个 27B 参数的模型，原生存在于你的电脑里新乡万能胶厂家，关掉 Wi-Fi，它照样可以读取本地文件、翻数据库、处理 Excel、写 PPT，连续跑个过去通常需要调用云端大模型的复杂任务。公司的财务数据不用上传，自己的知识经验留在本地，跑得再多，也不用盯着个随着 Agent 工作时间不断上涨的 Token 账单。
电脑买了，电费交了，剩下的 Token 随便用。
这简直。
这个想法并不新奇，但过去端侧 AI 唯麻烦的地就是，模型不太行。
把 1B、3新乡万能胶厂家B 的模型装进手机已经不稀奇，修图、总结文字、陪人聊天都能做；可旦让它读几千条银行流水，自己找文件、写脚本、调工具、检查结果，后交出份能用的报告，小模型很快就会露馅。近年，这个边界开始往前。
个北大背景的创业公司就正在死磕这个向，并且已经取得了些进展。
9 月 3 日，北大系背景的元空智能和惠普起公布了套端侧 AI 案。元空发布了 Boxer 系列模型，以及 AI Work、AI Science 两套 Agent，这些起进入惠普的机器，从笔记本、基于 NVIDIA GB10 的桌面力盒子，再到工作站，模型和 Agent 直接预装，并起动后面的企业部署和服务。
发布会现场 demo 环节，展示者做的件事就是关掉机器的 Wi-Fi 。随后，元空 AI Work 在离线的情况下扫描本地文件夹里的几十张发票，完成解析、分类和归档，后生成 Excel；另个 demo 则是在离线情况下读完数千条银行流水，寻找短时间资金快进快出这样的异常特征。从模型理到文件处理，数据没有离开本地。
过去我们习惯于这些任务由个存在于几千公里外的数据中心里的 AI 解决，现在电脑不再只负责开个网页，而是可以直接本地处理这些任务。
这是元空想要让大"改变"的认知。
1
很多人次知道元空，是因为 ChatExcel。
2023 年 2 月 28 日，ChatExcel 测试版上线。用户把 Excel 扔进去，不用记函数，也不用自己写公式，直接告诉它"把销售额按地区汇总"或者"找出异常数据"，它替你操作表格。半个月后，公测网页日活峰值已经达到 15 万，累计立 IP 访问过千万。那时豆包和 Kimi 都还没有出现，国内甚至没有多少人想清楚个"大模型应用"到底应该长什么样。
早做这件事的是北京大学的宁鲲鹏和姚佳雨。两人在 ChatGPT 爆火之前就研究 AI 处理 Excel 和数据，后来在师袁粒指下用 Transformer 重做技术路线，逄大嵬随后加入团队新乡万能胶厂家，把实验室里的项目往产品和商业化上。今天元空的正式员工依然只有十人左右，它连着北大的实验室、学生和实习生；团队过去几年却从语言、视觉路做到多模态和不同尺寸的模型。
ChatExcel 后来也没有直停在 Excel。从表格扩到数据库、数据清洗和分析，再往后变成完整的 Data Agent。元空自己披露，目前产品已经积累了数百万用户。发布会交流时逄大嵬还开玩笑，大厂们直声量很，他们则在"偷偷地赚钱"。
这几年留下来的东西，不只是批用户。个人处理 Excel 时先找哪张表，看到异常之后往哪里查，项工作中间调用多少次工具，什么时候会失败，后交付什么结果，这些真实的操作轨迹全留了下来。以前它们像产品日志，但现在当 Agent 开始真正替人干活以后，这批数据的意义变了。模型公司现在缺的，恰恰就是这些互联网上找不到的工作过程。
当这些数据资源和元空团队过往直积累的模型经验开始结，元空的 Boxer 系列模型就诞生了。
2
过去几年，端侧 AI 长期卡在个很尴尬的位置：小模型装得进去，重活干不了；大模型足够聪明，本地又装不下。
元空的模型则在中间这层。这次发布的 Boxer 包括 27B 稠密模型和 35B-A3B 稀疏模型，团队给自己划出的范围大约在 20B 到 100B。按照逄大嵬的说法，3B 以下适 Chatbot，写东西、陪聊天已经不错，但长链路生产力任务对上下文理解、Planning 和工具调用的要求很快会把它压垮；千亿参数以上的大模型能力强，放到个人设备上的成本又太。几十 B 参数刚好开始进入个"能干活，也装得下"的区域。
元空内部很喜欢用"智能密度"解释这种变化。同样几十 B 参数，今天能装进去的能力比年前多得多。他们判断，目前 35B 这档已经能够覆盖不少年前还要交给大云端模型的生产力任务。这个趋势当然不只属于元空：模型架构、MoE、量化、子优化不断往下压，PC 这头的 GPU、NPU、内存带宽继续往上长，两条曲线今天开始交汇。
这次 Boxer 已经可以从十几 GB 内存的个人电脑，路部署到桌面力盒子和工作站。官披露的工程数据里，经过针对硬件的优化后，Prefill 达到数百 Token/s，Decode 达到数十 Token/s，交互延迟压到了百毫秒乃至低。这些数字没有 Frontier Model 跑 Benchmark 那么感，但它决定了另件很实际的事：个几十 B 的模型坐在桌边，已经不会因为慢到法忍受而失去使用意义。
而生产力任务对模型提出的要求，还远不止"聪明"。个 Agent 连续工作两小时，中间断掉了怎么办？昨天做到半的任务，今天回来还能不能接着做？调用十几个工具以后出了错，能不能知道应该从哪里退回去？元空 AI Work 为此做了套 Harness 和长期 Memory，把执行过程结构化保存下来，任务可以从检查点恢复。姚佳雨在发布会上形容它有点像版本控制，他们保存的是项工作真正走过的轨迹。
这也是元空为什么没有急着去和手机里的小模型聊天、修图。3B 模型写诗已经足够好了，让它替财务部门干个下午，那是另种任务和技术路线。
3
模型终于能装进去以后，端侧 AI 可以很清楚的清楚成本的账。
过去几年，我们逐渐习惯了种很奇怪的计机消费式：电脑已经买了，真正干活的力还得按 Token 付钱。Chatbot 时代这笔钱没那么扎眼，个人每天问几十个问题，订阅费也就几十美元；Agent 来，账本迅速变厚。次任务可能连续跑几个小时，反复读取文件、搜索、调用模型、写代码、验证结果，用户越愿意把工作交给 AI，Token 就得越快。
"组织是永远在账的。"逄大嵬说。惠普和元空给出的办法也很传统，万能胶厂家把原来持续发生的 OPEX，重新换成次 CAPEX。
企业先买机器，模型以后都跑在自己的 CPU、GPU 和 NPU 上，本地理增加次任务，除了电费，几乎不会再产生张新的 API 账单。
这笔账当然不适所有人。普通用户天聊几十轮，直接用云端模型仍然便；真正敏感的是投行、律所、药企、制造企业和科研机构，因为它们通常同时满足两个条件：AI 用得足够多，手里的数据又足够贵。审计底稿、律师文件、实验数据、公司财务和工厂工艺参数，有些甚至从制度上就不能进入公有云。
本地模型刚好同时处理这两件事。力买断，数据留下。但这也带来另个老问题：谁来把模型装进每公司？元空正式员工十人左右，如果每套产品都要工程师飞过去调机器，这公司很快就不用训模型了，天天交付就行。所以，他们的重要作伙伴，就是惠普这样的设备厂商。据了解，双已经作两年，惠普有现成的工作站产品、企业销售体系、FDE 和全球渠道，元空只需要继续把模型和 Agent 做好。
软件公司不用自己电脑，电脑公司也终于多了个理由，让企业再买台能好的电脑。
4
在这次发布前后我们有机会和元空的团队入交流，而在交流中，你会发现这支十来人的团队，其实多少有点今天所谓 Neo Lab 的味道。
他们当然会谈理速度、硬件适配和客户，但聊到后半程，真正兴奋的话题却总会回到模型上。
今天模型公司到底还缺什么？他们的答案是数据，它们已经很难再从互联网里找。
Wikipedia、书籍、网页、论坛、GitHub，这些过去几十年人类公开留下来的知识，已经被轮又轮模型抓下来训练。预训练当然远没有消失，但继续从公开互联网里多找些文本，已经越来越难带来过去那种能力跃迁。
他们认为下阶段贵的那批数据，大量存在于人真实工作的过程里。
个分析师看到份财报，为什么突然去查另张表；个老师傅听见机器声音不对，下步会看哪个参数；个实验员做完上轮反应，为什么把下次的试剂从 3ml 改成 2.7ml。这些知识很少有人门写进网页，很多时候当事人自己都不会觉得这是"数据"。但它们恰好记录了人怎么完成复杂任务，而越来越多的新模型能力，正在从这种过程里长出来。
而这和过去年模型训练法的变化也撞在了起。
预训练先让模型获得语言、知识和继续学习的能力，之后的 Coding、Computer Use、长链路 Agent，则越来越依赖后训练：给模型个可以行动的地，让它尝试，然后告诉它事情有没有做对。代码环境很简单，段程序写完，跑十个 Test Case，过几个就拿几分；网络安全也可以做成环境，放台服务器进去，攻破就是成功；到了实验室，模型调整实验参数，仪器跑完以后把真实结果送回来，反馈同样成立。
元空认为围棋是好理解的例子。棋盘没有十万亿 Token，只有套规则、每步落子和后的输赢；有了这样个可以不断尝试、不断获得反馈的环境，模型就能自己生成几乎穷的数据。沿着这个逻辑看今天的办公室和实验室，Excel 是环境，浏览器是环境，ERP 是环境，机械臂、显微镜和离心机也是环境。个 Agent 真正在这些设备上工作，会自然留下整条 trajectory：它看了什么、做了什么、哪里失败、怎样修正，后事情有没有完成。互联网上难获得的那批数据，在这里每天都有人费生产。
在当天的分享里，让我关注的也是这个判断："设备即环境"。
元空直强调 Model、Agent 和 Device 要放在起看，都和这个判断有关。模型负责理解和决策，Agent 提供 Memory、工具调用以及维持长任务的 Harness，设备则把前两者接进真实工作。现实里的任务很少像 Chatbot 样，以次 Prompt 开始、几十秒以后结束：财务工作可能持续几天，科研项目持续几个月，工厂甚至永远不会停。Context Window 再长，也装不下这样条限往前走的时间线，所以 Agent 须记住之前发生过什么，再回到设备上继续操作。
这也解释了为什么元空很在意"原生端侧模型"。他们并不满足于把云端模型量化、压小，再搬进 PC。在他们看来，模型如果终要在设备上处理长期、复杂、真实的任务，训练时就应该接触这样的环境。"先要有个端侧环境，才能训出原生的端侧模型。"他们在交流里反复强调这点。
这条路线有意思的地，在于它和模型变小的趋势刚好会。
Frontier Model 仍然可以留在规模巨大的数据中心里，用昂贵力继续探索能力边界；可旦某种能力被证明可行，对应的环境、反馈机制和训练法成熟，它就会不断向小的模型迁移。年前需要大模型才能完成的任务，今年几十 B 开始能做，再过代还可能继续往下走。小模型进入设备之后，又拿到了云端模型缺的真实任务环境和轨迹数据，于是下轮后训练可以继续发生。
今天各个模型团队都在四处寻找新的"环境"数据：Coding、金融、安全、科研，每类任务都得有人搭出套能够反复尝试并且给出可靠反馈的世界。而在元空的选择里，像惠普这样的设备就是好的环境。
过去二十年，PC 和手机把几十亿人接进互联网。人类在这些设备上搜索、聊天、工作、写代码，后留下的数据喂出了今天的大模型。现在 AI 开始反过来住进设备里，它次可以长期看到人怎么工作，也可以自己动手、犯错、拿到真实结果，再继续下次。
这些都是元空想要让大知道的，他们的"赌注"：省掉 Token 和数据不出本地，都已经足以台电脑；但如果智能密度继续以今天的速度提升，而模型训练真正稀缺的数据又越来越多地来自现实环境，设备就不只是台便宜的理机器。它会成为模型下轮学习的地。而谁先在这里"扎下根"，谁自然就有大机会拥有 AI 往前走的下个未来。相关词条:玻璃棉 塑料挤出机厂家 钢绞线 管道保温 PVC管道管件粘结胶
奥力斯 泡沫板橡塑板专用胶报价 联系人：王经理 手机：18232851235（微信同号） 地址：河北省任丘市北辛庄乡南代河工业区
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定新乡万能胶厂家，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。