一款 AI 模型，如果连自己的“身世”都要靠别人写好提示词才能说清楚，那多少有点尴尬了。

最近，印度 AI 公司 169Pi 推出了一款名为 Alpie Seed 9B 的多模态推理模型，号称能够在手机、笔记本电脑上本地运行，还公布了一系列相当亮眼的性能成绩。甚至，169Pi 借着印度排灯节的契机，将这款模型作为印度 AI 研究领域的一项新成果对外宣传。

结果，模型刚发布没多久，就有开发者顺着配置文件扒出了它的真实来历：底座竟然是阿里的 Qwen3.5-9B！

这本来没什么，毕竟基于优秀的开源模型进行二次开发、微调和优化，在开源 AI 社区是十分常见的做法——问题是，169Pi 最初的宣传并没有充分、醒目地交代模型来源，只强调 Alpie Seed 是“Built in India（印度制造）”。

更有意思的是，开发者还发现，169Pi 不仅给模型换了个名字，还特意在配置文件里塞进了一段身份提示词：它会要求模型在回答身份问题时，必须坚定地声称自己来自印度公司 169Pi。

一边是中国开源模型，一边是印度本土研发的宣传，再加上这段“直白幽默”的身份提示词，一时间，Alpie Seed 成了开发者社区热议的对象。

号称印度本土研发，一查发现底座是 Qwen3.5

事情始于 11 月 8 日，当天印度 AI 研究公司 169Pi 正式发布 Alpie Seed 9B。

按照官方介绍，这是一款拥有 90 亿参数的多模态推理模型，支持文本、图像和视频输入，能够处理复杂推理、编程和视觉理解任务。它还支持 262K 上下文窗口，并提供不同精度的量化版本，目标是让用户在工作站、笔记本电脑，甚至智能手机上离线运行 AI。

为了证明模型的实力，169Pi 还公布了一系列测试成绩：

其中，GPQA Diamond 主要考察模型解决高难度科学问题的能力，SWE-Bench Verified 则关注模型能否处理真实软件项目中的 Bug 和开发任务——从这些数字来看，Alpie Seed 这款 9B 小模型似乎颇有竞争力。

但很快，X 上不少开发者如 “Dongxi 东锡 NLP” 等人开始检查模型文件，发现了一个关键问题：Alpie Seed 并不是一款从零开始训练的新模型，其底层架构直接来自 Qwen3.5-9B。

根据其公布的分析，Alpie Seed 与 Qwen3.5-9B 存在高度一致性：模型架构相同，分词器词表基本一致，权重结构和数值也高度接近。所以简单来说，Alpie Seed 就是一个建立在 Qwen3.5-9B 之上的二次开发版本，或者按照 “Dongxi 东锡 NLP” 的说法：

“它（Alpie Seed）完全是对 Qwen3.5-9B 的‘致敬’。”

但正如开头所说，这其实并不是什么见不得人的事。基于开源模型进行微调（Fine-tuning），本来就是现在 AI 行业非常普遍的研发方式——真正让这件事变得有趣的，是接下来发现的东西。

最离谱的地方：模型每次回答，都被要求强调自己来自“印度”

在Alpie Seed模型的聊天模板（Chat Template）中，开发者发现了一个名为 identity_policy 的变量，里面写着一段专门规定模型身份的英文指令：

这段提示词并不复杂，核心意思却相当明确：模型必须按照预设要求回答有关自身身份的问题。

● 如果有人问模型叫什么名字，就回答自己是 Alpie Seed 9B，由印度研究公司 169Pi 开发。

● 如果有人问是谁创建了它，就回答 169Pi AI。

● 如果有人问它来自哪里，就回答印度。

也就是说，Alpie Seed 已经被 169Pi 提前安排好了自己的「身世」。

这里稍微解释一下，聊天模板是大语言模型处理对话时使用的一套格式规则，系统提示词则可以用来规定模型的角色、行为和回答方式。例如，我们可以要求一个 AI 助手始终使用中文回答，也可以让它扮演一名编程专家，这些都是正常操作。

但 169Pi 给 Alpie Seed 的这段提示词，专门针对模型的开发者身份和来源作出了规定。而且，它并不是用户每次对话时手动输入的，而是被写入模型配置文件，会随着对话自动注入。

于是，一个颇为滑稽的场景出现了：用户问模型“你是谁”，它会一本正经地回答自己来自印度 169Pi；但如果继续检查模型权重，就会发现它的技术底座实际上来自阿里 Qwen3.5-9B。

可系统提示词并不能改变模型真正的技术来源，它只能影响模型如何回答问题，却不能让原本的模型架构凭空变成另一套技术——这也让不少开发者忍不住调侃：模型的参数没怎么变，倒是自我介绍改得挺彻底。

169Pi 真的什么都没做吗？其实也进行了后训练

不过话说回来，如果因为 Alpie Seed 使用了 Qwen3.5-9B，就直接认定 169Pi 完全没有技术贡献，也有些不公平。

根据 169Pi 后来公开的技术报告，团队确实在 Qwen3.5-9B 的基础上进行了一定程度的后训练，主要包括监督微调和强化学习：

首先是监督微调（SFT）。团队使用了 DoRA技术，在原有模型基础上进行训练，主要针对注意力层和前馈网络等部分参数进行调整。简单理解，就是保留 Qwen3.5-9B 的主体结构，不必重新训练整个模型，而是通过少量额外参数，让模型更好地适应特定任务。

第二阶段则是 GRPO 强化学习。通过奖励机制引导模型优化回答，涉及答案正确性、幻觉惩罚、自我一致性、解释质量、结构保持、重复惩罚和回答长度等七个维度。官方报告显示， 这一阶段用了 8 张 NVIDIA H100 GPU，累计训练 3034 步，消耗约 3472 GPU 小时。

所以，Alpie Seed 并不是简单下载 Qwen、换个名字就完事了，169Pi 确实投入了训练资源，也做了针对性的模型优化。只不过，独立开发者 Satyajit 在 11 月 9 日发布了一篇技术分析文章，直接对比了 Alpie Seed 和 Qwen3.5-9B 的模型权重。

他检查了两个模型的 Safetensors 文件，对全部 760 个张量进行了抽样比较，还对部分张量进行了完整哈希校验和逐值解码：结果显示，Alpie Seed 保留了 Qwen3.5-9B 的原始架构，视觉编码器、词嵌入层等部分参数也没有发生变化，实际调整主要集中在部分注意力层和前馈网络。

也就是说，尽管经过了两轮训练，Alpie Seed 仍保留了 Qwen3.5-9B 的绝大部分原始参数，实际发生变化的参数比例并不高。因此，Alpie Seed 的准确定位更应该是一款基于 Qwen3.5-9B 进行后训练的衍生模型，而不是一款从零开始研发的印度本土基础模型。

遭到质疑后，169Pi 终于承认：底座就是 Qwen

随着开发者的质疑不断发酵，169Pi 也很快作出了回应。

11 月 9 日，169Pi 在社交平台上发布了一份说明，明确承认：Alpie Seed 确实基于 Qwen3.5-9B 开发，并不是由团队从零开始预训练的基础模型。

169Pi 表示，团队认可 Qwen 开发团队以及整个开源社区的贡献，也承认此前在宣传中没有足够突出基础模型的来源，这是他们的疏忽。

对于实际研发工作，169Pi 给出了自己的解释：团队的主要精力并不在于重新构建基础模型，而是集中在后训练和工程优化上，包括监督微调、DoRA 训练、GRPO 强化学习，以及推理能力、编程能力和不同硬件环境下的部署优化。

169Pi 还特别强调，让一个多模态 9B 模型能在工作站、笔记本电脑、智能手机甚至纯 CPU 环境中运行，本身就是一项需要投入大量工程工作的任务。至于未来，169Pi 表示会在所有相关介绍中更清楚地标注模型的技术来源，同时也在探索自主研发基础模型的可能性。

目前，169Pi 官方研究页面已明确写出了 Alpie Seed 的基础模型为 Qwen3.5-9B，并披露了具体的后训练方案。模型则以 Apache 2.0 协议开放，允许开发者下载、使用和二次开发。

网友争论：开源微调没问题，但这也能叫印度自研？

而这件事在开发者社区引发的争论，其实也挺有意思。

一部分网友对 169Pi 的做法相当不满，认为使用开源模型没有问题，但至少应该尊重原作者的工作。毕竟，Qwen3.5-9B 本身就是阿里团队投入大量资源研发并开放出来的模型。169Pi 可以在它的基础上继续训练、优化，甚至做出更适合特定场景的版本，但不能在宣传时让外界误以为整个基础模型都是自己从零研发的。

尤其是那段强制模型自称来自印度的提示词，更让一些人觉得有些刻意：“与其花心思修改模型的自我介绍，不如多花点时间在真正的技术改进上。”甚至有印度网友也对此表示失望，认为这种做法不仅没有给印度 AI 行业争光，反而损害了外界对本土 AI 研究团队的信任。

但也有不少人认为，舆论似乎有些过于苛刻了。

在他们看来，今天的 AI 行业本来就不是所有公司都从零训练基础模型。大量创业公司和研究团队都是基于 Llama、Qwen 等开源模型进行微调，再通过数据、算法和工程优化推出自己的产品。如果一款模型经过后训练后，确实在某些任务上取得了提升，还能在普通设备上运行，那么这项工作就有自己的价值，不能因为它使用了开源模型，就把所有成果都归零。

还有一种观点指出，真正应该讨论的不是“用了谁家的模型”，而是有没有清楚标注模型来源、有没有说明自己究竟做了哪些改进。

如果只是基于 Qwen 做了一轮微调，再加上自己的工程优化，完全可以堂堂正正地发布一款衍生模型，没必要非要把它包装成一款从零研发的本土基础模型。

反过来说，如果一家团队真的能通过后训练，让开源模型在某些领域实现明显提升，这难道不也是一种研发能力吗？

所以，你觉得这件事应该怎么看？基于 Qwen、Llama 等开源模型进行微调，做到什么程度才能算得上“自研”？如果模型确实变强了，但底座几乎没变，这份成绩又应该算谁的？