逼近Claude！中国黑马27B大模型崛起与AI变现新路径

type

status

date

slug

summary

小团队的大突破：27B模型惊艳CyberGym

CyberGym并非普通的跑分测试，而是一个让人工智能在真实软件环境里复现漏洞的高难度评测。它要求模型不仅要理解代码，还要构造触发漏洞的测试，并根据运行反馈不断调整。这考验的是LLM（大型语言模型）将分析、行动与验证无缝连接的综合能力。

截至近期数据，万衍的Feyospace-v1在该榜单上的漏洞复现成功率达到了惊人的63.0%，这一成绩极为接近Claude Sonnet 4.6的65.2%。在过去，这类高难度榜单的前列长期被资本雄厚的巨头垄断。万衍的突破证明了，通过面向安全场景的专业化后训练，百亿参数级别的“小模型”完全能够在垂直领域爆发出惊人的能量。

专家经验转化为AI能力：Kreator方法的启示

万衍之所以能取得如此成绩，核心在于他们掌握了将“人类专家经验”转化为“模型可学习知识”的秘诀。在处理复杂的浏览器引擎漏洞时，模型往往会卡在某个特定的运行条件上。此时，安全专家会介入，补充关键的判断。

万衍团队并未简单地把最终答案喂给模型，而是采用了一种名为Kreator的方法。这种方法将专家的洞见、推理过程以及行动记录完整保留下来。因为专家往往依靠隐性直觉，而模型需要清晰、可复现的中间步骤。这就好比我们在编写高质量的提示词（Prompt）时，需要给模型提供思维链（CoT）一样。Kreator方法不仅记录“做了什么”，更保留了“为什么这样做”，让专家的一次关键判断，成为模型学习一整类问题的起点。

真实业务驱动：构建大模型持续进化的飞轮

比跑分更令人兴奋的，是万衍的商业逻辑。在探讨AI变现的今天，很多公司陷入了“拿着锤子找钉子”的窘境。而万衍选择亲自下场，布局App、音频、安全和量化等真实业务。

他们的逻辑非常清晰：业务跑得越远，遇到的疑难杂症就越多；专家在解决这些问题时留下的高质量数据，反哺给模型进行训练；模型变得更强后，又能帮助业务挑战更难的工作，创造更大的经济价值。

例如，在量化研究中，策略想法需要与数据质量、风险约束共同接受检验；在音频业务中，创作过程对旋律和风格的判断能为音乐理解提供训练课题。万衍正在建设的Praxis OS，正是为了将这些真实经营中的目标、行动和结果，转化为持续推进模型研发的养料。这种将业务增长与模型进步相互绑定的“飞轮效应”，为整个人工智能行业提供了一个极具参考价值的范本。

产业协同与未来展望：迈向AGI的新范式

当chatGPT等通用大模型不断刷新能力上限时，垂直领域的专业模型如何保持竞争力？万衍给出的答案是：持续吸收通用模型的进步，同时将自己的研发集中在下一批重要、困难且尚未解决的真实业务问题上。

这种业务经营与模型研发深度结合的模式，正在成为产业的新趋势。这也与OpenAI等机构将研究人员、工程师和领域专家放在同一体系内的做法不谋而合。万衍的目标不仅是打造一个强大的安全模型，更是要建立一家在创造经济价值的同时，持续扩大模型能力边界的AI公司。

随着这种模式的成熟，我们有理由相信，通往AGI（通用人工智能）的道路不仅在实验室里，更在千千万万个真实的商业经营现场中。获取每日精选的AI日报和最前沿的行业深度解析，请持续关注 AIGC导航，与我们一起见证AI时代的每一次跃迁。