LG 开源 750B 参数 K-EXAONE 2.0：用「模型回收」把训练成本打到 1/3，韩国抢第四极
LG AI 研究院发布 K-EXAONE 2.0：750B 总参数/37B 激活的混合注意力 MoE，规模是初代的 3 倍以上，采用 upcycling（模型回收升级）技术把训练成本降至从头训练的约 1/3，以 Apache 2.0 完全开源。这是韩国迄今最大的 AI 基础模型，也是中美之外的「第四极」信号。
核心结论
K-EXAONE 2.0：750B 总参数/37B 激活 MoE，规模为初代 3 倍，Apache 2.0 开源
upcycling 训练成本约为从头训练的 1/3，挑战「堆算力」Scaling Law 路径
韩国以开源策略争抢中美之外的「第四极」，开源竞争进入多极混战
Apache 2.0 商用友好，多语言团队可纳入选型评估
对比判断表
| 模型 | 总参数 | 激活参数 | 许可 | 特色 |
|---|---|---|---|---|
| K-EXAONE 2.0（LG） | 750B | 37B | Apache 2.0 | upcycling 训练，10 种语言 |
| DeepSeek-V4-Flash | 2840B | 130B | 开源 | 轻量高效，Agent 强化 |
| Qwen3.8（阿里） | 2.4 万亿 | 950 亿 | 开源 + API | 综合能力，阿里生态 |
| Kimi K3 | 2.8 万亿 | 16 专家/次 | 开源 | 全球最大开源模型 |
K-EXAONE 2.0 是什么
LG AI 研究院发布 K-EXAONE 2.0：750B 总参数、37B 激活参数的混合注意力 MoE 模型，规模是初代 K-EXAONE（236B 总参数/23B 激活）的 3 倍以上，是韩国迄今为止开发的最大 AI 基础模型，以 Apache 2.0 许可证完全开源。
性能上，官方称其在 24 项基准测试中平均得分 70.1 分（较初代提升 10%+），编码与智能体任务提升约 30%，长上下文理解（OpenAI-MRCR 94.4 分）与安全性评测（KGC-Safety 平均 94.6 分）表现突出，支持 10 种语言。
技术亮点：upcycling（模型回收升级）
K-EXAONE 2.0 最大的技术看点不是参数规模，而是训练方式：通过 upcycling 把 236B 稠密模型升级为 750B 总参数/37B 激活的 MoE 模型，训练成本约相当于从头训练的 1.2C-1.5C（对比从头训练的 3C-5C），以更少算力实现参数规模三倍扩张。
这挑战了「堆算力」的 Scaling Law 路径：如果 upcycling 路线被验证成熟，模型迭代将不再被「从头预训练」的巨额成本锁死，小型团队也能在已有模型基础上做规模升级——这对算力受限地区的 AI 发展意义重大。
战略定位：中美之外的「第四极」
K-EXAONE 2.0 是韩国「主权 AI 基础模型项目」第二阶段成果，Apache 2.0 完全开源并支持 10 种语言，定位是中美之外的「第四极」AI 玩家：既满足韩国本土 AI 应用的安全需求，也通过开源生态吸引全球开发者，降低对美中底层模型的战略依赖。
对国内观察者来说，这提醒我们：开源模型的竞争已从「中美对决」变成「多极混战」——韩国、欧洲、日本都在用开源策略争夺生态位，国产模型要持续领先，不能只靠规模，还要在评估体系、社区生态、垂直场景上建立壁垒。
对开发者的价值
Apache 2.0 许可是最宽松的主流开源许可之一：可以商用、可以修改、可以闭源衍生，几乎无使用限制。对需要多语言支持的团队，K-EXAONE 2.0 覆盖韩英中等 10 种语言，是一个可纳入选型评估的开源选项。
需要注意：750B 总参数/37B 激活的模型本地部署仍有硬件门槛，建议先通过 API 或量化方案评估，再决定是否私有化部署。
界面与截图
常见问题
upcycling 是什么？
模型回收升级：在已有稠密模型权重基础上扩展为 MoE 结构并继续训练，成本远低于从头训练，K-EXAONE 2.0 的成本约为从头训练的 1/3。
Apache 2.0 许可能商用吗？
可以。Apache 2.0 允许商用、修改、闭源衍生，是主流宽松开源许可之一。
K-EXAONE 2.0 支持中文吗？
官方称支持 10 种语言，含中英韩等；具体效果建议用真实任务实测。
本地部署门槛高吗？
750B 总参数/37B 激活，硬件门槛较高，建议先评估 API 或量化方案。
