AI21 Labs 发布 Jamba 1.6 并推出 Maestro

背景

AI21 Labs 的 Jamba 系列面向需要私有部署的客户：把模型装进自己的机房或云账户里运行，而不是通过公开接口调用。这种需求会反过来影响发布方式——权重得能拿到，许可条款得写得清楚，硬件占用也要落在可接受的范围里。Jamba 1.6 就是围绕这几点组织的。

发布了什么

2025 年 3 月，AI21 Labs 发布了 Jamba 1.6，定位是企业私有部署版本^[1]。这次发布涵盖 Large 和 Mini 两个规格，其中 Large 版本的权重以 Jamba Open Model License 发布^[2]。把权重按一份具名许可放出来，而不只是提供一个接口，正是「可私有部署」这句话落到实处的地方：机构可以拿到模型文件，在自己的环境里运行，并遵守该许可的条款。

规模与效率

Jamba Large 1.6 的总参数量是 398B，其中激活参数为 94B^[2]。两个数字的差距值得解释。当一个模型报告的激活参数少于总参数时，意味着它每处理一个词元只用到网络的一部分，所以单次推理的算力开销更接近激活参数量，而不是总参数量。总参数量大致对应模型的容量，激活参数量大致对应跑一次要花多少计算。对企业来说，后一个数字直接决定要准备多少硬件。

评测成绩

AI21 报告称，Jamba Large 1.6 在 Arena Hard、CRAG 和 LongBench 三项评测上胜过 Mistral Large 2、Llama 3.3 70B 和 Command R+^[2]。三项评测考察的东西并不相同：Arena Hard 用难题做模型之间的对比，CRAG 考察依赖检索外部资料的综合问答，LongBench 考察长文本理解。放在一起看，要说明的是模型在「难」「要查资料」「要读长文」三类场景里都不吃亏。小一号的 Jamba Mini 1.6 的模型卡给出的成绩是 Arena Hard 51.2、CRAG 76.2^[3]。

Maestro

同一个月，AI21 还推出了 Maestro，一个负责规划与编排的系统^[1]。编排系统做的事，是不把一次任务全压给单次模型调用：先把目标拆成若干步骤，决定每一步交给哪个模型或工具，再把结果拼起来。这和开放权重是两条互补的路线——前者解决「怎么把多个模型组织起来干活」，后者解决「模型本身能不能进自己的机房」。

为什么重要

对企业客户来说，一次发布里同时出现可下载的权重、明确的许可、公开的评测数字和一个编排层，意味着选型时可以少做几次拼接：模型从哪来、跑起来要多少资源、效果大致在什么水平、多个模型怎么协同，这些问题在同一份材料里都有答案。至于这些数字在具体业务里能兑现多少，则要看各家自己的测试。