大语言模型

750B 的模型不收钱：韩国把「国家级基础模型」直接挂成公共 API，但权重一个都没放

2026年11月9日3 次阅读
750B 的模型不收钱：韩国把「国家级基础模型」直接挂成公共 API，但权重一个都没放

3 分钟看懂

先讲结论：11 月 9 日（韩国时间），LG AI Research 在首尔 COEX 的「NVIDIA AI Day Seoul 2026」上宣布，K-EXAONE 2.5 的 API 全面免费开放——不用申请白名单、不用绑卡，去官方平台领个 key 就能调。模型是 7500 亿总参数、每 token 激活 310 亿的混合专家（MoE）模型，上下文 512K。

反常在另一半：它没放权重。Hugging Face 上 LG 官方组织里最新的权重还是 8 月的 K-EXAONE 2.0，搜「K-EXAONE-2.5」是空的。

所以这件事的真正看点不是「又一个免费模型」，而是：一家国家级基础模型的承担方，把「让你用」和「给你拿走」拆成了两件事。开放的是接口，锁着的是权重。

本文基于 LG AI Research 官方 API 平台文档（changelog、模型页、限流页）与多家韩国媒体转述整理，benchmark 数字均为厂商自评口径。

这是什么

K-EXAONE 是韩国科学技术信息通信部（MSIT）「独立 AI 基础模型」项目（韩文常写作「독파모」，即「独立 AI 基础模型」）的产物，LG AI Research 是承担方之一。

这次的 2.5 不是全新一代，而是在 8 月发布的 2.0 基础上继续加训得到的技术验证模型——官方自己的说法就是「technology verification model」。它的作用是给 3.0 探路，顺便把真实负载收上来。

关键规格（来自官方模型页）：

  • 750B 总参数 / 31B 激活：MoE 结构。对比一下，8 月那版权重名字叫 K-EXAONE-2.0-750B-A37B，激活是 37B。也就是说这一代总参没变，每次真正干活的参数反而更少了，但分数明显上去了。
  • 纯文本：只吃文字，不出图、不读图。多模态留给了别家。
  • 语言：韩语 / 英语。官方对它的定位原话是「a high-performance model with particular strength in Korean language understanding and generation」。
  • 512K 上下文，最大输出也是 512K：这个组合比常见模型激进——多数模型上下文很长，但输出封顶 8K～64K。
  • 知识截止 2026 年 1 月。
  • 功能：对话、工具调用（tool calling）、结构化输出、代码生成、流式（streaming）。

API 层面（官方 Quick Start 与 Rate Limits 页）：

  • base URL 是 https://api.exaone.ai，标准 REST，Authorization: Bearer <key>。
  • 支持 SSE 流式返回（text/event-stream）和一次性 JSON 两种。
  • 限流示例值：每秒 1 次、每分钟 60 次、每天 86,400 次。响应头会回 x-second-rate-limit / x-minute-rate-limit / x-day-rate-limit 和 retry-after。
  • 除了 K-EXAONE 2.5，同一个平台还挂了一个 EXAONE Tabular（2100 万参数的表格预测模型），也免费。

为什么值得看：它把「开源」和「开放」拆开了

过去两年，「开放」这个词被用得很混。至少有三档：

  1. 开放权重：权重能下载，自己能部署、能微调、能审计。缺数据但给了模型。
  2. 开放接口：能免费调，但模型在别人机房里，随时能改、能限、能停。
  3. 开放论文/技术报告：只给描述，不给东西。

K-EXAONE 走的是第 2 档，而且走得很明确：免费，但不给权重。这是它和 DeepSeek、GLM、Qwen 那批「权重直接甩上 Hugging Face」的路线最本质的区别。

这背后有现实约束，也有策略考量：

  • 现实约束是，750B 的模型普通人根本部署不了，放权重对多数人等于没放。真正能落地的形态就是托管 API。
  • 策略考量是，韩国这个项目是要向政府交卷的。API 免费能直接拉到「有多少开发者、多少机构在用」这类可量化的指标，权重下载量则说明不了实际使用。
  • 而且它明说了：2.5 只是验证件，3.0 定档 2027 年 1 月，目标是「前沿级（frontier-class）」。也就是说现在的免费，是给 3.0 铺路的用户教育期。

所以更准确的说法是：这不是开源阵营的新成员，是「国家队」用公共品的方式做用户获取。

分数长什么样，该怎么读

官方模型页给了四项对照，对手是 DeepSeek-V4.1-Flash 和 GLM-5.3——这两个都是中国开源权重阵营里同量级的选手。选这两个当靶子，意思很直白。

  • SWE-Bench Pro（改真实代码库）：K-EXAONE 2.5 59.21 / 2.0 47.1 / DeepSeek 58.41 / GLM 64.03
  • BrowseComp（上网找信息）：K-EXAONE 2.5 78 / 2.0 50.87 / DeepSeek 75.8 / GLM 79
  • AutomationBench（用 SaaS 工具干活）：K-EXAONE 2.5 74.6 / 2.0 16.9 / DeepSeek 74.9 / GLM 71.6
  • Claw-Eval（Agent 解工作难题）：K-EXAONE 2.5 77.29 / 2.0 62.11 / DeepSeek 75.78 / GLM 77.64

几个能直接读出来的结论：

  • 进步幅度最大的是「用工具干活」：AutomationBench 从 16.9 跳到 74.6，这是 4 倍多的提升。这也是为什么 LG 敢说「8 周性能提升 70%」——24 项指标综合起来算，确实能到那个量级。
  • 它不是样样第一：SWE-Bench Pro 输给 GLM 5.3 将近 5 分（59.2 对 64.0），BrowseComp 也差 1 分。它的强项在 Claw-Eval 这类「多步骤工作流」上。
  • 和 DeepSeek V4.1 Flash 基本打平：四项里 2 胜 1 平 1 负，差距都在 1 分以内。官方说法是「on par」，这个措辞是诚实的。

但必须提醒一句：这四项全部是厂商自评。用的是公开数据集，但跑法、提示词、采样参数都是自己定的。上一代 2.0 也说自己不错，实际社区反馈和榜单表现并不总是一致。想看第三方结论，得等 Artificial Analysis、LMArena 这类平台把它收进去。

成本怎么算，门槛在哪

  • API 成本：0。这是最实在的一条。按官方 changelog 的原话，服务「currently available free of charge」。
  • 自建成本：不现实。750B 总参，就算按 4bit 量化也要接近 400GB 显存打底，还没算 KV cache。这不是消费级能碰的东西。
  • 推理效率：LG 说正在评估接入 NVIDIA 的 Dynamo——一套专门做推理编排和 KV cache 复用的框架，NVIDIA 之前已经发过针对 K-EXAONE 的 Dynamo 使用指南。翻译一下：他们也知道 750B 直接跑很贵，正在想办法把单位成本压下去。
  • 时间成本：几乎没有。领 key、调接口，十分钟能跑通第一个请求。

怎么用：三步跑通

  1. 领 key：去 docs.exaone.ai，注册后创建 API key。中英文文档都有，模型页、限流页、Quick Start 都在。
  2. 发第一个请求：POST https://api.exaone.ai/v1/...，header 带 Authorization: Bearer <key> 和 Content-Type: application/json，body 里放 messages。想流式就把 Accept 设成 text/event-stream。
  3. 压测前先看限流：每秒 1 次是硬顶。如果你的 agent 会并发发请求，一定要在客户端做队列和退避，否则会稳定吃 429。响应头里有剩余额度，读一下再决定要不要重试。

适用场景

  • 韩语产品或韩国市场：这是它最确定的主场。官方定位就是「韩国人理解得好」。
  • 超长文档处理：512K 输入 + 512K 输出这个组合很少见。整本手册丢进去、让它整段重写，是它比较舒服的用法。
  • Agent 工作流验证：免费 + 工具调用 + 结构化输出，适合在真上线前跑通链路。跑通了再换更贵/更强的模型，成本最低。
  • 需要「非中非美」供应链的团队：如果合规上不想把数据送到中美厂商，韩国这个选项现在有了。

不适用场景

  • 中文为主的业务：官方语言只写了韩语和英语。中文能跑，但没被训练目标覆盖，别指望它在中文语料上打赢国产模型。
  • 要看图的任务：纯文本，没有视觉。
  • 要自己部署、要权重审计：2.5 不放权重。真要本地跑，只能用 8 月那版 Apache-2.0 的 2.0。
  • 要 SLA 的生产系统：免费期没有服务承诺，限流也低（1 req/s）。当生产依赖是拿自己开玩笑。
  • 需要极低延迟的实时对话：750B、31B 激活，首 token 延迟不会好看。

避坑：三件容易被搞混的事

  1. 把「免费 API」当成「开源」。这两件事在这条新闻里被大量混着说。查证很简单：Hugging Face 的 LGAI-EXAONE 组织下，最新权重是 2026-08-07 的 K-EXAONE-2.0-750B-A37B（Apache-2.0），搜 2.5 是空结果。
  2. 把「+70%」当成「比对手强 70%」。这是和自己 8 月那版比，而且是 24 项指标的综合口径，不是单项，也不是对 DeepSeek。
  3. 忽略 1 req/s 的限流。免费不等于能当批处理集群用。真正跑量的时候，并发上限会先咬到你。

行动建议

  • 今天就能做：去 docs.exaone.ai 领 key，拿一段你自己的韩语/英语长文档跑一次，重点看两件事——长上下文有没有真的吃到 512K，工具调用的 JSON 稳不稳。
  • 本周可以做：把它接到你现有的 agent 流程里当「免费对照组」，和你付费在用的模型跑同一批任务，用实际通过率而不是榜单分数决定要不要留。
  • 别急着做：不要据此调整技术栈。等 3.0（2027 年 1 月）出来、或者第三方榜单收录之后再说。2.5 官方自己都叫「验证模型」。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...