TL;DR
新模型:Arcee AI 於 2026 年 4 月 3 日發布了 Trinity-Large-Thinking，這是一個在 Apache 2.0 許可下的 3990 億個參數的開源推理模型。成本優勢:該模型的定價為每百萬輸出代幣 0.90 美元，比 Claude Opus 4.6 等同類專有模型便宜約 96%。小團隊:一家 30 人的新創公司投資 2,000 萬美元在 2,048 個 NVIDIA Blackwell GPU 上進行為期 33 天的訓練，建立了前沿模型。市場空白:由於阿里巴巴等中國實驗室轉向專有模型，而 Meta 缺乏有競爭力的前沿選擇，該版本填補了美國的開源真空。企業焦點:Apache 2.0 許可證允許受監管行業的企業下載、微調和自行託管模型，而不受使用限制。
舊金山新創公司 Arcee 週四推出了一個開源推理模型，該模型可以接近其規模數百倍的實驗室系統的性能，每個代幣的成本降低約 96%，在中國實驗室正在關閉其模型權重且尚未出現可靠的美國開放權重競爭對手來取代它們的情況下，為企業團隊提供了一個可自行託管的替代方案。
Arcee-ai-lands-24m-series-a”target=”_blank”>Arcee 402050 Eergence 40202020000萬美元，使總資金略低於 5,000 萬美元。 該公司位於舊金山，團隊只有 30 人，將其總資本的近一半投入一個培訓計畫。
2026 年初Arcee 投入 2,000 萬美元在由 2,048 個 NVIDIA B300 Blackwell GPU 組成的集群上進行為期 33 天的培訓運行。 Blackwell 硬體提供的速度是上一代 Hopper 的兩倍，從而壓縮了本來要長得多的時間表。結果，儘管大型實驗室的前沿模型通常消耗數億美元的運算資源，但整個專案還是在九個月內交付了。
首席技術官盧卡斯·阿特金斯 (Lucas Atkins) 稱這種方法為「透過約束進行工程」。 Arcee 沒有匹配 Google 或 OpenAI 的運算預算，而是優化了架構選擇，以從有限的資源中獲得最大效能。
「開發人員和企業需要他們可以檢查、訓練後、託管、提取和擁有的模型，」Atkins 指出，解釋了為什麼該公司選擇 Apache 寬鬆許可證而不是更嚴格的替代方案。完整的 Apache 2.0 意味著企業可以修改、提煉和商業部署模型，而無需單獨的授權協議，這與許多早期模型使用的受限「開放權重」授權有很大區別。
值得注意的是，Arcee 的 Mixture-of-Experts 設計僅啟動任何給定代幣總參數的 1.56%，將計算集中在重要的地方。為了防止專家在訓練期間崩潰，團隊開發了 SMEBU（軟箝位動量專家偏差更新），這是一種保持專家模組間路由平衡的技術。
同時，NVIDIA 的 Nemotron 3 類似地使用專家混合架構來僅啟動每個令牌的一小部分參數，儘管其混合 Mamba-Transformer 設計採用了不同的效率方法。混合注意力架構進一步支援 Trinity 的效率，以 3:1 的比例交替局部和全局滑動視窗注意力層，以實現強大的長上下文效能。
在此設計的基礎上，訓練總共消耗了 20 萬億代幣:透過 DatologyAI 合作夥伴提供的 10 萬億個高品質網絡數據，加上 10 兆個合成數據。 DatologyAI 的方法重寫原始網路文字來濃縮訊息，而不是依賴對較大模型的模仿。
此外，Arcee 從語料庫中排除了許可不明確的受版權保護的書籍和資料，針對需要最大限度降低智慧財產權風險的企業客戶。這種高效的架構、乾淨的訓練資料和寬鬆的許可的結合，使 Trinity-Large-Thinking 成為需要無法律不確定性的自託管推理模型的組織的罕見選擇。
基準性能和早期牽引
Arcee 自己的測試將 Trinity-Large-Thinking 置於 PinchBench 上 Claude Opus 的兩分之內，並遠高於 OpenAI 的水平gpt-oss-120B 在相同的基準上。在 AIME25 上，該模型與 Kimi K2 相符並優於 GLM-5，而指令追蹤基準測試顯示與 Opus 幾乎持平。
但是，在 SWE-bench 上驗證模型落後 Opus 超過 12 個點，反映出真正的限制。 Trinity-Large-Thinking 是一個純文字推理模型，而不是程式設計專家，評估其軟體開發任務的企業應該考慮到這一不足。
對於主要用例涉及分析、研究和結構化推理而不是程式碼生成的企業來說，以每個代幣 Opus 成本的一小部分在關鍵基準上接近平等代表著一個有意義的機會。隨著查詢量的擴大，這些節省會迅速增加。
對早期預覽版本的需求支援該框架。在 Thinking 更新之前，Preview 成為 OpenRouter 上美國排名第一的開放模型，全球排名第四。
Preview 在前兩個月提供了 3.37 兆個代幣，但因在多步驟指令方面遇到困難而受到批評。 Thinking 透過啟用多輪工具呼叫、改進上下文一致性和更清晰的指令遵循來解決這些缺點。
所有基準測試資料均來自 Arcee 自己的測試。獨立的第三方評估尚未發布，這意味著在外部研究人員驗證之前應謹慎對待這些說法。
開源真空等待填補
Arcee 的推出正值開源 AI 的關鍵時刻。曾經引領開放權重開發的中國實驗室已經發生了轉變:阿里巴巴的 Qwen3.5-Omni 於 2026 年 3 月 30 日以專有 API 的形式推出，打破了該公司之前的開源 Qwen 傳統。
此外，自 Llama 4（2025 年 4 月面臨品質問題和基準操縱問題）以來，Meta 一直沒有開發出有競爭力的前沿模型。包括 z.ai 在內的其他中國實驗室也同樣轉向專有企業平台。
相較之下，Google 剛剛在完全寬鬆的 Apache 許可下發布了 Gemma 4，這標誌著該模型系列的重大轉變。美國組織的連續發布表明行業信心不斷增強，即開放許可和前沿級能力不再存在緊張關係。
在此基礎上，Mistral 在 3 個月前與開放權重大型公司建立的模式表明，寬鬆的許可可以與前沿性能共存。對於受監管產業的企業來說，法律的明確性與技術規範同樣重要。
Hugging Face 聯合創辦人兼執行長 Clement Delangue 提供了體現當前更廣泛意義的認可。
「美國的力量一直是新創公司，所以也許他們是我們應該依靠的公司來引領開源人工智慧。Arcee 表明這是可能的！」
Clement Delangue，聯合創始人兼首席執行官Hugging Face（來自 VentureBeat)
基於此觀點，Pinterestgal 首席技術長 Matt href=”https://www.forbes.com/sites/timkeary/2026/03/25/why-china-is-Winning-the-open-source-ai-race/”target=”_blank”>指出「開源領域的最新進展，顯著縮小了與領先封閉模型的性能差距。」這意味著美國開發的新步伐，現在可能會縮小了與世界封閉模型的性能差距。
Arcee 在 Preview 和 Thinking 版本中的快速發展表明，當授權條款、成本和效能一致時，企業已準備好採用功能強大的開放模式。除了旗艦模型之外，Arcee 還發布了一個原始 TrueBase 檢查點，該檢查點在指令調整和 RLHF 之前保留預訓練狀態。
透過單獨提供該檢查點，Arcee 使組織能夠應用自己的微調和安全程序，而不是繼承公司的對齊選擇。此外，名為 Maestro Reasoning 的單獨可用的 32B 參數衍生產品已經為以審計為重點的企業提供透明的思想到答案追蹤。
Arcee 表示，計劃將 Trinity 的預訓練和後訓練課程提煉到 Mini 和 Nano 模型系列中，將架構擴展到邊緣和設備上部署。該路線圖將為企業團隊提供一個一致的開放模型系列，涵蓋雲端、伺服器和設備層，並具有相同的寬鬆授權條款。
「我們仍然認為，美國的寬鬆開放權重對於美國充分聲稱我們在人工智能領域處於『領先』是必要的。」
Arcee AI（來自 Arceequote
