“大家对智能体的期待是零差错——但从技术发展曲线来讲，这个预期可能过高，技术仍然需要时间打磨，这是自然规律。”

　　近日，在2026北京智源大会上，面壁智能CEO李大海在接受澎湃新闻等媒体采访时表示，2025年是智能体元年，未来智能体将迎来爆发式增长，乃至深刻影响人类社会，不过在技术水平上，目前仍然需要冷静对待。

　　大模型到智能体的结合正在以非常快的速度进化，某些场景已经在落地，不过，谈到智能体的局限性，李大海直言：“哪哪都出问题。”

　　“模型和Agent（智能体）技术的进化非常快。”李大海认为，“也许今天有些工作10%是错误的，下个月错误率就降到1%，快速进化已经成为核心趋势。”

　　作为主攻端侧模型的AI公司，相比通用的基座超大模型，面壁智能或许更多着力的是“小模型”。

　　针对行业内普遍存在的“做好小模型必须从超大规模基础模型蒸馏而来”的观点，李大海明确表示这是一种认知误区。

　　“蒸馏背后有一个非常具体的前提：蒸馏的客体本身必须是一个好的模型。”李大海解释道，“蒸馏本质上是：对于不具备自研基础模型能力、但希望做应用落地的公司，采用已有的小尺寸基础模型，通过微调获得特定场景能力的过程。这个过程中，确实可能使用其他大模型合成数据来让小模型获得相应能力。”

　　李大海表示，这是所有大模型训练的范式，并不仅局限于小模型。

　　“今年以来，随着行业整体把推演转移到国产芯片上，我们也在逐步把训练工作转移到国产芯片和国产集群。”李大海介绍。

　　这一转变的背后，是对生态配合更高要求的挑战。在李大海看来，国产算力生态的完善正在两条路径上并行推进：第一条路径是自下而上的打磨——大模型公司通过自身的训练实践逐步完善生态，“就像一点一点把石板打湿一样，需要时间”。

　　第二条路径则是自上而下的顶层规划，例如此前面壁与智源研究院主导的FlagOS软件生态的深度合作：作为大模型公司和芯片公司建立深度合作，在规划下向前推进合作。

　　在面壁智能AIInfra负责人李宇轩看来，推理对精度的要求其实比训练更高，而面壁智能提出的模型缩放技术成为破局关键：实现用很小的模型预测大模型的效果，在国产芯片上提供深度评测，将实验细节与海外厂商对齐，确认训练精度可用。

　　据披露，面壁智能已经在华为平台上实现极低位宽量化感知训练，达到普通训练95%的效率。李大海解释，5%损失来自量化器本身的开销，通过与华为深度合作，这一开销已经被优化到极小。

　　在小模型性能方面，面壁智能公布最新进展：MiniCPM小钢炮第五代1B版本在ArtificialAnalysis（AA）权威评测中获得17.9分。开源社区研究人员对比发现，2024年5月发布的GPT-4o（200B参数）在同类评测中得分为18.3-18.6分，二者仅相差0.4-0.7分。

　　“2024年我们曾预测，到2026年底端侧模型智能水平可达到GPT-4级别。从目前数据看，这一目标已经提前实现。”李大海表示。

　　值得注意的是，在此前的“面壁智能开源周”上，面壁智能接连发布MiniCPM5-1B、BitCPM-CANN两款端侧大模型。其中，MiniCPM5-1B再次刷新模型的智能密度上限：仅以1B参数规模，在国际知名榜单AA-Index上超越了所有2B参数以下模型;相比3个月前发布的Qwen3.5-2B，MiniCPM5-1B不仅效果更优，参数量还减少了一半。

　　该模型由面壁智能自主研发的AI训练框架ForgeTrain预训练完成，其是全球*完全由AI编写的生产级大模型预训练框架，无人类程序员参与，训练速度比英伟达Megatron快10%。