Liquid AI 在社交平台挂出一个投票，问大家希望下一款模型做到多大，评论区立刻兴奋起来——尤其是 100B 这个档位。但票数高不代表真的会做。真要拆开看，训练一个 100B MoE 需要的算力、显存、集群调度能力，都和“社区呼声”没有直接关系。本文整理了几个关键讨论点，帮你在期待之前先有个谱。

100B 对普通玩家意味着什么

很多人期待 100B 的原因，是它恰好卡在“个人顶级硬件”和“小规模服务器”之间的甜蜜点。评论区有用户直接点名：DGX Spark、Strix Halo 这类机器，或者 Mac Studio、RTX Pro 6000，甚至 4× RTX 3090 的常见配置，跑 100B MoE 都算比较舒服。相比之下，120B 可能就会出现显存需求暴涨的问题——有人明确说：如果真要出 100B 而不是 120B，那绝对欢迎；如果是 120B，那不如老老实实等 30B，因为自己的 64GB 内存/显存根本塞不下传说中的 78GB 需求。

投票≠承诺，社区历来如此

不少有经验的用户给这波热情泼了冷水。一个高赞观点是：投票只是看大家想要什么，并不代表 Liquid AI 已经立项了。训练 2B–5B 和训练 100B MoE 的算力需求差出几个数量级，如果公司手头没有足够的训练资源，这个投票做出来大概率也是白兴奋。也有人拿 Qwen 的例子类比：阿里曾经搞过类似投票，结果每个档位票数都差不多，最后只出了 1–2 个变体——哪怕有阿里这种级别的算力，投票结果也很难预测实际发布时间表。

MoE 训练成本：有效参数不是全部

针对“为什么 100B A5B MoE 的性价比也许没那么高”这个问题，评论区有两派。一派强调理论上训练 MoE 的计算量和激活参数（active parameters）成正比，所以训练 100B A5B 跟训练 5B 稠密模型的花费差不多，还能拿到更好的长尾记忆能力。另一派则指出：训练 token 的需求量是和全局参数量（global parameter count）挂钩的，不是只跟有效参数走。而且还有 all-to-all 通信开销、batch size 下降、调度复杂度等现实损耗。说得直白一点，训练软件的难度可能比算力更让人头疼。

30B 或许才是真正的“下一站”

评论区里有一个很务实的观察：Liquid AI 已经提到“还在做 24B-A2B MoE 模型”，那 30B 档位基本等于确认了。有人甚至公开呼吁大家别把票投给小尺寸模型——因为小的反正会持续更新，不如把票投给 30B 或 100B，逼一下官方。但更接近真相的，可能是另一条评论：销售和市场团队天天画饼，“承诺整个宇宙”是他们的日常工作，最后真正交付的东西，通常比承诺小一圈。

给你的建议

如果你已经被 100B 吊起了胃口，我的建议是：先别升级硬件。在官方正式出 release note 之前，按现有硬件评估你手头任务的 baseline 是更实际的做法——比如，LFM 2.6B 在一些小任务上已经能给到非常惊喜的反馈，30B 级别的模型也足够覆盖多数日常场景。真等 100B 落地，再决定是租卡还是买机器也不迟。投票那种东西，看着热闹就得了。