笔记本上跑的开源模型把 Claude Opus 比下去了：你的 AI 产品护城河是什么。

写在前面

Simon Willison 在自己的笔记本电脑上运行了 Qwen3.6-35B-A3B 模型，让它画了一只 SVG 格式的鹈鹕。

结果，Qwen3.6 画得比 Claude Opus 4.7 更好。

这条测试结果在 Hacker News 上获得了 929 分，成为当天讨论最热烈的话题之一。

Qwen3.6-35B-A3B 的规格：35B 总参数，采用混合专家架构（MoE），每次推理只激活约 3B 参数；GGUF 格式，磁盘占用 20.9GB；可以在 LM Studio 里直接加载，在配置中等的消费级笔记本上运行。

同一周，Anthropic 主动宣布对 Opus 4.7 的网络安全相关请求增加限制。

一个更便宜、不需要联网的本地模型，在某些任务上超过了最贵的商业 API。

一、Qwen3.6 是怎么做到的：混合专家架构的实际效果

理解这件事的关键，是「混合专家架构（Mixture of Experts，MoE）」。

传统的 Dense 模型，比如早期的 GPT-4 版本在做推理时，会激活模型的所有参数。

也就是说，100B 参数的模型，每次推理都用 100B。

MoE 的设计不同，它有很多个「专家子网络」，每次推理时只激活其中少数几个最相关的专家。

Qwen3.6-35B-A3B 的意思就是，总共有 35B 参数存放在磁盘上，需要 20.9GB，但每次推理只激活约 3B（A3B 的「A」代表 Activated）。

这意味着：推理速度快，激活参数量只有 3B，相当于在跑一个 3B 的小模型；显存占用低，推理时不需要把全部 35B 都加载到内存，减轻了硬件压力；能力接近大模型，训练时用了 35B 的全部参数，推理时只是选择性调用，知识储备不减少。

这个架构不是 Qwen3.6 的发明。

Deepseek-V2、Mistral 的 Mixtral 系列都采用了类似设计。

但 Qwen3.6 把这个架构推向了一个新的可用性临界点：一台配备 32GB 统一内存的 MacBook Pro，就能顺畅运行一个在某些任务上媲美顶级商业 API 的模型。

这不是学术测试，这是 Simon Willison 在自己的机器上实际跑出来的结果。

二、「调用最好的 API」为什么从来就不是护城河

很多 AI 产品的隐性逻辑是，「我接的是 GPT-4o / Claude Opus，竞争对手接的是便宜的模型，所以我的产品质量更好。」

这个逻辑在 2023 年还勉强成立。

到 2026 年，它已经完全站不住脚了。

原因有三个层面：

第一，模型能力趋同速度超过预期。

Qwen3.6 追平 Opus 4.7 的 SVG 任务只是其中一个例子。

在代码生成、文本分析、逻辑推理等大多数独立开发者关心的任务上，开源模型和顶级闭源 API 之间的差距在过去 18 个月里缩小了 80% 以上。

而这个趋势没有放缓的迹象。

第二，供应商的功能限制随时可以改变。

同一周，Anthropic 宣布对 Opus 4.7 的网络安全相关请求增加限制。

这不是第一次，也不会是最后一次。

一个你今天依赖的 API 功能，明天可能因为供应商的合规决策、商业调整或者政策变化而消失或受限。

如果你的产品深度绑定单一供应商，这种变化可能直接影响你的核心功能。

第三，「调用 API」是能力，不是差异化。

你的竞争对手今天就能调用一模一样的 API。

如果你的产品优势只来自「我用的模型更好」，那这个优势在竞争对手也升级到同一个模型的第一天就消失了。

模型是工具，差异化来自你用这个工具解决了什么问题，以及你的数据、流程、用户关系是否构成了真正的壁垒。

三、真正的护城河在哪里：三种防御性优势

如果「用最好的 API」不是护城河，什么是？

对独立开发者来说，有三种有意义的防御性优势：

① 垂直场景的数据积累

同样是「AI 代码审查工具」，你有 10 万个真实 PR 的历史数据、标注和用户反馈，竞争对手没有，这就是护城河。

数据不是大公司的专属优势，独立开发者专注一个小垂直领域，往往可以在这个领域积累出大公司不屑于做的精细化数据。

关键是，你的数据要和模型能力叠加，而不是替代模型能力。

当开源模型追平闭源模型时，你的数据优势会被放大，因为现在所有人都能用同样强的基础模型，但只有你有这些数据。

② 工作流嵌入和切换成本

用户每天在你的产品里花 2 小时，已经建立了几十个自定义模板、接入了 CRM 和 Slack、团队里有 5 个人在用，这就是护城河。

不是因为你的 AI 比别人好，而是因为切换成本太高了。

独立开发者在这一点上有一个误区，认为「功能最好才会留住用户」。

但留住用户更有效的方式往往是「深度嵌入用户的工作流」。

一个功能差一点但与用户现有工具链完美集成的产品，往往比功能最好但独立孤岛的产品有更高的留存率。

③ 社区和分发优势

你有一个 3 万人的 Newsletter，你是某个垂直领域最知名的独立开发者，你的产品在 Product Hunt 上有 2000 个 upvotes 和 500 条评论，这就是护城河。

分发能力是无法直接复制的，而且随着 AI 工具成本下降，越来越多的人能做出「够用的产品」，这时候谁能让产品被更多人看到，谁就赢。

总结一下它们的共同点。

这三种护城河都和「用哪个 AI 模型」无关。

它们在 Qwen3.6 追上 Opus 之前就有价值，在下一代开源模型超过所有现有闭源 API 之后依然有价值。

四、面对这个趋势，今天的 AI 产品构建者应该怎么想

这件事对正在构建 AI 产品的独立开发者有两个直接的实操影响：

第一，考虑「模型无关性」设计

如果你的产品今天深度绑定 Anthropic 或 OpenAI 的 API，可以把模型 API 调用封装成一个可替换的抽象层，让你的产品能在不改动业务逻辑的情况下切换底层模型。

这件事的开发成本不高，在 AI 的辅助下，也就是几个小时，但能给你未来的灵活性。

第二，重新审视你的定价逻辑

很多 AI 产品的定价里，有一部分「AI 能力溢价」，也就是用户为 AI 功能，需要付更多钱。

随着 AI 能力商品化，这个溢价会逐渐压缩。

对独立开发者来说，现在是时候把价值主张从「AI 能力」转移到「场景解决方案」上。

也就是说，定价逻辑应该从「你在用 AI」，我的成本更高，所以定价更高，转移到「你的某种问题被解决了」，而且更快更有效，所以定价更高。

对国内 AI 创业者的启发

1. 今天比你贵的闭源 API，明天可能不再是门槛——国内的同类趋势也在加速。

Qwen 系列是阿里巴巴开源的，Deepseek 是中国公司开源的，MiniMax 也在本地推理上持续投入。

国内 AI 产品面对的「模型能力商品化」速度，甚至比海外更快，因为国内开源模型的发展势头更强劲。

如果你的产品护城河依赖「调国内最好的 API」，这个窗口比你想象的更短。

2. 国内用户对「本地部署」的需求比海外更强，这是额外的机会。

国内企业用户对数据安全和合规的要求更高，很多场景下不允许数据出境。

当 Qwen3.6 这类开源模型可以本地部署且能力足够强时，面向企业的 AI 产品可以把「本地部署、数据不出厂」作为核心功能，这是海外以 API 为主的竞争对手很难复制的优势。

3. 护城河的建立要趁早。当模型能力不再是差异点时，剩下的才是你真正的资产。

数据积累需要时间，用户习惯需要时间，分发网络需要时间。

现在开始做这些事，比等到模型能力全面商品化之后再找护城河，要早得多。

如果你今天的产品还没有清晰地回答「如果有人做了完全一样的产品但用更便宜的模型，用户为什么还会选你」，这是现在就需要想清楚的问题。

4. 用你的具体用例做开源模型 vs 闭源 API 的对照测试。

Opus 4.7 在 Qwen3.6 上表现更差的是 SVG 绘图。

但在其他任务上，顶级闭源模型依然领先。

作为产品构建者，你需要测试的是：对你的具体用例来说，开源模型和闭源 API 的差距在哪里，以及当差距消失时你的产品发生什么变化。

这个测试今天就可以做，而且应该持续做。

模型会一直变好，API 成本会一直降低。不变的是你比别人更了解你的用户，更早进入那个垂直领域，更深地嵌入他们的工作流里。那才是你的护城河。