从零复现，全面开源：360 Light-R1-14B/7B带来端侧AI平权时刻
性能领先、开源普惠、国产易获取的三重势能，造就了年初DeepSeek的技术平权狂热，掀起AI普惠浪潮。
然而，当很多人想在端侧部署DeepSeek模型时，却遭遇了挑战：部署满血版大模型需数万元硬件投入，退而求其次选择蒸馏版14B版本，又会出现性能断崖式下跌与响应延迟。
就在AI用户陷入“高成本部署”与“低质量妥协”的两难困境时，端侧AI的破局时刻，悄悄被360打开了。
近期，360智脑团队发布了最强14B推理模型：Light-R1-14B-DS，是业界首次在14B模型上复现强化学习效果。数学能力上，表现超过DeepSeek-R1-Distill-Llama-70B和DeepSeek-R1-Distill-Qwen-32B。
尽管只训练了MATH数据，但在GPQA科学常识评测中，7B/14B双版本均超越对标产品，展现出“小参数大智慧”的泛化能力。
此外，配合360的全面开源策略（模型/数据/代码/技术报告全开放），这场端侧AI平权运动，意味着14B模型能在手机端流畅运行，意味着企业无需天价算力即可部署专业级AI。
AI端侧民主化的风暴眼，正在酝酿之中。
我们第一时间研读了360放出的技术报告，发现端侧AI的技术拐点已经出现。360开源的Light-R1-14B-DS创造了三项行业纪录：
一是能力复现。Light-R1-14B-DS首次在数学能力上，用14B 模型复现了强化学习效果，通过多阶段课程学习SFT和强化学习，Light-R1-14B-DS的表现超过DeepSeek-R1-Distill-Llama-70B和DeepSeek-R1-Distill-Qwen-32B，是目前最优的14B模型，这验证了RL强化学习策略的有效性，RL对端侧模型训练的收益很大，仍有进一步挖掘潜力。
（Light-R1 训练流程）
二是效率革命。Light-R1-14B-DS 经过长思维链强化学习后训练，在AIME 24和25上分别取得了74.0和60.2的成绩，数学部分表现超越DeepSeek的70B（72.6分）和32B（54.9分）蒸馏模型，取得了非常显著的提升，这标志着推理能耗进一步降低。另一版本的Light-R1-7B-DS，无需量化即可端侧部署。此次探索，在低成本复现 DeepSeek-R1方面迈出了重要一步。
三是泛化能力增强。Light-R1-14B-DS在科学常识评测GPQA上涨，打破了模型“灾难性遗忘”的魔咒，具有较好的泛化性，开辟模型优化新路径。
最强14B端侧推理模型，撕开了DeepSeek 70B的性能封锁线，端侧AI迎来了规模化普及的拐点。不过，在AI与大众之间，还差一个开源。
如果仅有技术突破，但没有开源机制，那么端侧推理模型再好，也无法被大众轻松获得、低成本用起来。
此次，360采取了全栈式的开源策略——模型权重、22万条数学数据集、RL训练代码、技术报告等，都悉数公开。这种开源深度，远远超过了常规模型权重开放。
也就是说，中小团队仅需极少算力，就能从数据清洗到强化学习全链路复现，完成端侧AI的后训练与部署。
端侧AI的民主化，高度依赖于科技企业的开源策略，为什么说360此次开放端侧推理模型很重要？
对企业来说，传统端侧AI部署，会面临闭源模型高昂的授权费用（如OpenAI API调用成本）与硬件适配的边际成本（需定制化芯片或服务器），成本难以承受。此前openai也发布过蒸馏版o1-mini，但高昂的订阅费依然让大量开发者望而却步。此外，闭源模型存在不可解释性风险，医疗、法律等行业因合规要求无法接受“输入－输出”不透明的AI决策。因此，Light-R1-14B-DS这样低成本、全开源的国产端侧推理模型，有望打消企业对AI的顾虑，轻松迈入智能化。
对个人来讲，云端模型需要上传数据，这会引发隐私泄露的顾虑。而在端侧离线运行大模型，又对算力/内存有更高的要求，传统端侧AI需要旗舰级设备，买不起旗舰机，就用不到好AI，这形成了一种AI时代的“设备歧视”。
360开源最强14B端侧模型，让端侧AI能力不再是少数机型的特权，也可以下沉到普惠机型上，为大众所用。而用户规模的扩大，也会推动AI应用及大模型产品的增长。
由此看到，360开源策略所带来的技术民主化，可以激活AI的长尾需求，加速AI普惠的到来。
终端设备，是用好AI的载体。推理模型下沉到端侧，应用空间也十分广阔，打开了端侧AI的无限想象空间。
预测一下，目前这两个最强端侧14B/7B推理模型，可能会首先落地在商业价值高的场景，然后一步步渗透进各行业。
首当其冲的，就是消费电子领域。智能手机、手表、平板、PC、眼镜等终端设备，近两年都在加速AI化。
但此前AI化有两种方案：一是纯端侧，保证本地隐私安全，但内存要求高，功耗大；另一种是端云结合，部分任务上云处理。Light-R1-7B-DS无需量化即可部署于终端设备（如手机、IoT设备），标志着消费级硬件也能运行复杂AI任务。对比传统需要32B以上参数的端侧模型，其7B规模大幅降低内存占用和能耗。为AI终端带来了更大的创新空间，比如在手机本地运行复杂数学辅导、法律文书解析等任务，解决隐私和延迟痛点。
360的技术突破与全栈开源，可以为消费电子领域的AI探索带来非常有益的借鉴。
下一个就是重点行业、垂直领域。金融、政务、医疗、法律等数字化基础较好的行业，积极拥抱AI，又希望在本地化运行专业级AI，避免敏感数据上传云端，这就需要专有模型+后训练，最强端侧14B/7B推理模型可以大幅降低端侧专有模型的训练、推理等硬件门槛，加速行业智能化探索。
更进一步，传统行业壁垒也将被端侧普惠AI撕开。比如智慧城市治理，通过部署端侧AI的边缘智能计算，可以极大减少智能化的建设和升级运维成本；农业智能化，搭载14B模型的农业无人机，路线自动避障、精准识别地面等能力，都会随着推理能力的增强而大幅提升。
通过端侧AI的普惠路线图，来进行推演，不难看到，360的技术突破与开源策略，一定会吸引大量行业开发者或个人开发者前来试用，与丰富的场景相结合，催生大量智能化的长尾应用。
也就是说，通过开源轻量级推理模型，360有望规避AI六小强在千亿参数级的竞争。基于开源开放的技术公信力，构建开发者生态护城河。从这个角度看，360掀起的端侧AI飓风，也将卷出一个大模型竞争的新格局。
端侧推理模型的平权时刻已到，万亿级边缘智能市场正蓄势待发、乘风远航。
