作者｜冰拿铁

编辑｜星奈

媒体｜AI大模型工场

这几天，大家都刷到OpenAI泄露用户私密图片的新闻了嘛？

最近几个月，类似的问题层出不穷，再次将AI隐私安全推向舆论风口，也折射出一个不容回避的现实问题：

大模型竞争的胜负手，正在从参数规模，转向成本、安全与主权这三大项。

企业评估一款模型，掂量的是一笔综合账，单次任务花多少钱，数据出不出本地，能不能按自己的业务定制，能不能嵌进现有工作流。

然而过去，效果、成本与安全隐私之间往往存在一个“不可能三角”。

纯云端模式模型能力强，但数据暴露风险高、Token成本高、延迟不可控；端侧模型隐私保护更强，但其模型能力受制于终端的算力、内存容量与功耗约束。如何破局？

最近，从科大讯飞最新发布的全栈自主可控大模型底座——讯飞星火X2.6中，我们可以看到厂商一种比较巧妙的解题思路：

端云一体，让云、端各取所长、协同分工。基于全国产算力，星火X2.6支持纯端侧、端云协同和纯云侧三种模式，兼顾模型能力、数据安全与成本控制。

例如，涉密公文、内部台账等敏感数据可直接在本地处理；复杂任务确需上云时，先在端侧完成脱敏，经确认后再上传，处理结果回写本地，避免原始敏感数据外泄。

那么，实际效果如何？我们选取了医疗病历、员工薪酬、经营台账等隐私保护刚需场景展开实测，看看星火X2.6能否真正做到数据安全与高效处理两不误。

从薪资表到病历文档：星火X2.6能否守住隐私红线？

第一个任务，是极其敏感的人事财务数据，堪称隐私红线，我们要给一份包含126条记录的员工薪资表做清洗、异常检测、分位分析。

过去做这种活，要么HR自己在Excel里拉透视表，人肉手搓；要么上BI工具，先建数据模型，再写一套DAX，排期两周起；AI时代，想交给云端大模型处理，但身份证号、手机号这些隐私不能泄露。

现在，考验讯飞的时刻到了：我们把题目交给TA，看TA能不能在算得准的同时，还能在最后一步把隐私封死。

来看结果，星火X2.6交出了四份产物：数据清洗报告，说明清洗规则、处理了多少条异常、数据质量结论，薪酬分位分析表，给出部门×职级的分位值统计；异常薪资明细，列出异常记录清单及原因；以及脱敏后的员工数据表。

细节上，模型处理得相当规矩，先按工号去重，原始126条压到122条；再看最关键的脱敏环节，最终交付的脱敏员工表，每一行都能对回原表工号，但肉眼已经还原不出真人身份。

端侧小模型能跑完一整条轻量数据管线，这已经超出了我们印象里它只会做摘要的定位，对企业薪酬统计、经营台账管理等隐私活儿来说，价值是实打实的。

再来一个任务，我们输入六份不同科室的门诊Word，要求从每份文档里抠出病历号、就诊日期、科室、姓名、性别、年龄、主诉、现病史、既往史、体格检查、初步诊断、处理意见、医师签名，再做必填项质控，统计药品频次，最后把患者姓名做脱敏输出。

这道题考察的同样是端侧模型的长上下文解析、跨文档字段对齐、结构化抽取稳定性，以及“病历不传云端”这条硬约束下的本地闭环能力。

最终交付的成果非常规整：

一个病历结构化汇总表，一行一份病历，所有提取字段为列；一份质控异常清单，哪些病历缺了什么字段一目了然；还有一份药品出现频次排名。

整个过程中，原始病历全程在端侧闭环，只有脱敏后的文本和指令上云，没有任何一个字节的原始敏感数据传出本地。

而且，安全之外，成本也打下来了。这些高频任务如果全部扔给云端API跑，Token费是一笔不小的开销。

而讯飞星火X2.6通过端云协同，既替企业规避了泄露风险，又省下了庞大的Token消耗。

在数据安全和成本控制两把达摩克利斯之剑悬在头顶的当下，让端侧扛住最敏感的脱敏与本地闭环、云端只处理脱敏文本的端云协同，对企业内部的数据流转来说，是强有力的破局思路！

隐私闭环之上，其做到了“专业度”和“高性价比”并存

当然，隐私安全只是底线，真正的硬指标是它能不能把专业活儿干明白、干漂亮。我们要的是那种既守得住隐私，又能把复杂任务拆解清楚、执行到位的搭档。

带着这个标准，我准备了两个高难度场景，来看看星火X2.6表现如何。首先，是金融行业深度研究。

我设定的角色，是一位拥有保险精算师背景的大消费行业首席分析师；研究主题是宠物行业从“快消逻辑”向“金融与长周期服务逻辑”演进，要求相当苛刻：

拆解宠物全生命周期财务模型；用“发生率、案均赔款、赔付率、费用率”这些专业术语分析宠物保险的精算困境；设计一套“鼻纹识别+电子病历绑定”的控费模型，并量化其对COR（综合成本率）的改善；必须用Markdown表格对比“传统宠物食品”和“宠物医疗/保险”在财务特征上的差异；最后，输出一个包含详细数据信息的HTML网页。

这其实是非常考验模型“专业脑力”的活，它不仅需要懂精算，还要能把枯燥的行业分析组织成一套可交付的框架。

星火X2.6交回来的，是一个可以直接拿去汇报的单文件HTML页面。

其按分析师的常用方式，采取 Markdown形式，拆解赛道，从复购率、客单价、生命周期、壁垒四个维度，拆解“传统宠物食品”和“医疗/保险”赛道的差异，一目了然。

在控费模型设计上，它提出两条关键洞见：

用鼻纹识别降低道德风险，绑定电子病历降低核赔成本，共同作用于综合成本率的改善。

最后，落到COR量化与HTML呈现，形成从分析到汇报的闭环。

对分析师来说，这相当于把做表、搭结构、写报告、做网页这些脏活累活承包了，而且输出可用、可复核、可继续改。

再来看教育行业，我准备了一份高一数学答题数据：两个班共98名学生的10道选择题答案、一份参考答案和知识点分布。要求是：

批量批改并计算总分；统计两个班的平均分、最高分、分数段分布和题目正确率；按知识点分组，找出全班最薄弱的3个知识点，以及哪些学生在这些点上得分低；最后输出针对性的教学建议，并交付三份文件，成绩汇总表、知识点正确率表、学情报告。

这个任务量相当大，如果是纯云端跑，近100份表格的数据上传，加上复杂分析和文件生成，Token消耗肯定不低。

星火X2.6给出的处理方式很聪明：直接在端侧完成所有数据读取、判分和班级统计，点开“学生成绩汇总表.xlsx”，里面每一行的各题得分、总分和排名清清楚楚。

在学情分析报告里，它精准抓出了两个班共同的薄弱点，并明确点出具体几位学生在这块需要重点关注。

更贴心的是，它还给出了下一步怎么讲的建议，比如先画草图定对称轴再落笔，按最值与配方法、区间单调性、零点与判别式三类突破。

值得一提的是，同一份任务我们做了横向对比，同样的提示词。除了星火X2.6外，还用了好几个云端大模型来跑。

来看结果，星火X2.6消耗44积分，GLM5.3是84.26，MiniMax M3达到232.16，最高和最低之间差了五倍多！

这让人很欣慰，星火X2.6把成本打下来，使其在教育行业大规模应用变得可行。

教育行业的高频作业与考试，决定了AI工具必须低成本才能常态化使用，若学情分析费用高昂，技术便只能停留在演示层面。

如今，星火X2.6的极低消耗让智能批改与学情诊断大量走进学校，既切实减轻教师负担，又推动个性化教学落地，在未来，有望让技术红利惠及更多学校。

端云协同思路，藏着大模型竞争的第三次换挡

最后，聊聊行业趋势。

大会上，科大讯飞CEO刘庆峰预计，未来约60%的任务可以直接在手机、电脑等端侧完成，并披露端云路由准确率达到96.1%。

诚如所言，性价比与专业能力上的双翼齐飞，正在催生一种全新的AI部署方式。未来，企业在落地大模型时，很可能会采取一种更为精细化的策略：

先为数据分类，再为任务分级。高频、敏感、轻量级的任务留在端侧，保障隐私与实时性；复杂、可脱敏、需要深度强推理的任务则调度至云端，释放极致算力。

而把目光放远、视线拉长，你会发现，大模型竞争，已经换了三次档。

最开始，比的是模型有多强，拼参数规模、榜单排名、benchmark分数、多模态能力、上下文长度，那个阶段的核心叙事是能力突破，参数是入场券，榜单是广告牌。

近两年，比的是模型有多省、多快、多适配行业， Token价格、推理效率成为关键词。未来，比的是则是信任和交付闭环和自主可控程度。

模型能力会逐渐商品化，真正拉开差距的是系统层，谁能把“安全、成本、能力”这个不可能三角拆成可调度的工程方案，谁就能优先进入政企采购清单、深入千行百业。

2026年前三季度，科大讯飞中标项目数量排名全行业第一，披露中标金额也在前十名厂商中排名第一，也佐证了这一趋势。

归根结底，Token有价，而信任无价。浪潮退去，唯有那些能构建起坚实信任基础、提供完整交付闭环的企业，才能穿越周期，成为AI时代真正的底座。

数据支持天眼查，大模型独家合作账号