做一个750B参数的AI大模型，需要多少钱？OpenAI的答案是数十亿美元，DeepSeek的答案是数万张GPU。但LG的答案可能是：你上一代模型就可以。
2026年7月31日，LG AI Research在Hugging Face上放出了一组权重文件。当外界看到“750B”这个数字时，第一反应是LG什么时候变得这么有钱了。但仔细看完技术报告后，更让人惊讶的恰恰不是750B这个数字本身，而是LG拿到这个数字的方式。
不是从零开始烧钱训练，而是把上一代236B参数的模型“回收升级”（upcycling）成了750B。这听起来像是一个工业化时代的废铁回炉故事，但在AI大模型的世界里，这条路线正在挑战一个被奉为铁律的信仰：Scaling Law，模型的性能增长，不一定非要靠不计代价地堆算力。
韩国最大模型诞生
K-EXAONE 2.0是韩国科学技术信息通信部“主权AI基础模型项目”的第二阶段成果。750B总参数、约37B激活参数（每token），采用MoE混合专家架构，支持256K token的上下文长度。相比第一代K-EXAONE（236B总参数、23B激活参数），规模扩大了三倍以上。
但更关键的数字隐藏在训练方式里。LG没有选择从头训练一个750B的模型，那需要数万张GPU和数亿美元的预算。而是将第一代236B的稠密模型通过upcycling技术转化为750B的稀疏MoE模型。这意味着，大部分训练计算量被用于“扩展”而非“创造”。
在Hugging Face上，K-EXAONE 2.0的权重文件在发布后数小时内就被下载了数千次。Apache 2.0许可证意味着任何企业都可以将其用于商业用途，这是LG在策略上的一个重大转变。第一代模型还使用着更严格的许可证。
数据说了什么
LG公布了9个类别24项基准测试的全面评估结果。
K-EXAONE 2.0在24项基准测试中拿到平均70.1分，比第一阶段的63.3分提升了超过10%。其中，三项编码和智能体编码基准测试的平均性能提升了约30%。
在长上下文理解方面，K-EXAONE 2.0在OpenAI-MRCR上拿到94.4分，在Ko-LongBench上拿到89.6分，分别超过中国智谱的GLM-5.1（71.5分和83.6分）。在三个代表性长上下文基准测试上，平均得分比GLM-5.1高出超过10%。
在智能体工具调用方面，K-EXAONE 2.0在Tau3-Bench Banking上获得14.2分，超过GLM-5.1（11.5分）和阿里的Qwen3.5（13.4分）。在指令遵循评估上，与GLM-5.1、DeepSeek V4 Pro Max、Qwen3.5等全球领先模型处于同一水平。
更值得关注的是安全评测。在KGC-Safety和ROK-Fortress两项评估中，K-EXAONE 2.0平均拿到94.6分，远超GLM-5.1（71.3）、DeepSeek V4 Pro Max（65.2）和Qwen3.5（89.0）。
这些数据放在一起，拼出了一个清晰的叙述：一个在资金和算力上远不如美国巨头和中国明星创业公司的团队，用一种更聪明的方式，做出了一个在多个维度上不输甚至超越竞争对手的模型。
Upcycling：一场效率革命，还是权宜之计？
Upcycling并不是LG的原创发明。2023年，英伟达的研究人员在论文《Upcycling Large Language Models into Mixture of Experts》中系统性地提出了这一方法：将一个训练好的稠密模型，通过复制其FFN层权重来初始化MoE模型中的多个专家，然后继续训练少量步数来让专家“分化”。
但LG是第一个将这一方法成功应用到700B级别并开放权重的主流AI实验室。为什么他们选择这条路，而不是走DeepSeek或Qwen的从头训练路线？
答案可能很简单：资源约束。
韩国虽然在半导体制造领域拥有全球最顶尖的能力（三星、SK海力士），但在AI大模型训练所需的GPU算力储备上，与美国和中国有数量级的差距。LG AI Research不是OpenAI，不是Google DeepMind，也不是DeepSeek。它没有无上限的GPU预算。
Upcycling在数学上是一种高效的扩展策略。假设你有一个236B的稠密模型，训练成本是C。如果从头训练一个750B的稠密模型，成本至少是3C到5C。但通过upcycling方式的MoE扩展，你只需要在原有模型基础上增加少量训练步数，总成本可能只有1.2C到1.5C。
LG在技术报告中坦陈了这一选择：“Rather than training from scratch, we upcycle K-EXAONE and expand its architecture.” 这不是技术上的无能，而是在资源有限条件下做出的最优解。
主权AI的底层逻辑：为什么韩国要自研大模型？
K-EXAONE 2.0不仅是LG一家公司的事。它是韩国“主权AI基础模型项目”的一部分，由韩国科学技术信息通信部直接主导。
所谓“主权AI”，本质上是国家安全和产业竞争力的焦虑。当前全球AI生态中，底层基础模型几乎被美国和中国垄断。OpenAI、Google、Meta、Anthropic来自美国；DeepSeek、Qwen、GLM、Baichuan来自中国。韩国作为全球ICT强国，在消费电子、半导体、家电领域拥有庞大的AI应用场景，但底层模型能力却高度依赖外部供应商。
这种依赖正在被视为一种战略风险。如果有一天，美国或中国限制其最先进模型的出口，韩国的整个AI应用层将面临断供风险。K-EXAONE 2.0的意义在于：它证明了韩国可以在不依赖外部力量的情况下，独立完成750B级别模型的设计、训练、评估和推理全流程。
LG AI Research联席总裁Woohyung Lim在发布时强调：“K-EXAONE 2.0代表着远超于构建一个更大模型的意义。我们的研究团队独立完成了750B基础模型开发的每一个阶段，从模型架构和数据准备，到大规模分布式训练和推理基础设施。这证明了我们已经建立了与全球前沿模型竞争所需的能力，这正是‘主权AI基础模型项目’的核心目标。”
这句话的潜台词是：韩国可以做AI领域的“第四个玩家”。
竞争格局：LG的对手是谁？
K-EXAONE 2.0的基准测试数据主要对比了三个对手：智谱GLM-5.1（中国）、阿里Qwen3.5（中国）、DeepSeek V4 Pro Max（中国）。在安全评测上，还重点对比了Qwen3.5和DeepSeek V4 Pro Max。
这种对比选择本身就透露了LG的战略定位：他们瞄准的是“中美之外的第三极”。在韩国市场，对中文模型的接受度天然低于对本土模型的接受度。K-EXAONE 2.0在韩语能力上（Ko-LongBench 89.6分）和韩国社会规范理解上（KGC-Safety高分）建立了天然壁垒。
但LG的野心显然不止于韩国市场。模型现在支持10种语言（韩语、英语、西班牙语、德语、日语、越南语、法语、意大利语、葡萄牙语、波兰语），是韩国开发的基础模型中支持语言最多的。LG AI Research方面表示，这为“主权AI技术不仅服务韩国，也服务全球市场提供了更强的基础”。
在国际市场上，K-EXAONE 2.0的竞争对手不仅是开源模型，还有闭源API。750B总参数、37B激活参数的配置，意味着它的推理成本介于稠密小模型和超大稠密模型之间，比同级别的稠密模型便宜，但比7B或13B的小模型贵得多。
与此同时，LG AI Research还在同步推进多模态能力。其最新发布的视觉语言模型EXAONE 4.5在13项评估基准的平均分上，超过了GPT-5 mini、Claude Sonnet 4.5和Qwen3-VL。EXAONE 4.5已被韩国行政安全部选为AI安全报告系统的引擎，每天分析超过39,000份公共安全报告，也被韩国食药安全处采用为AI辅助药品审查系统。这些落地案例说明，LG正在构建一个从基础模型到行业应用的完整闭环。
Upcycling的天花板在哪里？
Upcycling路线并非没有代价。
ICML 2025上的一篇论文《Scaling Laws for Upcycling Mixture-of-Experts Language Models》揭示了一个关键发现：upcycled模型在训练数据量增大时，存在一个密集训练与upcycled训练之间的交互效应，限制了upcycling在大计算预算下的效率。简单说，靠upcycling能省的钱是有上限的。当你想让模型变得非常强时，最终还是要投入大量算力去训练。
其次，MoE架构本身存在推理部署的复杂性。虽然37B的激活参数意味着推理计算量远低于750B的稠密模型，但MoE模型需要将所有专家参数加载到显存中。750B参数即使使用FP8量化也至少需要约750GB显存，这对推理硬件提出了高要求。小团队或个人开发者想要本地运行这个模型，几乎不可能。
纵览基准测试数据，K-EXAONE 2.0在大部分对比中超过或匹敌的是中国模型，而不是GPT-5或Claude 4.5系列。LG在官方新闻稿中谨慎地使用了“competitive with, or exceeds, leading global foundation models”的说法，但具体对比对象的选择暗示了实际差距所在。
这意味着什么？
K-EXAONE 2.0的发布，至少传递了三个信号。
Scaling Law虽然没有被推翻，但堆算力不再是唯一的路。Upcycling证明了用更少的钱做更大的模型是可能的。这对全球大量缺乏万卡集群的中等规模AI实验室来说，是一个极具吸引力的选项。
主权AI正在从口号变成行动。韩国、日本、欧洲各国都在加速基础模型的自主研发。K-EXAONE 2.0是这个趋势中最新的、也可能是最具说服力的一个案例，它证明了非第一梯队玩家也能造出750B级别的模型。
开源生态正在成为AI竞争的新战场。Apache 2.0许可意味着K-EXAONE 2.0可以被任何企业用于商业目的。这不仅是技术贡献，也是地缘政治策略。通过开源吸引全球开发者生态，建立对韩国模型的依赖。
但LG的挑战同样明显。Upcycling能帮他们追到第一梯队，但不一定能帮他们超越。当中国DeepSeek和Qwen也在快速迭代，当OpenAI和Google的下一代模型即将发布，LG需要在“省钱的路线”上找到“省钱的创新”。
笔者更关心的是：K-EXAONE 2.0之后，LG会怎么做？继续upcycling到1T参数？还是切换到从头训练的全新路线？这个选择将决定LG是成为“AI界的丰田”，用精益制造挑战巨头，还是止步于“区域冠军”。
当所有人都在加钱、加卡、加算力时，LG选择了一条更聪明的路。不是烧更多的钱，而是让每分钱烧得更聪明。
快报