27.8B 参数、7 个 LoRA 专家,再加一个逐词路由机制:Clover 2 没沿用常见的模型合并路线,而是让系统在实际生成时决定每个词该调用哪种能力。我们认为,这比单纯增加参数更接近企业想要的“可配置模型”,但公开权重并不等于人人易用。
这是什么
Clover 2 保留一个 27.8B 参数的基础模型,并将角色扮演、通用助理、安全、数学、长文档、效率与知识七类 LoRA 适配器分开存放。LoRA(低秩适配器)是在不改动基础模型主体的情况下补充专项能力的小型参数模块。
不同之处在路由器:它针对每个词动态选择一名或多名专家,另设空位,在没有合适专项能力时回到基础模型;这不同于把多个微调版本预先混成一个新模型。开发方称,其数学基准、长文档测试和创意写作中的“AI 腔”均有改善。基础模型、七个适配器、路由器及 vLLM 插件均已公开。
行业怎么看
我们看好两点:一是专项能力可以独立更新,不必每次重训整个模型;二是私有部署企业能够检查、替换和审计各能力模块,不必接受来源不明的整模型。对于金融、医疗等重视数据边界和可追溯性的组织,这种结构比“万能但不可拆”的模型更容易纳入治理流程。
但风险也很清楚。开发团队成员同时披露了产品进展,基准提升尚缺少独立复现;逐词路由会增加推理调度和部署复杂度。自托管目前没有 GGUF 格式,llama.cpp 对其混合注意力架构的支持仍处于早期阶段,官方支持路径主要是 vLLM。它更像一条有潜力的工程路线,而不是已经成熟、易采购的标准方案。
对普通人的影响
对企业 IT:模块开放与本地运行有利于控制数据和维护成本,但路由器、专家插件与版本兼容会提高运维要求,现阶段更适合有专职技术团队的组织试点。
对个人职场:数学分析、长文档处理和安全能力可能被装进同一工作助手;不过模型能否真正落地,仍取决于企业是否愿意承担集成与验证成本。
对消费市场:其网页端提供免费试用入口,但本地部署尚未形成低门槛体验,短期影响主要来自企业测试,而非普通消费者的大规模使用。