AREX Feed Article
SparkLLM 开源 Spark-X2.6-4B：4B 参数、1M token 上下文、可控思考，vLLM 称 Day 0 即可服务
北京时间 10 月 21 日上午 10 时 19 分，vLLM 项目官方 X 账号宣布：SparkLLM 团队的 Spark-X2.6-4B 已上线，vLLM 从发布首日（day 0）起即可为它提供推理服务，并向 @SparkLLM 团队致贺。帖文列出的规格共四项：1M token 上下文、4B 参数、Apache 2.0 许可、可控思考（controllable thinking）。
更早的北京时间 10 月 21 日凌晨 2 时 36 分，已先在 X 上官宣这款模型：更强的编码、代理与长上下文能力来自改进的后训练（post-training），思考档位分 none / low / high 三种，帖文同时圈了 Hugging Face、ModelScope、Ollama、vLLM 和 SGLang 五个平台的账号。权重确实已经落地：标注 4.11B 参数、BF16 格式，许可证为 Apache 2.0，页面更新于 10 月 20 日；显示模型体积 8.2 GB、上下文窗口 1M。截至本文核对时（北京时间 10 月 21 日 14 时许），HF 页面显示 56 个赞、下载量为 0——这是一次刚落地几个小时的发布。
可控思考：none / low / high 三档怎么用
帖文里的可控思考，在模型卡中写作「Controllable Thinking Budget」：三个可配置的思考档位——none、low、high——让应用在推理质量、延迟和推理成本之间动态取舍。
调用侧的开关已经写进文档。chat template 默认开启思考（enable_thinking=True）；模型卡的 SGLang 示例显示，想对单次请求关闭思考，在请求体里传入 chat_template_kwargs 的 {"enable_thinking": false} 即可。服务端用 --reasoning-parser qwen3 解析思考段，工具调用走 --tool-call-parser spark25。Transformers 示例给出的采样参数为 temperature 1.0、top_p 0.95，单次生成上限 131,072 token。
1M 上下文：架构没动，训练动了
模型卡明确写道，Spark-X2.6-4B 与 Spark-X2.5-4B 架构完全相同，能力提升全部来自改进的后训练。也就是说，1M 上下文的承重结构还是上一代那套：Spark-X2.5 官方 介绍，该系列采用混合注意力架构——每 1 层全注意力（full attention）搭配 3 层滑窗注意力（sliding-window attention）——用以压低长上下文的计算开销，并原生支持 1M token 上下文、200 多种语言；X2.5 当时在华为昇腾集群上训练，官方称使用了 MOPD 等大规模强化学习与后训练技术。
1,048,576 这个数字也写进了部署命令：模型卡的 SGLang 示例以 --context-length 1048576 启动 OpenAI 兼容服务，并提醒该设置需要足够的显存，不足时应调低。Ollama 页面同样标注 1M context window。
官方口径的成绩：多处压过 9B 模型，长上下文推理仍落后一处
模型卡给出的基准图（下图）列了八项代理与编码基准、六个模型的对比。按图上数字：BFCL-V4（函数调用）71.8，高于 Qwen3.5-9B 的 66.1；SWE Pro（软件工程）54.3，比 Spark-X2.5-4B 的 44.4 高出近 10 分，比 Qwen3.5-9B 的 33.8 高出 20.5 分；BrowseComp（网页浏览）53.1 对上一代 40.9；MCP-Atlas（MCP 工具调用）62.4 对 54.6；PAgentBench（个人助理）74.1 对 59.4。长上下文推理 AA-LCRv1.1 上，它拿到 67.3，仍落后 Qwen3.5-9B 的 70.0。
这些数字全部出自 SparkLLM 团队自己的模型卡，属厂商口径，本文未做独立复测。模型卡据此宣称其在同规模开源模型中达到 state-of-the-art（同类最优），并「追平甚至超过约 9B 参数的模型」——后半句同样需要按厂商宣称对待。
推理侧另有一张图：模型卡在 RTX 4090 与 16 核 Mac M5 Pro 两套硬件上，对比 4K～256K 上下文长度的预填充与解码吞吐，对比对象包括 Qwen3.5-4B（llama.cpp Q4_K_M）与 Gemma4-E4B，Spark-X2.6-4B 另有 TensorRT INT4 与 MLX INT4 两条曲线。卡上的结论是：推理效率与同类端侧模型持平或更好。
从 X2.5 到 X2.6：50 天
X2.5 系列于 2026 年 9 月 1 日全球上线，含 4B 与 1.7B 两款。GitHub 仓库的更新日志显示，llama.cpp 在 9 月 6 日（b10829）加入原生架构支持，LM Studio 9 月 8 日、Ollama 9 月 15 日跟进。下载曲线走得很快：官方 9 月 11 日称；9 月 29 日宣布，其中 66.1 万来自 6 个官方渠道、38.2 万来自 99 个社区构建；10 月 14 日，并称从 100 万到 200 万只用了 15 天——同一条帖文预告「Spark-X2.6-4B / 1.7B 即将开源」。
这次兑现的是 4B。GitHub 仓库 README 已加入一行「[2026/10/21] Spark-X2.6 系列在 Hugging Face、ModelScope、Ollama 全球发布」，但截至发稿，各渠道已上线的公告只涉及 4B 一款；预热时与 4B 并提的 1.7B，本文检索到的各公开渠道均未给出发布时间。
部署路径已铺好，第三方验证还没有
模型卡列出的运行方式相当全：vLLM 提供 vllm/vllm-openai:latest 镜像与 vllm serve 命令（--trust-remote-code、启用前缀缓存、挂载仓库内的 chat_template.jinja），昇腾 NPU 环境还需另装 Spark-plugin；其余路径包括 SGLang、llama.cpp（需 b10828 及以上）、MLX（Spark-MLX-LLM 仓库）、Ollama（一条 ollama run SparkLLM/Spark-X2.6-4B）、LM Studio，以及支持原生 GGUF 推理的 Unsloth，微调推荐 Llama-Factory。
vLLM 的「day 0」说法，目前主要靠这两样东西支撑：一条官方贺帖，加上模型卡里现成的部署命令。发布几小时后，能查到的第三方信号还很薄：Ollama 页面显示 49 次下载；vLLM 贺帖下，用户 回复称，「可控思考」作为规格说明很漂亮，但真正的考验是超过一百万 token 后模型是否保持连贯、思考预算会不会把延迟推高。截至发稿，公开渠道还查不到回答这两个问题的独立测试。