10亿Tokens免费送！实测全国产算力模型Spark-X2.6，纯代码搓出3D故宫
内容提要
讯飞发布Spark-X2.6，采用MoE架构，总参数293B，坚持从训练、推理到端侧部署的全栈国产算力路线，核心链路不依赖英伟达。代码与智能体能力提升约8个点，国产平台训练效率提升4倍，高频场景约60%任务降低Token消耗。实测中，4B端侧模型可离线完成经营复盘；端云协同机制实现敏感信息本地脱敏、复杂分析交云端处理，路由准确率达96.1%。
延伸解读
全栈国产算力的工程挑战
文章指出，讯飞从训练、推理到端侧部署均采用国产算力，核心链路不依赖英伟达。这并非简单替换硬件，而是涉及算子、框架、多卡通信的全面适配，尤其在千卡、万卡规模下，训练效率和集群稳定性成为新考验。讯飞通过飞星一号等早期布局，逐步走完从“跑起来”到“训出来”的完整流程，其积累的工程经验构成了端侧模型和端云协同的基础。
端云协同的实际分工逻辑
Spark-X2.6提供三种协同模式：简单任务纯端侧执行，需云端能力的任务先在端侧脱敏再上云，复杂任务则端云配合。实测中，4B端侧模型离线完成经营复盘，耗时6.8分钟，完成度约九成；合同审查场景下，端侧先脱敏26项敏感信息，云端70.8秒内找出18项风险。这种分工让企业能根据任务难度和安全要求灵活分配，兼顾隐私、成本与能力。
模型升级的量化改进
相比X2.5，Spark-X2.6在代码和智能体能力上整体提升约8个点，国产训练平台效率提升4倍，四层KV Cache命中率达95%。高频场景中约60%任务降低Token消耗。这些改进直接指向“干活”能力，例如在Coding Agent测试中，模型能根据反馈快速调整，完成3D故宫等复杂代码生成任务。不过，文章也指出模型并非一次成型，对反馈的响应速度更为关键。
实测的边界与局限
文章明确，端云协同测试仅为最小可行性验证，保留了人工分配环节，完整方案才支持自动路由。4B模型在经营复盘中将一笔在手订单误归为潜在商机，分类不够严谨。此外，端侧模型能力存在边界，复杂任务仍需云端接力。这些细节提醒读者，当前方案在自动化程度和任务精度上仍有提升空间，企业落地时需结合人工复核。
Q&A
Spark-X2.6 模型在国产算力上有什么突破？
Spark-X2.6 采用 MoE 架构，总参数 293B，从训练、推理到端侧部署全链路使用国产算力，核心链路不依赖英伟达 GPU。通过训练和推理架构优化，模型在国产训练平台上的效率提升 4 倍，四层 KV Cache 命中率达到 95%。
Spark-X2.6 的端云协同机制是如何工作的？
端云协同机制让任务先由端侧模型判断，再选择执行路径：简单任务本地完成（纯端侧执行）；需要云端能力的任务先在端侧脱敏再上云（纯云侧执行）；复杂任务则端侧脱敏后云端指导或分工协作（云+端执行）。基于评语模型的端云路由协同训练机制将路由准确率从 81.2% 提升到 96.1%。
Spark-X2.6-4B 端侧模型在离线环境下能完成哪些任务？
在实测中，4B 端侧模型通过 Ollama 部署在无独立显卡的电脑上，全程 CPU 推理并断网运行，用时 6.8 分钟完成了一家虚构机器人公司的周度经营复盘，包括跨文件核对数据、识别营收变化、客户冲突和交付风险，并生成完整报告，完成度约九成。
Spark-X2.6 在代码生成和智能体能力上有哪些提升？
相比 X2.5，Spark-X2.6 的代码和智能体能力整体分别提升约 8 个点，模型整体实力位列业界第一梯队。实测中，它能够根据简单提示生成骑自行车的鹈鹕 SVG、3×3 魔方模拟器，甚至用代码搭建可自由探索的 3D 故宫网页。
Spark-X2.6 如何帮助企业节省 Token 成本并保护隐私？
在高频应用场景中，约 60% 的任务实现了 Token 消耗下降。同时，端云协同机制允许敏感信息在本地脱敏后再上传云端处理，处理完再本地还原，确保原始敏感信息不出本地。实测中，4B 模型用时 4.3 分钟将合同中的 26 项敏感信息全部替换为占位符，无原始信息残留。
Spark-X2.6 的 API 价格是多少？
Spark-X2.6 已上架讯飞星辰 MaaS 平台，当前 API 价格打六折，每百万输入 tokens 0.9 元，每百万输出 tokens 3.6 元，比大肥鱼谷价便宜约 10%。
