Motif Technologies 于 8 月 10 日在 HuggingFace 发布了 Motif-3 正式版——一个 314B 总参数、每 token 仅激活约 13.2B 的 Mixture-of-Experts 模型，以 MIT 许可证开放权重。此时正值 Dokpamo（독파모，韩国「独立 AI 基础模型」项目）第二轮公民评估淘汰窗口（8 月 8—11 日），四支参赛队伍中只有三支能晋级年底的最终选拔。
Motif-3 的模型卡将其描述为「完全自主设计」，不是对现有开源架构的重参数化。对于一个约 30 人、通过补选轮才进入项目的团队来说，自主架构也是参赛评估的重要条件——Dokpamo 第一轮正是以「技术原创性不足」为由淘汰了 Naver Cloud（其模型冻结了阿里 Qwen 的 encoder 权重）和 NC AI。
自研注意力与专家网络，预训练使用约 12.5T token
Motif-3 是一个 decoder-only 稀疏 MoE，53 层中前 2 层为 dense、后 51 层为 MoE，384 个 routed expert 以 top-8 路由，外加 1 个 shared expert。它在架构层面引入了三个自定义组件：
GDLA（Grouped Differential Latent Attention） 将分组差分注意力与 Multi-head Latent Attention 的压缩 KV 表示结合。具体而言，它使用 80 个 query head 对 16 个 KV head，在 latent 层面对标准注意力计算做了修改。Sebastian Raschka 的 LLM Architecture Gallery 记录显示，其 53 层中有 39 层使用滑动窗口注意力、14 层使用全注意力，形成 3:1 的交替模式。
Expert-Specific PolyNorm 在每个 routed expert 子网络内部替换了标准归一化，采用多项式组合激活函数。Motif 在早期的 Motif-2.6B 技术报告中已论证过 Differential Attention 与 PolyNorm 的组合优势，Motif-3 首次将其扩展至 314B 规模。
Modified Manifold-Constrained Hyper-connections（mHC） 用于优化深层网络中的梯度流动和训练稳定性。
此外，Motif-3 集成了一个单层 MTP（Multi-Token Prediction）head，用于自推测解码加速推理。模型在约 12.5T token 上预训练，覆盖网页、STEM、代码、数学、多语言语料，并额外强调了韩语、推理、法律和金融数据。训练后阶段结合通用 SFT、6 个 RL 训练的专家教师模型、1 个软件工程教师模型，通过 Multi-teacher On-Policy Distillation（MOPD）融合为单一模型。
两项 Agent 自测领先对比组，通用推理仍有差距
Motif-3 模型卡给出了与 MiniMax-M3（428B-A23B）、GLM-5.1（744B-A40B）、Kimi-K2.6（1T-A32B）、Qwen-3.7 Max 和 DeepSeek-V4-Pro（1.6T-A49B）的直接对比——其中已列明激活参数的竞品，规模约为 Motif-3 的 1.8 到 3.7 倍。
按模型卡自测，Motif-3 在不同 Agent 任务中的表现如下：
- τ³-Banking（35.3%）：在对比组中最高，领先第二名 DeepSeek-V4-Pro（30.1%）5.2 个百分点，几乎是 Qwen-3.7 Max（12.0%）的三倍。τ³-Banking 是 τ-bench 系列中最难的 Agent 评测之一，要求模型在约 700 份互联政策文档（约 195K token）中检索并按策略执行多步工具调用，覆盖 21 个产品类别的 97 个金融客服场景。
- ITBench（51.5%）：同样在对比组中最高，领先 GLM-5.1（40.3%）超过 11 个百分点。ITBench 测试企业 IT 运维场景中的 agentic 工作流。
- Terminal-Bench 2.1（74.9%）：仅次于 Qwen-3.7 Max（75.0%），大幅领先 GLM-5.1（61.8%）和 DeepSeek-V4-Pro（64.0%）。该基准要求模型在 Docker 沙箱中完成编译、配置、调试等真实命令行任务。
但在通用推理和知识基准上，Motif-3 的领先优势消失：
- GPQA Diamond（83.4%） 明显低于 MiniMax-M3（92.9%）、Qwen-3.7 Max（92.4%）和 Kimi-K2.6（91.1%）。
- HLE（37.0%） 处于对比组中游，低于 Qwen-3.7 Max（41.4%）。
- Apex-Shortlist（75.5%） 落后于 DeepSeek-V4-Pro（85.8%）。
这种 Agent 任务相对较强、GPQA 较弱的表现，与 Motif 在模型卡中强调的训练数据侧重相呼应，但尚不能据此确定因果关系——法律、金融和推理密集型数据在预训练语料中获得了额外权重。
独立评测平台 Artificial Analysis 此前对 Motif-3 Beta 给出的 Intelligence Index 综合分为 44（对比组中位数 15），排名 577 个追踪模型中的第 34 位，即全球前 7%。AI Weekly 的 Alexis Dufresne 指出，Beta 版在评测中生成了约 190M 输出 token，远超对比组中位数 61M——「它靠更多的话来达到答案」。Beta 版使用非商业研究许可，正式版已切换为 MIT 许可证，允许自由商用、修改和再分发。
国家项目考察自主架构、任务表现和免费服务部署
理解 Motif-3 的竞争力不能脱离 Dokpamo 的规则框架。该项目除性能外，还提出了三个要求：完全自主的模型架构（不允许使用国外开源模型的冻结权重）、政府分配的均等算力（每队约 768 块 NVIDIA B200 GPU）、以及面向 5100 万韩国公民的免费 AI 助手部署要求——最终胜出的两个模型将承担该服务至少 50% 的推理量。
第二轮评估从第一轮的「基准性能（40 分）+ 专家评审（35 分）+ 用户反馈（25 分）」转向强调真实世界可用性和 agentic 能力。200 名公民评估员在 8 月 8—11 日直接测试四个模型的实际任务完成效果，结果计入淘汰决策。
四支队伍的路径各不相同：
- LG AI Research 的 K-EXAONE 2.0（750B 参数）：在上一代 236B 模型基础上通过 upcycling 扩展而来，拥有最大的参数规模，强调 agentic coding 性能较前代提升 30%。
- SK Telecom 的 A.X K2（688B 参数）：从零训练，使用 FP8 精度（在同类规模中罕见），已向国防部提供量化优化版本，并与钢铁企业 KG Steel 合作展示制造业 AI Agent。
- Upstage 的 Solar Open 2（250B 总 / 15B 激活）：采用混合注意力架构——三层线性注意力与一层 softmax 注意力交替堆叠，通过 NoPE（去除位置编码）实现 100 万 token 上下文窗口，仅需两块 H200 GPU 即可运行。在 Ko-GDPval（韩语办公任务基准）上以 86.8 分基本持平 DeepSeek-V4-Pro（86.9），但激活参数仅为后者的约三分之一。
- Motif Technologies 的 Motif-3：最晚加入（2 月补选）、最少员工、最小激活参数，但凭借全自研架构在 Agent 基准上建立差异化。
国内部署是项目重点，成本和公民评估仍待检验
韩国副总理兼科学技术信息通信部长官 Bae Kyung-hoon（曾任 LG AI Research 负责人）近期提出双轨 AI 战略：Dokpamo 负责敏感国内领域（国防、医疗、公共行政）的主权模型；另设 Frontier AI 计划，以约 3.5 万亿韩元（约 24 亿美元）采购 1 万块下一代 Vera Rubin GPU，目标是追赶中美万亿参数级前沿模型。这项政策区分了国内敏感场景部署与前沿模型研发的目标，Dokpamo 主要承担前一项任务。
在这个框架下，不能仅以是否击败 GPT-5.6 或 Claude Opus 5 评价 Motif-3。一个 30 人的韩国团队使用政府分配的算力，构建并以 MIT 许可开放了模型；其自测在部分 Agent 任务中接近或超过更大模型，但这还不等于全面能力领先。
不确定性同样显著。GDLA 和 PolyNorm 目前仍是 Motif 自述的技术概念，缺乏独立的消融研究或同行评审验证。模型卡没有披露训练计算总预算。Artificial Analysis 曾指出 Motif 模型的输出冗长问题——Beta 版生成 190M token 完成评测，而中位数仅 61M——如果正式版沿袭这一特征，实际推理成本和延迟将是部署中的硬约束。
接下来最值得观察的变量是公民评估结果。如果 Motif-3 在素人用户的实际任务测试中能维持其基准优势，它将在 12 月的最终选拔中处于有利位置。反之，如果 Solar Open 2 的长上下文窗口和更低部署门槛（两块 H200）在实际使用中更受评估者青睐，淘汰的不确定性将显著上升。Motif-3 的后续表现，也将为观察 2026 年韩国国家 AI 项目的实际效果提供案例。
