三年间大模型落地的思路完全反过来了

同一种公司，相隔三年，结果相反。

2023 年，Bloomberg 从零训了个 50B 模型，喂了 363B token 的私有金融数据，官方结论：没用在任何产品里。

2026 年，Thomson Reuters 花 4000 万美元，用不到 10% 的 175 年专有内容，在开放底座上做持续预训练加专家后训练，自报的领域评测打赢了若干主流闭源模型。纯算力成本：10 万到 20 万美元。

中间三年变了三件事：
1. 开放底座够强了，同等能力的 API 价格降了约 100 倍
2. 后训练工具链成熟了：全参数异步 RL，评测体系直接当优化信号
3. 前沿预训练变成 100 亿到 500 亿美元量级的军备竞赛，没有一家实验室有健康的独立利润表

稀缺资源从算力倒转到评测加数据飞轮。Harvey 在开放底座上做全参数 RL，法律基准上打赢了 GPT-5.5 和 Opus 4.8 Max。

但前提在收窄：Kimi K3 的 Modified MIT、MiniMax 的 2000 万美元收入门槛、阿里的收入分成，纯开放权重的窗口正在关闭。

12 家公司案例、成败分水岭和决策框架，写全了：