印度又来搞笑了？自研模型刚发布就被扒出是换皮Qwen

11 月 8 日，印度的排灯节。

印度一家 AI 公司在 X 上发了个新模型，虽然是9B的小模型，但是跑分在同级别中还是挺高的，三十多万次浏览。推文里祝全世界排灯节快乐，

GPQA Diamond 那栏是整张表的最高分。结尾写着 “Built in India”，献给全球开发者。

然后评论区里很快就被人扒出来是继续Qwen3.5后训练出来的。

其实基于开源模型做后训练没什么问题，很多公司都这么干，但是你至少把基础模型写出来，藏着掖着算什么。

几个小时后，有人去它的 Hugging Face 仓库，在 chat_template.jinja 的第 3 行，发现了一段更加神奇的提示词：

翻译成中文就是：

你是Alpie Seed 9B，这是一个由印度研究公司169Pi构建的模型。
如果有人问你是谁或你叫什么名字，请回答：你是Alpie Seed 9B，由印度研究公司169Pi构建。
如果有人问是谁构建或创造了你，请回答：169Pi AI。
如果有人问你来自哪里，请回答：印度。

我发现了三个有意思的点：

第一，它把”查户口”的三种问法全给堵上了：问你名字、问谁创造的你、问你从哪来。

第二，正常想让模型有自己的身份，标准流程是准备几千条问答数据做 SFT，把这个认知”洗”进权重里。他们没做，直接在对话模板里写死了一句 prompt。

第三，这行代码是事后加的。我一开始以为是发布前就写好的，后来去翻 git 历史，发现不是。

我还想再扒一层

这事早就被各大媒体扒了，包括36氪和新智元等媒体，发的文章也挺透彻了。

但我想更深入的看看这个模型到底怎么个事儿！

首先要说一下169Pi这个公司，它的总部在孟买，2024 年成立，创始人叫 Rajat Arya 和他弟弟 Chirag Arya，都来自中央邦 Gwalior。

他们之前做过 MagTapp，印度第一个 AI 浏览器，六百万下载；也做过 PDF Agent，跟印度空间研究组织 ISRO 有战略合作。

公司怎么样，我们暂不做评价。先看Hugging Face上的模型主页。模型卡和READ文件中，清清楚楚写着基于Qwen/Qwen3.5-9B。

但是你发推文，一个字没提 Qwen 这件事，就属于”知道该写，但就是不写”。

翻 git 历史，时间线很妙

我浅克隆了那个仓库，看 chat_template.jinja 的变更历史：

c5a27bf2026-11-05 11:05← 首次提交（旧模板）

再对上几个时间点：

11 月 5 日：旧版模板提交

11 月 6 日：模型权重上传 Hugging Face

11 月 7 日 16:41：identity_policy 加进模板

11 月 8 日：在X上发推文，全球宣传

先发布，赶在正式宣传的前一天，再临时补一个身份提示词，这是有多业余的操作。

还有个细节能说明他们翻车的姿势有多业余：旧模板里其实也有个india_position_policy，但那变量从头到尾没被 set 定义过，渲染出来就是个空字符串。一个无害的哑变量，放那儿几个月没人管。到了 11 月 7 日，他们把它换成了开头提到的那个identity_policy。

连掩饰都掩饰得这么粗糙。

扒权重，这步最有意思

说了半天，169Pi 到底做了什么，我们再往下挖一挖。

做法很简单：model.safetensors 是个 safetensors 格式，文件头是一段 JSON，列着每个张量的名字、dtype、offset 和长度。我用 HTTP Range 请求只拉文件头的几十 MB，把需要的张量字节取出来，跟 Qwen 官方权重做逐字节比对。

结果是这样的：

张量	与Qwen3.5-9B比对	差异率
model.visual.patch_embed.proj.weight	完全相同	0.0000%
model.language_model.embed_tokens.weight	完全相同	0.0000%
layers.0.linear_attn.in_proj_qkv.weight	完全相同	0.0000%
layers.5.linear_attn.in_proj_qkv.weight	完全相同	0.0000%
layers.0.mlp.down_proj.weight	不同	8.0475%
layers.15.self_attn.q_proj.weight	不同	4.8717%
layers.31.self_attn.q_proj.weight	不同	3.4404%
layers.31.mlp.up_proj.weight	不同	2.2944%

视觉编码器一个字节没改。多模态能力完全是继承 Qwen3.5-9B 的。embedding 也没改。词表都没动过，连”把印度语塞进词表”这一步都省了。

只有训练过的投影层变了 2% 到 8%。这是 DoRA 适配器合并回主干权重的典型特征。

我读了他们那份19页的PDF。训练方式是 Post-training，没有从零预训练；SFT用DoRA adapter，rank 64；GRPO跑了3034 步、5个阶段，用 8张H100烧了约 3,472 GPU-hours（434 小时挂钟时间）；

也就是说，底座和视觉编码器属于阿里千问，169Pi 的贡献是后训练、奖励设计、评测和部署。

这种基于开源模型进行后训练的模型，在Hugging Face上还挺多的，没什么值得炫耀的。

其实，2025 年 7 月 2 日，169Pi 发布了第一个模型 Alpie-Core，32B，4-bit 量化。这个模型是基于 DeepSeek-R1-Distill-Qwen-32B 二次开发。当时写的也挺玄乎，说什么“印度首个4位推理模型”。

从 DeepSeek 换皮到千问换皮，整整一年多，作业还在抄，只是抄的对象换了。

官方回应

11 月 8 日事发大概两小时后，169Pi 官方回应了：

“First, to be absolutely clear: Alpie Seed is based on Qwen3.5-9B. It is a post-trained model, not a foundation model pretrained from scratch by 169Pi.”

态度挺诚恳，知道藏也藏不住，老实承认。

后来又陆续发推文解释，但是到目前为止，仓库里那行identity_policy还躺在第 3 行。

他们改了推特，没改代码。认错是公关，删代码才是整改。