在「中文版 ChatGPT」还停留在传闻的 2023 年初，复旦先把这个对话模型开源了
ChatGPT 引爆全球之后，中文社区最着急的问题不是「能不能用」，而是「我们自己的、能跑在国产算力上的对话模型什么时候来」。2023 年农历春节期间，复旦大学自然语言处理实验室（FudanNLP）把一个名为 MOSS 的开源对话大模型推到了台前——它取名自电影《流浪地球》里那颗冷静理性的 AI，也像那颗 AI 一样，把「能听懂中文、能多轮对话、能写代码、能调工具」这件事，第一次以开源权重的形式交到了国内开发者手里。
一句话认识它：MOSS 是复旦大学自然语言处理实验室开源的中文对话大模型[1]，以约 160 亿（16B）参数的基座为支撑，具备多轮中文对话、文本与代码生成、数学推理，以及调用插件与外部工具的能力[2]。它的核心意义不在于「参数最大」，而在于把模型权重、训练指令数据、推理代码与可交互的在线 Demo 一并开放，让研究者和个人开发者能在自己的机器上把它跑起来、改起来、研究起来。
先看一段真实的对话：MOSS 到底「像不像」会聊天的助手
对话问答型模型最直观的检验方式，就是真的跟它聊几句。下面这段模拟交互，呈现了 MOSS 在多轮语境下「记住上文、拆解任务、调用能力」的典型表现（内容为示意，用于说明交互形态）。
上面是交互形态的示意。MOSS 的真实回复质量取决于具体版本、权重与部署环境；早期预览版在复杂推理和事实准确性上远不及今天的强模型，把它当「早期开源探索样本」来看，比当「日常主力助手」更合适。
开源对话模型，和闭源商业助手到底差在哪
要评价 MOSS，得先把它放回 2023 年初那个「中文对话模型几乎全被商业公司攥着」的时间点。下面两栏不是「谁更好」，而是「两种路线各自把控制权交到了谁手里」。
闭源商业对话模型的那一面
- 权重不公开：你只能用它的接口，看不到、拿不到、改不了底层模型，研究其内部机制只能靠黑盒试探。
- 数据流向由厂商定：你发的每一句对话都可能进入对方的训练与合规流程，对敏感或内部场景是绕不开的顾虑。
- 调用受商业策略约束：访问频率、价格档位、功能开关都由运营方随时调整，你的工作流不得不跟着它的节奏走。
MOSS 作为开源模型给出的一面
- 权重可下载：模型权重、推理代码与部分训练数据公开，研究者能在本地加载、调试、复现，把「对话模型怎么训出来」变成可学习的对象。
- 可私有化部署：在内网或自有算力上跑，对话内容与数据不出边界，适合教学、科研与对隐私敏感的试验。
- 可二次开发：基于开源基座做指令微调、插件扩展或领域适配，路线不被单一厂商锁定，社区能持续接力改进。
八块能力拆解：一个开源对话模型能替你干哪些活
把「会聊天的模型」拆开看，真正值钱的是它背后那一串可被单独调用、也能串成流水线的能力。MOSS 围绕对话场景，主要把这些能力摊开在了开源包里。
① 中文多轮对话
针对中文语境与上下文做优化，能接住多轮追问、记住上文设定，不像早期翻译式模型那样「每句都像重新开始」，适合做问答、陪伴与轻量咨询。
② 文本与创作生成
写文案、改邮件、扩写提纲、润色稿件都不在话下；开源权重让你能在本地批量跑，不必为每一次生成付接口费，适合内容团队做原型。
③ 代码生成与解释
能按自然语言需求写出函数、补全脚本、解释报错，对教学演示和轻量自动化有帮助；把它接进本地 IDE 或终端，就成了一个可私有部署的编程小助手。
④ 数学与逻辑推演
具备基础的数学运算与步骤式推理能力，能处理预算拆分、单位换算、简单证明等任务；复杂竞赛级题目仍是它的弱项，需配合工具校验。
⑤ 插件与工具调用
设计上支持插件机制，可对接搜索、计算、文生图等外部工具，让模型从「只会说话」升级为「能动手查、能调接口」，是对标工具增强型助手的关键一步。
⑥ 指令微调数据开源
团队公开了规模可观的中文多轮对话指令数据集，供社区研究与复现；这份数据本身比单一权重更有教学价值，是后来许多中文指令微调工作的参考样本。
⑦ 本地部署与推理
提供权重与推理代码，配合消费级显卡即可在本地加载，无需把对话发到云端；对想低成本试水大模型、做课程实验的个人和实验室非常友好。
⑧ 社区与生态承接
作为早期受关注的中文开源对话模型，MOSS 带动了围绕它的二次开发、教程与衍生项目，形成了一个可供新手入门大模型训练与部署的学习入口。
四步走：从打开网页到把它跑在自己的机器上
对话问答型工具最怕「看个热闹就走了」。下面这条路径把 MOSS 从「在线试试」推进到「真正可用」，你可以只取前两步感受，也可以走完全程做研究。
- 在线体验：打开官方 Demo 站，先用浏览器跟它聊几句，感受中文多轮对话、代码与插件调用的实际表现，判断它是否对得上你的需求。
- 拉取开源包：从代码仓库获取模型权重、推理脚本与说明文档，确认自己机器的显存与依赖是否满足本地加载的最低要求。
- 本地部署：按仓库指引把权重加载到本地环境，跑通一条最小对话链路；到这一步，你的对话内容就已经不再经过任何第三方服务器。
- 微调与扩展：用公开的指令数据集做轻量指令微调，或接入搜索、计算等插件，把通用对话模型改造成贴合你业务的专用助手，再沉淀成可复用的流程。
三个最容易踩进去的坑
把预览版当主力。早期开源对话模型在事实准确性、长上下文与复杂推理上明显弱于今天的商业强模型；写文案、做demo可以，拿它出正式报告或医疗/法律建议就别冒险。
忽略许可边界。开源不等于「随便商用」。MOSS 的权重与数据通常有学术/非商业或需申请的限制条款，做产品前务必核对许可证，别让合规问题在上线后才爆雷。
盲目信任它的「答案」。对话模型会一本正经地编造细节（幻觉）。涉及数字、出处、代码正确性的内容，一定要人工复核或接工具校验，别把它的输出直接当事实。
常见问答
MOSS 和 ChatGPT、文心一言这类模型最大的区别是什么？
最核心的区别在「开放程度」。ChatGPT、文心一言等以商业服务形态提供，权重与内部训练细节不公开；MOSS 把模型权重、推理代码与部分训练数据开源，研究者和开发者能把它下载到本地、改它、研究它，路线不被单一厂商锁定。代价是它早期版本的能力上限低于商业强模型。
它真的是复旦大学做的吗？为什么叫 MOSS？
MOSS 由复旦大学自然语言处理实验室（FudanNLP）团队开源发布，取名自科幻电影《流浪地球》中那颗理性冷静的 AI，寄托了「做中文世界自己的对话智能」的意味。团队在官方站点与代码仓库中公开了项目背景与成员信息，可作为权威出处核对。
我的对话内容会被上传吗？
这取决于你用什么方式使用。在官方在线 Demo 上对话，内容会经过运营方的服务端；但 MOSS 的价值正在于你可以把权重拉到本地、在自有算力上私有化部署，此时对话内容不出你的机器。对隐私敏感的场景，强烈建议走本地部署路线。
普通电脑能跑得动吗？
MOSS 的对话权重约 16B 参数，配合量化与消费级显卡可以在本地加载，对显存有一定要求；具体最低配置以官方仓库说明为准。如果只是体验，直接打开官方在线 Demo 最省事，无需自备算力。
能拿它做商业产品吗？
要看许可证。MOSS 的权重与训练数据通常带有学术或非商业使用限制，部分用途需向团队申请授权；在把它放进付费产品或服务前，请先逐条核对开源许可证与数据使用条款，必要时联系团队确认，避免侵权。
它支持插件和联网吗？
MOSS 在设计上支持插件机制，可对接搜索、计算、文生图等外部工具，让模型从「纯文本对话」扩展到「能调用工具」。不过插件能力依赖具体版本与部署配置，实际可用与否以你拿到的开源包与官方文档为准。
参考资料
- 来源：MOSS 官方网站（在线对话 Demo、项目背景与能力说明）：https://moss.fastnlp.top
- 来源：MOSS 开源代码仓库（模型权重、推理脚本、部署与微调说明）：https://github.com/OpenLMLab/MOSS
- 来源：MOSS 开源指令数据集（中文多轮对话训练数据的获取与字段说明）：https://github.com/OpenLMLab/MOSS
- 来源：复旦 NLP / fastnlp 平台（项目所属实验室与学术背景）：https://fastnlp.top
- 来源：维基百科 — 大型语言模型（对话模型的演进脉络与开源生态概念参考）：https://zh.wikipedia.org/wiki/大型语言模型
- 来源：arXiv 学术论文库（MOSS 相关训练方法与多轮对话数据的技术报告检索）：https://arxiv.org
青衣网络 AI 观察团队 · 最后更新 2026-08-25 | 本文基于 MOSS 官方公开信息及开源仓库整理，用于帮助读者理解其定位、能力与边界；模型版本、权重许可、插件支持与部署要求随时可能调整，实际使用请以官方最新文档与许可证条款为准。