8月26日，一条消息在AI圈悄悄炸了锅：OpenAI内部代号为"Bel"的下一代模型已经完成预训练。据爆料，这个模型的参数规模可能达到10万亿级别。与此同时，另一个代号为"Astra"的模型也在加速推进，新增了mozaik-alpha-fdm测试阶段。
10万亿参数是什么概念？目前公开的最大的开源模型Kimi K3是2.8万亿参数，GPT-5系列预估在万亿级别。Bel如果真的做到10万亿，那就是直接把天花板又抬高了将近4倍。
参数规模为什么还在卷
很多人可能会问：都2026年了，参数规模还重要吗？ Scaling Law不是已经被证明遇到瓶颈了吗？
答案是：瓶颈是相对的。从GPT-4的约1.8万亿参数，到现在的10万亿级别，每一代模型的提升并不只是"大力出奇迹"，更多是在架构效率、数据质量、训练方法上做了大量优化。MoE（混合专家）架构让模型在保持总参数量的同时，实际推理时只激活一部分参数，大幅降低了计算成本。
换句话说，10万亿参数不等于10万亿成本。真正贵的是训练时候的算力，推理时候的效率已经被各种技术手段压下来了。
军备竞赛背后的逻辑
OpenAI为什么这么拼？看看竞争对手就知道了。Anthropic的Claude系列估值已经逼近万亿美元，谷歌Gemini月活突破10亿，国内DeepSeek、智谱、通义千问在开源市场杀得难解难分。据OpenRouter最新数据，全球调用量前六名已经全部被中国开源模型包揽。
对OpenAI来说，这不仅是技术竞争，更是市场地位的保卫战。ChatGPT曾经一骑绝尘，但现在面临的挑战前所未有。GPT-5.6 Luna降价80%后，调用量仍然不足国产头部模型的三分之一。这个数字本身就说明了很多问题。
所以OpenAI选择了两条路并行：一条是闭源模型不断推高参数天花板，另一条是自研芯片Jalapeño来降低算力依赖。两条线合在一起，就是一个字：自主。不被算力卡脖子，不被成本压垮，不被竞争对手甩开。
10万亿参数离超级应用还有多远
参数规模大不代表产品就好用。这一点已经被反复验证了。真正决定用户体验的，是模型在具体场景下的表现：能不能理解复杂指令、能不能做多步推理、能不能和工具链协同、能不能在合理的成本下提供服务。
目前来看，10万亿参数模型要真正成为"超级应用"的底座，还需要跨越几道坎。第一是推理成本，参数越大推理越贵，怎么把单次调用成本压到用户可接受的范围。第二是延迟问题，10万亿参数的模型怎么做到毫秒级响应。第三是场景适配，通用大模型和垂直场景之间还有一段不短的距离。
但从趋势上看，2026年的AI竞赛已经进入了一个新阶段。不再是"谁的模型更大"的简单比较，而是"谁能把大模型变成好用的产品"的全面较量。参数军备竞赛只是表象，产品落地才是终局。
写在最后
10万亿参数这个数字本身很震撼，但更值得关注的是它背后的产业逻辑。OpenAI在赌一个大模型可以解决一切问题的未来，而中国市场在用开源和低成本走一条完全不同的路。两条路谁赢，现在下结论还太早。唯一确定的是，这场竞赛的烈度还在升级，还远没到终局。
10万亿参数...我手机连个10G的游戏都装不下 ?
Astra和Bel两个代号一起推进，OpenAI这是左手闭源天花板，右手自研芯片降成本。两手都要硬。
参数大不等于产品好用，这点太对了。GPT-5.6降了80%的价格，调用量还是不到国产模型的三分之一。说明用户选模型看的不是谁更大，是谁更适合自己的场景。
说到军备竞赛，我倒觉得中国厂商走了一条完全不同的路。你看OpenRouter的数据，全球调用量前六全是国产开源模型，靠的不是参数大，而是性价比。DeepSeek的缓存命中定价百万token才两分钱，这种打法才是真正在争夺开发者。
10万亿参数这个数字确实震撼，但更值得关注的是推理成本的曲线。训练一次烧掉几亿美元，但推理端靠MoE架构和量化技术，单次调用成本已经被压到百万token几毛钱的水平。真正的战场不在参数规模，在于谁能把大模型的能力以最低成本交付给终端用户。OpenAI自研芯片Jalapeño那条线其实更关键。