PewDiePie Ajax AI Model 在与 OpenAI 的封禁争议后转向本地运行

PewDiePie 在称 OpenAI 在开发期间两次暂停其账号后，推出了一款拥有 90 亿参数的本地助手。PewDiePie Ajax AI 模型让这场争议超越了创作者与 AI 公司之间的普通纠纷。

Ajax 是阿里巴巴 Qwen3.5-9B 模型的定制版本。目前，它正被开发用于驱动 Odysseus——Felix Kjellberg 自托管的工作空间，涵盖搜索、浏览、电子邮件、日历和其他日常任务。

这场冲突涉及模型蒸馏，即利用更大模型的输出帮助训练更小模型的过程。Kjellberg 表示 OpenAI 反对其相关活动，但 OpenAI 尚未公开确认两次账号处置背后的具体原因。

这一核实缺口很重要。目前，这一封禁事件主要依据 Kjellberg 的描述及其视频中展示的一封电子邮件。Ajax 本身也仍无法供独立测试。

即便如此，该项目揭示了真实的分歧。云端 AI 服务商希望保护其模型与服务不被提取；本地 AI 开发者则希望拥有可定制、可审查、无需持续将数据发送至他人服务器的小型系统。

PewDiePie Ajax AI Model 有何变化

Ajax 标志着 Kjellberg 的本地 AI 实验从整合既有工具，转向为某个特定工作空间改造模型。

最初的发布报道将 Ajax 描述为一款围绕 Qwen3.5-9B 构建的常驻式助手。该基础模型约有 90 亿个参数，即训练期间不断调整的数值。

90 亿参数仍代表着相当可观的模型规模。然而，与领先云端系统所对应的未披露规模和基础设施要求相比，这一体量仍较为适中。

较小的基础模型契合 Ajax 的预期定位。Kjellberg 并未将它塑造成能够回答所有问题的通用模型。他正为 Odysseus 对其进行定制，而该工作空间中的工具可以完成许多原本依赖模型内部知识的任务。

据报道，这些工具包括网页搜索、浏览、电子邮件和日历访问。模型会理解请求、决定使用何种工具，并处理返回的信息。这种安排通常被称为智能体 AI，意指能够为达成既定目标采取多项行动的软件。

例如，查找一封邮件、核对日历并起草回复，并不总是需要前沿模型。它需要的是可靠的工具选择、准确的信息提取，以及围绕重要操作设置的安全防护。

这一差异解释了为何较小的本地模型即使拥有较少的通用知识，依然能够发挥作用。它的价值来自整个组合系统，而不只是其权重中编码的事实数量。

Ajax 还承诺支持本地处理。本地 AI 模型运行在用户控制的硬件上，而不是将每一条提示发送至远程推理服务。这可以减少数据向外暴露，但并不会自动确保周边软件的安全。

项目的公开页面仍将 Ajax 标为“即将推出”。截至公告发布时，页面尚未提供可下载的权重、最终硬件要求、已确认的许可证或独立评估结果。

这使得“发布”一词很容易被误解。Kjellberg 已展示了模型及其发展方向，但公众尚未获得一个研究人员能够复现的完整发行版本。

因此，Ajax 介于可运行的个人项目和公共产品之间。它似乎已存在于 Kjellberg 的环境中，但其实际表现仍是创作者自行报告的说法。

这种不确定性并未抹去事件本身。相反，它界定了事件当前所处的阶段：一位知名创作者已将本地模型置于其计算环境和公开内容的核心位置。

Kjellberg 此前曾试验过多种本地托管模型、检索系统，以及用于比较答案的智能体群组。Ajax 将这些实验收拢为一款更聚焦的助手。

这一转变带来了核心张力。这款较小模型本应减少对云端 AI 的依赖，但其公开披露的开发历程仍涉及一家大型商业服务商的输出。

Ajax 在推理阶段是本地运行的，这意味着它可以在用户硬件上生成回答。尚未得到解答的问题是：有多少云端生成的知识进入了它的训练过程，以及这些内容是在何种条件下进入的。

为何 OpenAI 的蒸馏争议值得关注

争议不在于蒸馏是否存在，而在于谁能以何种规模、为了何种竞争目的使用服务商的输出。

知识蒸馏通常指由能力更强的教师模型生成示例、标签、排序或推理轨迹，再供较小的学生模型学习。学生模型从这些合成材料中学习模式，而不是只依赖人工创建的数据。

开发者会使用这种技术的多种形式。教师模型可以生成问答对，也可以为若干候选答案排序、批评错误，或为狭窄领域创建示例。

这种方法可以在不复刻教师模型架构的情况下，提高较小模型的实用性。但它同样可能以令教师模型运营方担忧的规模转移其独特行为。

Kjellberg 表示 OpenAI 曾两次暂停其账号。根据相关报道，其视频中展示的一封电子邮件将蒸馏列为其中一次停用的原因。

据报道，他提出申诉后恢复了访问权限。他称，自己为 Ajax 生成所谓种子数据后，账号又遭到第二次暂停。

OpenAI 尚未发表公开声明，说明 Kjellberg 的提示内容、使用量、账号类型，或每次处置所依据的证据。也没有独立方公布能够确切还原事件经过的日志。

因此，读者应区分三项说法：Kjellberg 称发生过两次暂停；其视频中展示的一封电子邮件据称使用了“蒸馏”一词；完整的执法记录并未公开。

不过，OpenAI 的规则清楚展现了更广泛的政策冲突。其商业条款禁止利用输出开发与 OpenAI 竞争的 AI 模型，除非属于规定的允许情形。

同一条款还限制以未经批准的方法从服务中提取数据，并指出客户拥有其输出，但须遵守协议及适用法律。

这些规定形成了一项用户很容易忽视的区别：拥有单个输出，并不必然意味着有权为所有下游用途大规模收集输出。

OpenAI 有合理理由划定这条界线。训练和运营前沿模型需要在数据、算力、工程和安全工作上投入巨大成本。无限制提取可能让其他开发者无需承担相近成本，就能复制有价值的行为。

其中还存在安全考量。系统性提示可能瞄准隐藏的推理模式、安全边界或具有辨识度的回应。服务商可能会将此类活动与普通应用开发区别对待。

反方观点则聚焦于不对称性。AI 开发者曾在海量人类创作材料上训练模型，往往并未逐一协商许可。当模型公司的输出转而成为训练材料时，用户完全可以质疑，为何模型公司要求更严格的控制。

这一批评并不能决定 Kjellberg 是否遵守了某份具体合同。但它解释了为何该事件在其受众之外也引发关注。

这场争议将广泛的辩论浓缩为一个易于理解的案例：一名个人表示，他在构建本地模型时使用了一项大型 AI 服务；而该服务商的规则保留了阻止他利用其输出开发竞争性模型的权利。

OpenAI 对这一具体案件保持沉默，也使关键分类问题悬而未决。目前尚不清楚 Ajax 是否被视为商业竞争对手、一次提取尝试、达到违规量级的合成数据生成，或是其他情况。

这一区别对独立开发者而言十分重要。小型实验模型与获得资金支持的竞争者，可能带来不同的经济风险；但自动化执法系统或许识别的是活动模式，而非意图。

服务商同样缺乏披露检测方法的充分动力。详细解释可能帮助大规模提取者规避检测。然而，模糊的执法方式也会让合法实验更难规划。

Ajax 将模型蒸馏从抽象的政策问题转化为一个访问权限问题。开发者可以使用云端模型构建应用，但当应用开始复现模型能力时，他们可能失去访问权限。

更小的本地模型正在挑战云端 AI 的默认模式

Ajax 最有力的论点并非一款 90 亿参数模型胜过前沿 AI，而是许多日常任务并不需要前沿 AI。

官方 Qwen 模型卡将 Qwen3.5-9B 描述为支持文本、图像、视频、工具调用和本地服务框架的多模态模型。其权重采用 Apache 2.0 许可证。

这一易于获取的基础，让 Ajax 获得了过去需要大规模定制训练才能具备的能力。Kjellberg 可以从一个可用模型起步，微调其行为，并将其接入现有软件。

工具访问改变了性能方程。助手无需记住用户的会议安排，只要它能够查询日历；它也无需将所有当前事实保存在权重中，只要它能够搜索网页。

检索发挥着类似作用。系统可以搜索私人文档集合，将相关段落放入提示中，再要求模型基于这些上下文作答。

这种方法被称为检索增强生成，能够降低对模型记忆的依赖。它无法消除错误，却能让较小模型处理最新信息或用户特定信息。

维护本地技术文档的开发者，可以将同样的模式应用于一个可搜索的知识库。模型成为访问经过筛选的信息的接口，而不是答案的唯一来源。

这种方法存在实际局限。工具调用可能失败，搜索结果可能包含错误信息。模型可能误解日历条目、选择错误的邮件收件人，或在尚未消除歧义前就采取行动。

本地运行同样会转移责任。云端服务通常负责模型更新、扩展以及大量安全工作；自托管用户则必须管理软件、权限、存储和硬件。

这是 PewDiePie Ajax AI model 的核心取舍。更大的控制权可以带来更好的隐私和定制能力，但也会移除托管服务提供的部分运营安全保障。

硬件仍是另一个尚未解决的问题。相对而言，底层模型足够小，能够部署在本地；但实际速度取决于量化、可用内存、上下文长度和工作负载。

量化会降低存储模型权重时所使用的精度。这可以减少内存需求，但过度压缩可能会影响准确性或行为表现。

Ajax 最终会采用哪些量化格式，尚未公布。完整 Odysseus 系统的最低配置要求也同样未公开。运行聊天模型与运行配备多种工具、持续在线的智能体，可能带来截然不同的需求。

因此，该项目并不能证明普通家用电脑都能复现 Kjellberg 的使用体验。它表明，围绕远小于主流托管产品底层系统的模型，也可以构建出专注型助手。

这一方案以有限但重要的方式对云服务提供商形成了压力。大多数用户不会训练模型或维护服务器。不过，开发者和技术能力较强的团队可以比较持续依赖云服务与自行掌控硬件之间的取舍。

隐私也提供了另一项激励。电子邮件、日历、浏览记录和个人文档构成了异常敏感的数据集合。将推理保留在本地，可以减少这些材料传送给模型提供商的数量。

本地运行并不意味着与外界隔绝。Ajax 在完成任务时，仍可能连接搜索引擎、网站、邮件服务器或其他在线服务。每一项连接都会带来各自的隐私与安全考量。

因此，有意义的比较并不是“私密的本地 AI”与“不安全的云端 AI”之间的对立，而是不同信任边界之间的比较。

云端助手要求用户信任提供商的数据处理方式、访问控制和数据保留政策。本地智能体则要求用户信任自己的设备、模型文件、周边代码以及每一项接入的服务。

Ajax 倾向于第二种安排。它能否成功，取决于用户是否认为额外的控制权值得承担部署和维护的负担。

减少拒答带来更严峻的安全考验

Ajax 减少拒答行为是一项产品选择，但在模型与测试方法公开前，其安全主张仍无法得到评估。

Kjellberg 将 Ajax 描述为比主流助手限制更少的产品。报道显示，他使用了 Heretic——一款旨在修改模型拒答行为的开源工具。

这一过程有时被称为“abliteration”。它试图识别与拒答相关的内部表征，并在不完全重新训练模型的情况下削弱这些表征。

拒答是模型拒绝回应某项请求时给出的回复。提供商利用拒答来阻止有害指令、保护个人数据，并控制法律或政策风险。

设计不佳的拒答机制可能令人沮丧。由于安全分类器缺乏上下文，模型可能会拒绝无害的虚构写作、安全研究、医学讨论或政治敏感议题分析。

减少不必要的拒答，可以让本地模型显得更实用。但这也可能降低那些本应谨慎处理的请求所面临的阻力。

据报道，Kjellberg 表示 Ajax 仍保留针对伤害自己或他人的指令限制。他也指出，危险且可直接执行的指导内容仍不属于其预期用途。

这些说法描述的是设计目标，并非保障措施能够持续有效运作的独立证据。

模型或许会拒绝直接的有害请求，但当相同意图被拆分为多个提示时，仍可能予以配合。具备浏览和文件访问能力的智能体，还会产生普通聊天机器人无需面对的额外攻击路径。

提示注入就是一个例子。嵌入网页或电子邮件中的恶意指令，可能试图覆盖用户的请求。智能体随后可能泄露信息，或采取非预期行动。

本地处理无法阻止这类攻击。威胁来自智能体读取的内容，而非推理发生的位置。

工具权限同样重要。能够搜索日历的助手，其风险低于获准删除日历事件的助手。起草邮件与自动发送邮件也存在差别。

Odysseus 最终可能通过确认界面、访问范围、日志或隔离执行来处理这些问题。但公开文档尚未明确其最终安全模型。

独立安全评估应测试多个层面。研究人员需要审查拒答的一致性、工具滥用、提示注入抵抗能力、隐私泄露，以及长时间对话后的行为表现。

性能评估同样需要谨慎。底层 Qwen 模型的基准分数，并不能证明 Ajax 在微调和拒答修改后仍有良好表现。

微调可能提升目标任务的表现，同时削弱无关能力。安全修改也可能带来短暂演示中无法显现的行为变化。

因此，缺失的发布细节比“无审查”这一标签更重要。没有可下载的权重、带版本的训练信息或可复现实验，外部人士无法判断 Ajax 会拒绝哪些请求，也无法确认它完成任务的可靠程度。

许可证也是另一个悬而未决的问题。Qwen3.5-9B 使用 Apache 2.0 许可证，但衍生版本仍需要针对 Ajax 新增权重、训练数据和配套软件提供明确条款。

合成训练数据的来源尤其值得关注。如果 OpenAI 的输出构成训练集的重要部分，潜在用户需要了解其中涉及的合同与实际影响。

这并不自动意味着该模型违法或无法使用。它意味着，数据来源应与基准测试和硬件要求一样，成为衡量发布质量的一部分。

这场争议很容易让人忽视这些常规工程问题。OpenAI 的执法决定颇具戏剧性，但用户最终需要知道 Ajax 是否有效，以及能否安全地运行它。

Kjellberg 的公众知名度保证了关注度，但不能替代模型文档、红队测试结果或可重复的测试。

这正是关键的审慎视角。Ajax 提出了一种可信的本地 AI 策略，但目前的证据主要来自其创建者。在其他人能够在受控条件下运行同一模型前，这些主张仍属暂定结论。

Ajax 成为真正替代方案前应关注什么

三项信号将决定 Ajax 能否成为可信的本地助手，还是仅停留在有趣的个人实验。

第一项信号是可复现的公开发布。Ajax 需要提供可下载的权重或适配器、明确许可证、版本信息，以及独立用户能够遵循的说明。

发布后，开发者可以确认 PewDiePie Ajax AI 模型是否确实基于所声明的 Qwen 版本。他们也可以检查文件完整性、内存需求、量化选项和安装复杂度。

即使 Ajax 的表现低于前沿模型，可复现性仍会增强本地 AI 的论据。它的核心承诺是控制权与专门化，而不是在每一项通用基准中获胜。

持续延期、访问受限或缺少许可证条款都会削弱这一论据，并让公众只能依赖项目创建者的演示。

第二项信号是独立测试。Ajax 需要覆盖任务完成能力、工具使用、事实准确性、延迟和安全行为的评估。

最佳测试应反映其预期使用环境。通用问答基准几乎无法说明智能体能否正确搜索、选择正确的日历条目，或避免根据恶意邮件采取行动。

评估者应记录硬件和模型设置。在大型多 GPU 系统上获得的结果，未必能够预测典型个人电脑上的使用体验。

安全测试应包含拒答绕过、提示注入、敏感数据暴露和非预期工具调用。任何有关私密运行的主张，也应说明哪些任务仍会连接外部服务。

强有力的独立结果将表明，尽管规模较小，专注型本地模型仍能处理实际工作。较弱的结果则会巩固云服务提供商在可靠性和维护方面的优势。

第三项信号是对 OpenAI 争议的澄清。OpenAI 可以在不披露检测方法的情况下确认执法类别，或者 Kjellberg 可以公开更完整的记录与训练细节。

更清晰的说明将帮助开发者区分获准的合成数据使用与被禁止的竞争性蒸馏。它还将揭示，这场争议反映的是异常行为，还是许多小型开发者可能遇到的政策边界。

沉默不会阻止本地模型的发展，但会让使用商业 AI 输出进行实验、并可能最终将其转变为公开模型一事持续存在不确定性。

OpenAI 的执法立场与 Ajax 的发布质量是两个独立问题。即使 Ajax 变得实用，该公司仍可能拥有合理的限制；即使 Kjellberg 违反了这些限制，Ajax 仍可能展示一种有价值的本地方案。

更广泛的结果不会是本地 AI 或云端 AI 的简单胜利。大多数用户仍会选择便利性，而部分开发者则优先考虑控制权、定制化和数据本地性。

Ajax 之所以重要，是因为它为后一群体提供了一个可见的测试案例。连接优质工具的小型模型，可能覆盖比其参数规模所暗示的更多日常工作。

目前，读者应将这项公告视为有据可查的发展方向，而非已经验证的产品。请关注公开权重、可重复的智能体测试，以及更清晰的训练记录。

如果这些内容陆续出现，Ajax 本地 AI 项目将为多少工作能够从托管前沿模型中迁出提供证据。如果没有出现，OpenAI 封禁争议的发展程度将仍高于该助手本身。