问题——大模型“可用”与“好用”之间仍有落差 近一段时间，国产大模型能力快速迭代，但政企市场，“选模型、配算力、建环境、做适配、保安全、强运维”等环节往往相互牵制：一上，不同行业对推理、代码、多语言、多模态、高并发等能力需求差异明显，单一模型难以覆盖全部场景；另一方面，模型部署对算力资源、工程化适配和持续运维提出较高要求，导致不少单位试点阶段“跑得起来”，在规模化阶段“跑不稳、跑不省”。 原因——平台化集成成为降低门槛的现实选择 此次接入并非模型合并或技术收购，而是平台侧的工程化集成：中科曙光将GLM-5与Qwen3.5纳入SothisAI平台体系，面向用户提供统一的模型管理、算力调度、接口适配与运行维护能力。业内人士指出，这个做法直指大模型落地的关键瓶颈——把分散的能力拼接为可交付的产品形态。 从模型特点看，两款模型在能力结构上具有互补性：GLM-5更侧重复杂推理、长文本处理、代码与智能体等偏“专业化、深度化”的任务；Qwen3.5在通用应用、多语言、多模态与高吞吐等更适配面向用户的高频业务。通过平台层“一处接入、按需切换”，可减少企业重复对接和反复试错成本。 从基础条件看，算力底座与平台能力是实现规模交付的前提。中科曙光长期布局服务器、算力集群及有关管理平台，在政务、科研与工业等领域积累了较多实践。将大模型与算力、平台进行一体化适配，有助于在性能、稳定性与安全合规之间形成更可控的平衡，尤其契合对自主可控与数据安全要求较高的应用场景。 影响——从“拼模型”转向“拼交付”，产业链协同效应显现 对企业用户而言，平台化集成有望显著压缩从评估到上线的周期。以往大模型应用落地往往需要跨团队协作完成环境搭建、参数调优、兼容测试与运维体系建设；在平台统一承载后，用户可在同一控制台下完成模型调用与资源配置，将更多精力投入到数据治理、流程改造与业务验证。据介绍，在部分场景中部署周期可明显缩短、运维成本有望下降。 对行业生态而言，算力—平台—模型的“组合式供给”正在成为主流路径。过去更多是模型企业寻找算力资源、用户自行进行工程集成；如今算力与平台方主动吸纳主流模型能力，提供端到端交付方案，推动大模型从“能力展示”走向“规模生产”。这一变化也将带动标准接口、统一监控、弹性调度与安全审计等工程体系加速成熟。 对产业安全与合规而言，国产软硬件协同可在供应链可控、数据安全与适配优化上形成叠加效应，为关键行业提供更多可选择的技术路线。 对策——以场景牵引与治理先行，避免“上模型不见效” 业内建议，政企单位在引入大模型时，应坚持“业务目标—数据基础—模型能力—算力资源—安全合规”一体化评估：一是以场景为牵引，明确是提升效率、降低成本还是优化体验，避免为“上新”而上；二是同步推进数据治理与知识体系建设，强化可用数据供给与权限边界管理；三是建立持续运营机制，把模型调用、效果评估、提示词与流程优化纳入常态化运维；四是针对敏感数据与关键系统，完善安全审计、隔离部署与应急预案，确保“用得上、用得稳、用得安全”。 前景——大模型进入工程化竞争深水区 随着行业应用从试点走向规模化，竞争焦点将更多落在交付效率、综合成本、稳定性与合规能力上。平台化集成多模型、实现弹性调度与按需供给，将成为面向企业服务的重要形态。可以预期，未来将有更多模型与更多行业工具链被纳入统一平台体系，形成覆盖咨询、设计、研发、制造、运营与服务等环节的“可复用能力库”，推动人工智能真正转化为可持续的生产力。
在全球科技竞争加剧的背景下，中科曙光的实践不仅展现了人工智能产业化的中国路径，更表明了我国科技企业从单点创新到系统突破的能力提升。当技术创新真正服务于生产力提升，"数实融合"的发展蓝图才能落地实现。这提醒我们，建设现代化产业体系既需要核心技术突破，更需要打通从实验室到生产线的最后一公里。