚴肅團隊來說，它已經提供足夠的控制與性能，值得優先選用。

你能做什麼

如果你是工程師，先把 prompts、tool schema、eval 與部署路徑做成模型無關，確保能在開源與閉源系統之間切換而不用重寫產品；如果你是 PM，把 agent 當成有狀態的產品，而不是聊天功能，從第一天就設計好持久化、權限與稽核；如果你是創辦人，不要把開源當成省錢手段，而要把它當成分發策略來看，因為這一輪真正會贏的公司，拿下的是 workflow、資料邊界與部署面，而不只是模型呼叫本身。