模型家族¶

模型家族不是一串越来越大的版本号。一次发布可能只更新服务端 checkpoint，另一次可能公开权重却没有新论文；代码、数学、视觉和 Agent 分支也常常从同一主干分叉，再在后续版本重新汇合。若把这些事件压成一条“模型越来越强”的直线，架构继承、训练变化和证据边界都会消失。

这里用四层结构阅读持续演进的模型：

层级	回答的问题	页面职责
家族总览	这条家族有哪些主干与分支，应该从哪里进入	建立分支图、公开产物账本与主题入口
时间线	什么在何时公开，前后版本究竟改变了什么	分开 paper、weights、code、API、product 与 license
工作深读	一次关键发布怎样把模型、训练和系统接起来	解释特有机制、实验口径、实现接口与未知项
Canonical 主题	其中哪些知识可以迁移到别的模型	维护通用公式、最小实现、系统约束、评测与失效模式

同一机制只在 canonical 页面完整解释；家族页保留它为何在该版本出现、公开证据到哪里为止，并提供双向链接。这样既不会把站点写成厂商目录，也不会让具体模型失去历史位置。

三条家族线¶

家族	最适合观察的主线	从这里开始
DeepSeek	专门模型怎样汇入 MoE 主干，架构效率、推理后训练、多模态与训练系统怎样相互牵引	家族总览 · 演化时间线
Kimi	长上下文、长程 RL、稀疏模型、线性注意力、原生多模态与 Agent 系统怎样逐步合流	家族总览 · 技术谱系
GLM	Blank infilling 怎样演变为对话与工具协议，再进入模型—训练—Agent 系统共设计	家族总览 · 演化时间线

这三条线不是质量排名。它们公开材料的粒度、模型可得性、评测协议和产品边界不同，跨家族比较前必须先固定 checkpoint、chat template、推理预算、工具权限、上下文长度和评测日期。

每条事件至少拆成以下对象：

paper / report revision
checkpoint / weights / model card
training and inference code
dataset / recipe / evaluation harness
API / product
license

“有论文”不等于“有权重”，“权重开放”不等于训练数据与完整配方开放，“API 同名”也不保证服务端 checkpoint 没有变化。家族页因此同时记录来源类型与未知项，而不是用相邻版本的数字补空白。

发布日期也应按对象解释。论文首次提交、修订、仓库创建、权重上线、API 切换与许可证更新可以是六个日期；需要比较训练规模时，再进入训练 token 口径统一分母。

沿家族阅读的价值，在于让具体设计重新接回一般问题：

观察轴	先问什么	Canonical 入口
表示与目标	训练信号改变了信息流，还是只改变数据分布	语言建模 · 概率与目标
架构	改变参数容量、激活计算、序列状态还是残差路径	注意力家族 · MoE · 线性注意力
长上下文	声明的最大长度怎样转化为有效记忆与服务成本	长上下文 · KV Cache
后训练	能力来自 SFT、偏好数据、可验证奖励、蒸馏还是搜索	推理后训练 · LLM 强化学习
多模态	视觉、音频或视频是外接适配器、共享主干还是统一生成接口	多模态与生成
系统	理论计算下降是否落到 kernel、通信、缓存与调度	训练系统 · 推理服务
Agent	模型能力、工具协议、运行时与环境成功率能否分开归因	检索与智能体 · Agentic RL
评测	分数是否使用同一数据、预算、judge、工具和时间窗	评测与可靠性

阅读某一发布时，可以先在家族页确认对象，再进入时间线理解继承关系，随后在工作页查看特有细节，最后回到 canonical 页面比较可迁移的机制。反向阅读也同样重要：从一个通用问题出发，家族案例能说明它在真实模型中怎样受到数据、硬件和产品接口约束。

家族总览追踪已经公开且能够由一手来源确认的对象；没有公开的训练数据配比、算力、完整后训练配方、安全评估或服务端变更保持未知。新发布进入站点时，先更新事件账本与继承关系，再判断是否需要工作深读或 canonical 修订。仅有名称变化或营销表述而没有新的可验证技术信息时，不制造重复页面。