国产大模型发布会通常把重点放在榜单分数上，科大讯飞这次把重点放在了电费与数据边界上。10月22日，2026科大讯飞全球1024开发者节在北京举行，董事长刘庆峰发布端云一体大模型星火X2.6，包含云端293B总参数、30B激活的混合专家模型与端侧X2.6-4B两个部分，后者同步开源。模型支持百万词元上下文，训练全程基于全国产算力完成，官方称在代码与智能体能力上首次于国产算力环境取得突破。刘庆峰给出的产品逻辑很直白：未来约六成任务在本地跑，三成由云端协同处理，一成在云端独立完成，用任务分工同时解决怕泄密与怕太贵两个老问题。
端云一体不是新提法，但真正做到参数级拆分并各自达标的国内案例并不多。星火X2.6的云端部分是293B总参数、每词元激活30B的稀疏架构，这个规格在国产模型中属于中上位置，靠激活比例控制推理成本；端侧X2.6-4B则只有40亿参数，目标是塞进手机、PC、平板、AI眼镜、智能座舱与机器人。两部分的训练是联动的：端侧模型采用能力感知的自适应迭代后训练算法，能根据自身能力动态选择教师模型、调整学习内容，重点强化长文本理解与工具调用。官方公布的端侧成绩是智能体任务覆盖度达到41.9%，在信息搜索问答、办公文档处理、日程任务管理、本地表格操作、跨工具协同、多轮工具调用、复杂知识搜索等维度上超过上一代Spark-X2.5-4B，也超过Qwen3.5-4B、Gemma4-E4B、Qwen3.5-9B等对照模型。参数小不等于能力弱，关键在于任务切分是否合理，把长尾的重活推给云端，端侧只接高频、低风险、涉隐私的部分，这套分工比单纯堆参数更接近真实使用场景。
这次发布里技术含量最高的一句话，是长上下文训练效率提升约4倍。国产AI芯片的短板长期不在峰值算力，而在显存容量与互联带宽，超长上下文训练需要把注意力计算的中间状态反复搬运，带宽一紧，效率就塌。科大讯飞的解法是长程任务动态并行训练技术，按任务长度自适应分配计算资源，把显存与带宽的压力摊到不同并行策略上，官方称借此把超长上下文训练效率提升约4倍，同时突破长程任务在国产芯片上的效率瓶颈。这条路径的价值不在于单项指标，而在于证明了一件事：百万词元级别的上下文训练可以在不依赖进口高端卡的前提下完成。行业里已有类似动向，有研究团队用昇腾910C完成对DeepSeek-V4-Pro的后训练，模型厂商与国产芯片厂商的协同正在从能用走向好用。放到更大的背景里，美国对AI芯片出口的限制越紧，国产算力从支撑推理走向支撑训练的战略意义就越大，这类工程突破的边际价值也随之上升。从工程实践看，长上下文训练的效率提升往往比峰值算力数字更能决定可用性，企业实际业务里跑的正是长文档、长会话与长任务链这类负载，能不能在有限显存里把它们训出来，直接决定模型能否进生产。
定价是这次发布最容易被忽略却最影响采购决策的部分。星火X2.6云端的输入价格为每百万词元0.9元，缓存命中输入0.08元，输出3.6元。把这组数字与DeepSeek-V4.1-Flash-1017对照，讯飞在缓存未命中的输入与输出两个环节都更低，缓存命中价格则压低了一个数量级。低价背后的支撑是端云分工：大量重复性、格式化的请求被端侧模型吃掉，云端只处理真正复杂的部分，单位请求的云端算力消耗随之下降。对政企客户而言，这套结构还带来一个额外好处：敏感数据不必离开本地，脱敏处理可以在终端先做完，剩下的疑难问题才上云，合规成本与推理成本同时被压缩。当然，价格表只说明商业策略，不说明毛利，讯飞并未披露X2.6的推理毛利水平。可以确定的是，在国产模型普遍以低价抢份额的阶段，把单位任务成本压到更低的一方，更容易在政企采购清单里占到靠前的位置，这个判断在今年的多次招标中已经被反复验证。
把六成任务放在本地的设想，落地时会碰到几道硬约束。第一道是硬件底座，端侧4B模型要跑得动，需要手机与PC具备足够的NPU算力与内存带宽，存量设备未必达标，这也是讯飞同步发布灵机N9000 AI PC与星火办公一体机的原因，前者提供最高160 TOPS本地算力，后者提供2240 TOPS并支持大模型私有化部署。第二道是任务边界，端侧模型处理文档摘要、表格整理、日程调度这类任务已够用，一旦涉及长文档跨文件推理或多工具编排，还是得回云端。第三道是评测口径，官方强调X2.6在国企、教育、医疗、司法等真实场景中的表现优于公开榜单分数，这类说法需要客户案例逐步验证，目前公开的演示是一个机器人创业公司CEO的经营复盘场景：模型依靠本地资料关联周报、采购通知与项目邮件，识别经营风险，结论可追溯且资料不出端。这个案例的说服力在于它同时展示了能力与边界，也点出了端云一体真正的卖点不是便宜，而是数据不出门还能把活干完。