开放权重与垂域模型

“建筑行业垂直大模型”是采购里最常见也最容易被话术带偏的品类。用前面的全部知识，拼出一张完整的评审地图。

本课回答的业务问题：怎么判断一个“行业大模型”的真实含金量？开放权重自己部署和买垂域服务，分别适合谁？“自研”的水分怎么看？

前置课程：第 0 阶段第 2 课（分层）+ 第 3、4 阶段各课（本课综合运用）。

读完本课你将能够：

1. 分清“开放权重、开源软件、闭源 API”三个常被混用的词；
2. 用“四问十二查”评审任何“行业大模型”方案，每查都知道看什么、红旗是什么；
3. 把评审从“听宣讲”改造成“书面初审 → 同题盲测 → 试点验证”的流程。

一句话定义

开放权重指可获得模型权重文件、自行部署的模型（开放权重 ≠ 开源软件，许可证条件各异）；垂域模型指面向特定行业任务训练/优化的模型或服务。评审它们的核心不是名词，而是四个可验证问题：底座是什么、数据是什么、效果凭什么、退出怎么走。

先修三个词的混淆——这是本课的地基：

• 闭源 API：模型在厂商云上，你按量调用。模型不是你的，你是“买混凝土的”；
• 开放权重：权重文件可以获取，自己（或委托）部署运行。类似“拿到配比和设备的搅拌站图纸”——但能不能商用、能不能改造后对外卖，看许可证，不是“拿到就能随便用”；
• 开源软件：通常指源代码开放、按开源许可证授权的软件。大模型即便开放权重，训练代码、数据、完整流程未必开放——所以严谨的说法是“开放权重模型”，不是“开源大模型”。这三个词在商务谈判里被故意混用：供应商说“我们是开源的”，可能只是“基于开放权重”，也可能连权重都没有只是调 API——三种情况的资产价值完全不同。

生活化类比：买“定制生产线”

买“行业大模型”像买装配式构件厂的“建筑行业定制生产线”。市场上三种货：

1. 真定制：标准生产线基础上做了深度改造——换了行业专用的模具（微调）、调了工艺参数（训练配方）、有质检报告（评测数据）。贵，但确实贴行业；
2. 贴标牌：标准生产线一条没改，贴了个“建筑行业专用”标牌，附一本操作建议（提示词模板）。便宜，但你买到的“行业含量”就是那张标牌；
3. 租车间代工：自己没有生产线，接单后转到别人车间加工（API 转发），赚个差价。无所谓好坏，但“我们是自研”这句话在三种情况下含义完全不同——评审就是把三种区分开。

类比失效处：生产线买了就在那儿，效果看得见摸得着；模型的“改造深度”看不见，只能靠证据验证——数据清单、对照测试、盲测样本。所以模型采购比设备采购更依赖“让对方拿出可验证的东西”，也更容易被话术滑过去——这正是要建立评审地图的原因。一句话记住：设备采购看货，模型采购看证据。

本质与能力边界：四问十二查

第一问：底座之问——“自研”在哪一层？

查 1｜底座与版本。底座模型是哪家、哪个版本？这个信息决定三件事：能力上限（底座强则上限高）、升级联动（底座换代行业层要不要重做）、商务依赖（底座方停服/改价怎么传导）。红旗信号：“自研底座、与主流无关”——从零训底座的成本极高（第 1 阶段第 3 课），绝大多数所谓自研底座经不起追问；拿不出底座信息的，直接按“来路不明”处理。核实方法并不技术：要求对方出具模型卡（model card）或部署说明——开放权重底座的名称、参数规模、许可证都能在公开发布渠道核对（以发布方当时文档为准）；对不上的，红旗成立。

查 2｜改造方式。全参数微调 / LoRA 等参数高效方法 / 仅提示词工程 / 仅检索增强？这正对应第 4 阶段第 2 课的“四层改进”——从提示词到微调，越往下越贵、越慢、越难回退。改造深度决定“行业含量”的真实构成：LoRA 微调的行业模型和“通用模型+行业提示词”的差距，可能远小于价格差距——这正是要用同题对照验证的。红旗：说不出训练方式的（“核心机密”是托词，可以签保密协议后尽调）。

查 3｜底座升级联动。底座出新版，行业层（微调、适配）要不要重做？谁做、谁付费、多久？红旗：“我们永远用当前版本”——承诺无法兑现；或“升级免费自动完成”——微调产物无法自动迁移到新底座，“自动”背后多半是悄悄换成了通用新版，行业优化丢失。

第二问：数据之问——行业能力从哪来？

查 4｜训练数据构成。多少条、什么类型（合同/规范/造价文件）、什么任务（抽取/审查/问答）、怎么清洗标注？量和质都要看：12 万条标注条款和 12 万条网页文本的“行业含量”天差地别。红旗：“海量工程数据”但给不出构成明细——海量可能是低质的遮羞布。

查 5｜授权链。数据从哪来（自有/客户授权/公开）、客户数据进不进训练、有没有书面承诺？这条不过，后面全停——你的合同数据若无声无息进了他的模型，再卖给你的竞争对手，损失无法追溯（第 3 阶段第 3 课）。

查 6｜知识更新机制。规范改版、制度更新怎么跟进？正确答案必须有检索侧设计（热更新、当周生效）；答“重新训练”的，追问频率、周期、费用——规范一年数改，按季重训既贵又滞后。红旗：更新机制缺失或含糊——买回来那一刻就是它最“新”的一天。

查 7｜数据代表性。训练数据偏房建，你的任务是市政/装饰/电力——覆盖偏差要当面确认，最好用你的样本验证（见查 9）。

第三问：效果之问——凭什么说更好？

查 8｜同题对照基线。与“通用模型 + 行业提示词/检索”的对照数据——这是十二查的核心。没有这条，“行业优化”四个字无法证伪。对照要公平：同一批任务、同一评分标准、双方都允许合理调优。红旗：只报绝对分（“准确率 92%”）不报相对差距（比通用基线高多少）——绝对分可能是任务简单的结果，不是行业含量的结果。

查 9｜我方盲测。用自己出的题、自己的标注口径，测一遍——不接受“只看供应商的报告”。样本构成照第 3 阶段第 1 课：典型 + 边界 + 失败三类，保留测试不外泄。供应商推脱“没有环境现场测”的，警惕。

查 10｜通用能力回归。行业训练后通用任务退化多少（灾难性遗忘，第 4 阶段第 2 课）？你的系统不是只干行业任务的——制度问答、通用文书都会用。红旗：只谈行业提升、绝口不提通用退化。

第四问：退出之问——资产归属与迁移

查 11｜四样资产归属。提示词与流程配置、评估集、业务数据、微调产物（权重/适配层）——退出时哪些能带走？评估集必须是你方的（验收的尺子，重选的筹码，第 3 阶段第 4 课）。

查 12｜迁移成本。换底座/换供应商时：数据格式开放吗？集成要重做多少（第 2 阶段第 7 课连接器锁定）？行业层能不能移植到新底座？把答案写进合同，退出条款不是退场时的谈判筹码，是进场时的。

四问的关系：底座问“是什么”，数据问“凭什么”，效果问“真的吗”，退出问“散场呢”。四问全过才进商务谈判，缺一问都是给未来埋雷。

自部署还是买服务：先看三个前提

业务问题的另一半——开放权重拿回来自己部署，还是直接买垂域服务——不由技术情怀决定，由三个前提决定，按顺序过筛：

1. 合规前提（硬约束）：合同、造价数据按你所在法域和公司制度能不能出域？不能出域时，自部署（或专有云）不是“选项”而是“唯一解”，比较到此为止；
2. 能力前提：自部署意味着自己（或托管方）承担 GPU 服务器、版本升级、安全补丁、7×24 运维——买下的不是模型，是一支要长期养着的运维队伍；没人接得住，就别碰；
3. 经济前提：调用量足够大且长期稳定时，自部署的固定成本才可能摊薄到低于 API 按量计费；用量小或波动大，买服务几乎总是更划算（完全成本口径见第 3 阶段第 4 课）。

合规先筛掉一批，能力再筛掉一批，剩下的才轮到算账——顺序反了，就会为一个养不起的方案谈半年价格。

实战演练：一份宣传材料的初审

场景（虚构）：收到“筑智大模型”宣传册（虚构名称），核心宣称：“深耕建筑行业多年，海量工程数据训练，自研行业底座，业内领先，准确率 95%。“按四问十二查做书面初审：

第一轮：书面质询（发函清单，节选）

第二轮：同题盲测。我方出 60 题（40 典型 + 12 边界 + 8 带注入，其中高风险条款相关 50 条），对照两边：筑智 vs “通用模型+我方提示词+我方检索”。结果（虚构数字）：高风险条款召回 46/50 vs 44/50（微弱优势）；边界题（冲突条款处理）6/12 vs 4/12（有差距）；注入题 6/8 vs 7/8（反而略差）；通用任务回归：文书起草 3 题中 2 题风格退化。

数字怎么看：46/50 是 92%，44/50 是 88%——但 50 道题的样本上差 2 题，基本落在统计噪声范围内，单凭总分不能宣布“胜出”。真正可读的信号在错误构成：边界题 6/12 vs 4/12 方向一致，说明边界处理可能是真差距；注入题反而落后，说明安全不是它的卖点。样本量不够时两个补救：追加同类题目复测；或干脆放弃“总分定胜负”，改看“哪类题赢、哪类题输”——后者对谈判更有用，因为你谈的不是分数，是为你的高风险场景多出来的那部分能力值多少钱（评估方法见第 3 阶段第 1 课）。

第三轮：结论。行业层有真实但有限的价值（边界题 +2），通用有退化，注入防护不占优；结合报价高出通用方案 40%——结论不是“买/不买”二选一，而是“按盲测结果重新谈价 + 合同补齐退出条款 + 灰度试点先跑低风险场景”。这份初审把一个宣传驱动的决策，改造成了证据驱动的谈判。

建工案例：三家“行业大模型”的评审速写

青柏项目收到三家方案（虚构，价格相近），四问十二查的浓缩结果：

过程也踩过坑（虚构）：第一轮图省事，用供应商提供的演示题做初测，三家分数都漂亮、几乎分不出高下；换成我方自出样本后差距才显形——演示题落在对方的舒适区里，自出题才是你的战场（这也是查 9 坚持“我方盲测”的原因）。

评审结论不是“甲最好”这么简单：若盲测显示你的任务与通用基线差距 <5%（多数标准化抽取任务如此），乙的性价比可能最高——省下的钱投到检索和评估上，收益更实在；甲的价值在边界场景（冲突处理、专业语感）和退出资产（LoRA 归属）；丙只在“快速起步、不想建任何能力”时成立，且退出最差。每一格都要有答案，每一格都改变商务谈判的姿态——这张表就是你的谈判地图。

供应商话术拆解（综合版）

话术：“我们深耕建筑行业多年，模型经过海量工程数据训练，业内领先。”

逐问拆解：

1. “海量”：多少条、什么构成、什么任务、授权链？“数十万”到“三万”的缩水过程要在第一轮质询里完成；
2. “业内领先”：第三方评测还是自评？和我方盲测结果一致吗？“领先”不接受形容词，接受盲测数字；
3. “深耕多年”：团队里有多少人懂建筑业务（不是懂销售）？行业知识库谁维护、更新频率？
4. “准确率 95%”：什么任务、什么口径、谁标注、多少条（第 3 阶段第 1 课全套追问）？高风险子集单独多少？
5. 反问测试：主动问“什么场景你们不适合？”——答不出的供应商没做过真实边界；答得出“我们不适合 X，建议 Y 方案”的，反而加分。

合格回答应该长什么样：“底座是 X v3 + LoRA；数据 3 万条标注合同条款（构成明细见附录、授权链可查、客户数据不进训练入合同）；与通用基线对照 +9%、盲测欢迎；通用回归显示 2 项任务小幅退化（数据附后）；规范更新走检索热更新；退出时 LoRA 产物与评估集归属客户（合同第 X 条）；我们不适合的场景是 Z，那种情况建议直接用通用模型加贵方自建检索。”

常见问答

Q1：开放权重能不能改了以后对外卖服务？ 看许可证，各家条件不同：有的允许商用和对外服务、有的限制特定用途、有的要求衍生品同许可。逐条读原文，拿不准找专业意见，把许可证名称和关键条款写进采购文件。不要信口头解释——许可证以文本为准。

Q2：垂域模型是不是智商税？ 不是一刀切。标准化程度高、通用模型+好提示词就能到 90 分的任务，垂域溢价常常不值；边界场景复杂、专业语感重要的任务，真微调的垂域有真实价值。判据永远是同题盲测的差距 + 差价，不是品类信仰。

Q3：小团队没人懂技术，怎么盲测？ 三样东西不需要技术背景：真实任务样本 50 条、标注口径一页纸、双人独立打分——这本身就是第 3 阶段第 1 课的小评估集。找两个业务熟手一个下午就能跑完。业务判断力就是你的测试能力，别被“要有算法工程师才能测”吓住。

Q4：国外模型和国内“行业模型”怎么平衡？ 检查清单不分国界：中文任务实测（用自己样本）、可用地区与服务条款、数据条款（出域、留权训练）、开放权重与许可、部署选项、价格。另加一条合规硬约束：按你所在法域和行业监管要求先筛（涉密、信创要求等），硬约束先于一切技术比较。

Q5：供应商说“评估集我们出”——能用吗？ 只能参考，不能作数。他的评估集可能恰好落在他训练分布上（无意识或有意）。你的尺子必须自己造——这正是第 3 阶段第 1 课让你从第一个练习就攒样本的原因：到评审这天，评估集就是谈判桌上的筹码。

Q6：行业模型以后会不会被通用模型碾压？ 有可能持续被侵蚀——通用模型能力提升会不断吃掉垂域优势（这正是查 8 要求对照基线的原因）。所以退出条款（查 11/12）格外重要：今天买的行业优势可能是暂时的，能干净退出比暂时领先更重要。

Q7：四问十二查要在什么阶段做？ 书面初审（四问发函）放在技术评审前——筛掉明显不合格的，省双方时间；盲测放在入围后 2–3 家；试点（第 4 阶段第 4 课）放在签约前或作为合同一部分。顺序不能反：先试点后尽调，沉没成本会替供应商说话。

Q8：盲测样本发给供应商，会不会被他拿去训练，下次评测就失真了？ 会，这是真实风险：测试集一旦进了对方训练数据，相当于他“背过答案”再进考场。三条防线：协议里书面约定测试数据仅用于本次评测、不进训练；样本分批发放，每轮只用一部分；永远留一批“压箱底”样本不给任何供应商——那是你验收和将来重选供应商时的最后一把尺子。

自测

你收到两家方案：A 开放权重自部署（含行业 LoRA，报价高）；B 通用云 API + 自建制度检索（报价低）。写出你的评审提纲（至少六个待办动作）。

概念卡片

延伸阅读

• 与第 0 阶段第 2 课（自研哪一层）、第 3 阶段第 1 课（盲测方法）、第 3 阶段第 4 课（完全成本）、第 4 阶段第 2 课（微调正当场景）交叉复习。
• 许可证与模型版本属动态信息，谈判时逐条核对当时文本，必要时咨询专业意见（本课核验日期：2026-09-17）。