当开放模型的讨论被排行榜牵引，容易把成功定义为在通用任务上逼近最强闭源模型。Nathan Lambert为“How Open Models Win”演讲发布的文字介绍，提出另一种商业方向：把专门、重复任务的推理成本显著压低，而非在所有通用Agent工作上直接比价。
他的理由不只有模型性能。应用、推理服务和模型开发者处在分散的生态里，应用创造的收入未必回到下一轮模型训练。即使开放模型用得很多，也仍需要回答谁持续出资的问题。他在3月文章中已讨论让小模型成为强Agent愿意调用的专用工具；今天的原帖把这条路线与资金循环进一步连在一起。
这里依据的是实际取得的帖子全文和旧文相关段落，没有把附带演讲当成已观看。专门化能否形成足够大的需求、节约能否覆盖适配和运维，仍是需要业务数据检验的判断，不能由下载量或榜单分数代答。