全国产算力训出代码能力：科大讯飞星火 X2.6 发布，293B MoE + 100 万上下文

2026 年 10 月 22 日下午，在合肥举办的 2026 全球 1024 开发者节主论坛上，科大讯飞正式发布了端云一体的讯飞星火 X2.6。这场发布会最醒目的标签不是参数本身，而是训练底座：据科大讯飞称，这是首个基于全国产算力实现代码与智能体能力突破的大模型。在 N 卡供应受限的背景下，这个宣称的分量，值得认真拆解。

发布核心：X2.6 到底发了什么

这次发布的核心信息可以压缩成四条：第一，云端旗舰模型讯飞星火 X2.6，据科大讯飞称采用 293B-A30B 的 MoE 架构——2930 亿总参数、每次推理激活 300 亿参数，上下文长度拓展到 100 万 token；第二，配套的训练与推理工程优化——自研长程任务动态并行训练技术，以及自适应存算协同推理和首个基于全国产设备的四层 KVCache 技术；第三，同步开源的端侧模型星火 X2.6-4B，限时免费；第四，云端模型的推理定价：输入限时 0.9 元/百万 tokens，缓存命中 0.08 元，输出 3.6 元。

X2.6 系列已在讯飞星火官网开放试用。对于开发者而言，这是一次可以直接上手验证的发布，而不是只停留在 PPT 上的参数宣示——这一点在国产大模型发布里并不常见，值得给个好评。

发布会的信息量不止于 X2.6 本体：据智东西报道，讯飞这次公开了一批基准测试成绩——代码能力上，星火 X2.6 在 SWE Pro、SWE Multilingual 两项测试中拿下第一，在 SWE Verified 上仅次于 DeepSeek-V4.1-Flash；智能体赛道上，企业运维类 Agent 与通用工具调用 MCP-Atlas 均处第一梯队；推理能力在 AA-LCR v1.1 上与 MiniMax M3 持平。这些是厂商公开的成绩，第三方独立评测尚未出现，但至少给了开发者一个可以对标的坐标系。同场还发布了语音基座大模型 SparkAudio 1.0、全模态座舱 SparkAuto Space 3.0、数字员工平台星帆 WinWork，以及基于 X2.6 的两款产品：面向日常办公的星火 Loomy 和面向专业办公（写代码、搞研究）的星火 AStudio——后者显然是冲着开发者场景去的。

技术拆解：293B-A30B MoE 意味着什么

293B-A30B 的命名规则和业界通行惯例一致：总参数 2930 亿，稀疏激活，每次前向只激活其中 300 亿。MoE（混合专家）架构的核心价值在于用接近 30B 级模型的推理成本，换取接近 300B 级模型的知识容量。对代码和智能体任务来说，这种容量尤其重要：代码补全、跨文件推理、长程 agent 规划，本质上都需要模型"记得住"大量的模式、API 用法和工程惯例，参数规模直接对应了这类记忆的上限。

但 MoE 的账要算两面。总参数大意味着训练和部署的显存占用大、通信开销高。300 亿激活参数在推理时的计算量大致对标一个 30B 量级的稠密模型，但 KVCache 和专家权重的加载对显存带宽提出了更高要求。这正是讯飞这次重点宣传推理优化的原因——如果没有四层 KVCache 和存算协同这类工程手段，MoE 的推理成本优势会被带宽瓶颈吃掉大半。

100 万上下文的工程含义

100 万 token 上下文，按中英文混合文本估算，约相当于 60 万至 80 万汉字，足以吞下整个中型代码仓库的核心文件。对智能体场景而言，长上下文的真正价值不在于"一次读完"，而在于减少 agent 在多轮任务中的信息丢失：长程任务里，早期轮次的工具调用结果、报错信息、中间决策如果掉出窗口，agent 就会开始"失忆"、重复犯错。100 万上下文把这个窗口推到了一个工程上够用的量级。

但这里必须诚实地打个补丁：超长上下文的"有效"长度和"标称"长度是两回事。业界多个第三方评测都显示，很多模型在超过某个比例后，对窗口中部信息的检索准确率会明显下降（俗称"大海捞针"衰减）。讯飞这次没有公布 X2.6 在 100 万长度下的针检索（needle-in-a-haystack）曲线，实际长上下文的可用性，需要等第三方评测或开发者实测来验证，不能只看数字。

动态并行训练与四层 KVCache：解决什么问题

据科大讯飞介绍，针对国产芯片显存与带宽相对受限的特点，自研的长程任务动态并行训练技术使超长上下文训练效率提升约 4 倍。翻译成工程语言：国产算力卡的单卡显存和卡间互联带宽通常弱于 N 卡旗舰，做超长序列训练时，切分策略（数据并行、张量并行、序列并行、流水线并行的组合）需要更精细的动态调度，否则大量时间会浪费在通信等待上。"动态并行"解决的就是这个问题——让切分策略跟着任务长度和硬件拓扑实时调整。

推理侧则是另一套组合拳：自适应存算协同推理，加上首个基于全国产设备的四层 KVCache 技术。KVCache 是解码阶段的显存大户，分层 KVCache 的思路是把不同"热度"的缓存放到不同层级的存储上（显存、内存、甚至更慢的介质），用调度算法掩盖访问延迟。"四层"意味着更细粒度的分级。据智东西报道，配套这套架构，飞星二号国产芯片的推理效率达到优化前的 4.5 倍，KV Cache 命中率由 63% 提升至 95.7%——命中率这个数字比"4.5 倍"更实在，因为它直接决定了长上下文 agent 任务的解码延迟。同样提醒一句：测试口径（batch size、序列长度、对比基线）没有完全公开，先当作厂商自报的上限参考。

X2.6-4B 端侧模型：讯飞的开源基本盘从哪来

要把 X2.6-4B 的分量讲清楚，得先回头看它的上一代。据智东西报道，X2.5-4B 自 9 月 1 日开源至今，下载量达到 256 万次，位列全球端侧模型前四。256 万次下载是一个硬数字：它说明讯飞在端侧已经积累了真实的开发者基本盘，而不是从零开始讲故事——端侧模型的需求爆发（本地知识库问答、离线代码助手、隐私敏感场景的轻量 agent）是真实存在的，讯飞吃到了这波红利。

讯飞做端侧模型的家底，和纯云端大模型厂商不太一样。它的语音技术——输入法语音输入、会议纪要转写、实时翻译——常年在手机和 IoT 设备上跑，对"小模型 + 弱算力 + 低延迟"这套工程有十几年的积累。自研推理框架"效率优于 ollama"的宣称（同样是厂商自报，待实测），如果属实，意味着 X2.6-4B 在消费级显卡甚至 CPU 上的可用性会明显好于同量级开源模型。这对 vibe 开发者是个实在的利好：在笔记本上本地跑一个能做简单 agent 循环的 4B 模型，调试 prompt 和工具链不用每轮都烧云端 API 的钱，迭代速度会快一个量级。

但也要泼一盆冷水：4B 量级模型的智能体能力天花板是客观存在的。再强的微调和框架优化，也很难让 4B 模型稳定完成需要深度规划的多步任务。合理的预期是——把它当作"本地开发沙盒"：在本地把 agent 的工具定义、prompt 模板、错误处理流程调通，验证逻辑正确性；真正跑生产任务时，再切到云端 X2.6 或其他大模型。讯飞的"端云一体"叙事，本质上就是在推这套工作流，端侧模型是钩子，云端 API 才是要卖的东西。看懂了这层，就不会对 4B 模型的 agent 能力抱有不切实际的幻想，也不会错过它真正的价值。

端云一体与 96.1%：这个数字到底指什么

先纠正一个容易误读的点：据智东西报道，96.1% 指的是端云路由准确率——即端侧模型判断"这个任务该纯端办、纯云办还是端云协办"的准确程度，科大讯飞通过基于评语模型的端云路由协同训练机制，把它从 81.2% 提升到了 96.1%。它不是"协同效率保持度"这类模糊概念，而是一个具体的分类准确率指标。路由准了，端云一体才有意义：路由错一次，要么把重任务压在端侧导致质量崩，要么把轻任务送上云白烧钱。

配套的任务分配设计是：60% 的 AI 应用任务在本地终端完成，原始数据不上传云端；30% 场景由端侧与云端协同处理；剩下 10% 的高难度任务调用云端大模型。这个"6-3-1"结构试图同时回答三个问题：数据安全（本地闭环）、算力成本（轻任务不上云）、任务效果（难任务有云端兜底）。刘庆峰在现场的表述是，端云一体化方案就是用来调和大模型安全性与推理成本之间的矛盾——这个定位是准确的。

对开发者的实际意义在于工作流设计。如果你的应用里 60% 以上的请求是意图分类、简单问答、格式化输出这类轻任务，端侧 4B 模型完全可以兜住，只有少量复杂推理走云端——整体成本和延迟都会显著下降，而且用户数据不出端的部分天然满足隐私合规要求。这种"分级路由"的思路，Claude 和 GPT 生态里也有人在做，但讯飞把它做成了官方支持的完整闭环：开源端侧模型、统一的协同框架、云端旗舰 API，开箱即用的程度更高。

"全国产算力"：含金量与争议

这是整场发布会最具话题性的部分。科大讯飞董事长刘庆峰在现场表示："只有星火一家是用全国产算力训练的，其他全是在 N 卡上训练"，其他厂商"最多也就是之后迁移到国产算力阵列上跑"。（此为刘庆峰现场说法，引自发布会报道）

先说含金量。如果属实，这意味着讯飞完整走通了一条"国产芯片训练国产大模型"的工程链路：从训练框架对国产卡的适配、算子优化，到超长上下文的并行策略，再到推理侧的存算协同。这条链路的价值不在于某一个 trick，而在于把国产算力从"能跑 demo"推进到"能训旗舰模型"。在当前供应环境下，这对国产算力生态是一个真实的正向信号——至少证明了"离开 N 卡也能训出有竞争力的模型"这条路在工程上是走得通的。

再说争议和需要冷静的地方。第一，"其他全是在 N 卡上训练"这个说法过于绝对：国内多家厂商都在不同程度上探索国产算力训练，直接断言"只有星火一家"缺乏可验证的口径——训练算力的构成属于商业机密，外界很难独立核实任何一家的说法。第二，讯飞这次确实公开了一批基准测试名次（SWE Pro、SWE Multilingual 第一；SWE Verified 第二；MCP-Atlas 第一梯队），这是值得肯定的透明度进步，但这些仍是厂商自选测试集、自报成绩，第三方独立评测尚未出现，"第一""首个"类表述应当按营销语言打折理解，真正的检验要等社区复现。第三，即便训练环节是全国产，整个链条里 EDA 工具、部分 IP 等环节的国产化程度如何，发布会没有展开，这是一个留白。第四，训练效率的绝对数字值得细看：据智东西报道，以国产超大规模智算平台飞星二号万卡训练 2000B、256K 长度数据为例，训练时间由 4.5 个月缩短至 1.2 个月；刘庆峰称 X2.6 就是过去 2-3 个月训练出来的——这个时间线本身，就是对"国产算力能训大模型"最有力的注脚。

我的判断是：把"全国产算力训练"理解为一个工程里程碑是合理的——它证明了可行性；但把它理解为"国产算力已全面追平"就过头了。真正的检验标准很朴素：X2.6 的 API 稳定性、推理延迟、代码任务的实际表现，以及开发者愿不愿意为它付费。这些数字，发布会给不出来，市场会给出来。

把这两端串起来看：X2.6-4B 开源是钩子，云端 API 才是要卖的东西，"端云一体"的完整闭环（开源端侧模型 + 统一协同框架 + 云端旗舰 API）是大模型厂商里少见的打法。坦率地说，"端云一体"在手机厂商和 AI 硬件圈已经不算新概念，但大模型厂商把它做到这种完整度、并且把端侧模型真正开源出来的，并不多。讯飞的语音技术家底（输入法、会议转写等场景沉淀的端侧优化经验）是这条路线的底气。如果 X2.6-4B 的 agent 能力真如宣称的那样可用，它可能成为国产开源 agent 开发的一个顺手工具——对开发者来说，这意味着可以在隐私敏感或弱网场景下先跑端侧 4B 模型，不够再切云端，而不需要维护两套完全不同的 prompt 和工具链。

定价横向对比：0.9 / 0.08 / 3.6 元是什么水平

X2.6 的推理定价已经公布：输入限时 0.9 元/百万 tokens，缓存命中 0.08 元，输出 3.6 元。我们用一张表把它摆清楚：

计费项	价格（元/百万 tokens）	备注
输入	0.9	限时价，常规价未公布
缓存命中	0.08	命中缓存的输入部分，不到输入价的十分之一
输出	3.6	为输入价的 4 倍，符合行业常见比例

横向看，这个定价落在国产 API 市场的中低价位带：输入 0.9 元明显是拉量试用的策略定价，而缓存命中 0.08 元才是真正有杀伤力的设计。智能体任务的特点是多轮、长上下文、大量重复读取同一批代码或文档——prompt caching 能命中的场景极多。0.08 元的缓存价意味着，一个 10 轮 agent 任务的成本可能只有全量计费的零头。这一定价结构摆明了是冲着 agent 开发者来的：先用低价把 agent 工作流迁移过来，再靠生态留住人。对比之下，输出 3.6 元维持了行业常见的输入输出 1:4 比例，没有额外加价，说明讯飞的补贴重点放在"让你先用起来"的输入侧，而不是在输出侧赚回来。

需要注意的是"限时"二字：输入 0.9 元是限时价，常规价没有公布。评估长期成本时，建议按"限时结束后可能上调"来做预算，短期内则可以放心薅羊毛做评测。雷科技的横向评价是：这个价位在国产大模型 API 市场属于低价档，比智谱、豆包便宜，略贵于小米 MiMo 和 DeepSeek 的 Flash 模型——"很有性价比"。这个第三方视角和我们上面的判断基本一致：X2.6 的定价策略就是"低价换生态"，赌的是 agent 工作流一旦迁过来就不会轻易搬走。

给 vibe 开发者的判断：国产模型做代码/agent 任务，能用了吗

把发布会的信息翻译成开发者语言，我的结论分三层：

• 可以试的场景：中文语境的代码补全、注释生成、单元测试编写、简单的跨文件重构；基于 X2.6-4B 开源模型的本地 agent 原型——端侧 4B + 自研推理框架（据称优于 ollama）的组合，适合在笔记本上先跑通 agent 循环，再决定是否上云。缓存命中的低价也让多轮 agent 实验的成本变得可以接受。
• 值得验证再用的场景：100 万上下文的长仓库问答、复杂的多步 agent 规划。标称长度不等于有效长度，建议用自己的仓库做"大海捞针"式实测：把关键信息埋进 50 万 token 的上下文里，看模型能不能稳定捞出来，再决定生产可用性。
• 先观望的点：厂商自报的 4 倍训练效率、4.5 倍推理效率、96.1% 端云路由准确率，这些数字的测试口径都没有公开；在它们被第三方复现之前，只当作"方向正确"的信号，不当作选型依据。另外，"全国产算力"的叙事对选型本身没有直接影响——开发者只关心延迟、质量和价格，算力是哪产的并不改变 API 的行为。

最后一句大实话：过去两年，国产大模型的代码能力一直在"接近可用"和"真的可用"之间反复横跳。这次 X2.6 把"全国产算力 + 代码/agent 突破"绑在一起讲，营销分量大于技术分量——但营销归营销，一个 293B MoE、100 万上下文、输入 0.9 元、缓存 0.08 元的国产模型摆在面前，亲自跑一遍评测的成本已经低到可以忽略。对 vibe 开发者来说，最好的判断方式永远是：拿自己的真实任务去试，跑 20 个 case，胜过看 20 篇发布会报道。

X2.6 系列已在讯飞星火官网开放试用，X2.6-4B 开源模型限时免费——羊毛的有效期，就是验证的窗口期。