免費隱身模型能不能接進項目：從 Iceman 看訓練數據與保留條款的 5 項覈查清單

作者注：以 OpenCode 上無人認領的免費隱身模型 Iceman 爲例，拆解官方聲明、目錄參數與未證實線索三層信息，給出接入前的 5 項覈查清單，並說明如何合併多個 id 解讀用量榜單。

免費、不限請求次數、上下文窗口很大，但沒人知道是誰做的。這類免費隱身模型最近在編程工具裏很常見，很多開發者第一反應是“先接進項目試試”。本文以 OpenCode 上的 Iceman 爲案例，回答一個具體問題：在把代碼或業務數據發給一個來源不明的免費模型之前，你需要確認什麼。

這不是一篇勸你別用的文章，免費隱身模型完全可以用於原型驗證和公開代碼實驗。關鍵在於分清哪些信息可以作爲使用依據，哪些只是傳聞，以及訓練與保留條款會對你的數據產生什麼實際影響。

核心價值：讀完本文，你會得到一份可複用的隱身模型覈查清單，覆蓋數據訓練、零數據保留、免費期限和來源歸屬四個維度。你還能學會識別“換 id 造成的虛假增長”這類榜單誤讀。

免費隱身模型 Iceman 核心要點

截至 2026-11-04 18:31 UTC，Iceman 仍未被任何 AI 實驗室認領。根據 OpenCode 用量數據，它從 10 月 23 日起在兩個 id 下累計運行了約 3.37 萬億 tokens。下表先把關於它的信息按可信度分成三層，這是後面所有判斷的基礎。

隱身模型 Iceman 的官方條款詳解

OpenCode 在 10 月 24 日把 Iceman 加入每月 10 美元的 Go 套餐，對應倉庫中的 pull request 58792，於 20:24 UTC 合併。模型名稱爲 Iceman Contributor Free，條款寫明“限時免費、無請求限制”。同一處變更同時標註了兩件事：發給它的提示詞會被用於訓練，數據保留策略不是零數據保留。

這兩條纔是開發者最該關注的內容，它們比上下文窗口和輸出長度更直接地決定了能發什麼數據。此外，該 PR 把這個 id 加入了 OpenCode 的隱身模型列表，所以用量頁面上的實驗室一欄顯示爲 Unknown。換句話說，平臺本身也明確告訴你：來源未知。

隱身模型命名中 Contributor 的真實含義

很多人會把 iceman-contributor 裏的 Contributor 理解成某個實驗室或貢獻者的名字。實際上它指的是 OpenCode 的一種交換模式：用訓練數據換免費訪問。Meta 的 Muse Spark 1.3 與 1.2 也有 Contributor 版本，說明這是平臺層面的通用標籤，而不是模型來源的線索。

所以看到 Contributor 字樣時，正確的解讀是“這個通道的數據會進入訓練”，而不是“這是某家實驗室的貢獻版本”。這一點在後面的核查清單中會作爲第一項檢查。

免費隱身模型的訓練條款對代碼與隱私數據的影響

“提示詞用於訓練”聽起來抽象，落到項目裏就是一個很具體的問題：你發出去的每一段上下文，都可能成爲別人模型的訓練樣本。在編程工具場景下，上下文往往不只是你輸入的那句問題，還包括被自動帶上的文件內容、報錯日誌、配置文件甚至環境變量。

非零數據保留意味着請求內容會在服務端留存一段時間，具體多久、存在哪裏、由誰處理，在模型來源未知的情況下都無法確認。對於企業項目，這通常直接觸碰合同中的保密條款或數據合規要求。下表按數據類型列出實際風險。

這裏要特別提醒編程類工具的“隱式上下文”問題。很多 Agent 會自動讀取工作區文件，你以爲只問了一個函數怎麼寫，實際上整個目錄結構和相鄰文件都可能被打包進請求。使用訓練類通道時，最穩妥的方式是在一個只包含公開或合成數據的獨立工作區裏操作。

如何覈查免費隱身模型：5 項接入前清單

下面這份清單不針對 Iceman 一個模型，它適用於任何免費、來源未認領的模型。前四項來自條款與歸屬，第五項來自數據解讀，建議在團隊內部做成固定的評審流程。

隱身模型來源歸屬：爲什麼線索不等於確認

關於 Iceman 的來源，追蹤網站 stealthmodels.com 報道稱，X 賬號 @aitrackerbot 發現 Iceman 自我介紹爲 Microsoft 的 MAI，並且 prompt token 計數方式與 MAI Thinking 1 完全一致。但該網站自己的測試發現，它與 MAI Thinking 1 一致，與 OpenAI 的 GPT-6 系列也同樣一致。這意味着 token 計數無法區分這幾個模型。

模型“自稱是誰”同樣不可靠，模型會複述訓練數據中的身份信息，也可能被系統提示詞刻意設定。截至目前，Microsoft 沒有發表任何聲明。所以這條信息的正確定位是“一條線索”，而不能寫進你的技術選型文檔當作事實。

隱身模型認領的歷史先例

從 OpenCode 過往的隱身模型來看，認領通常發生在發佈時或幾周內。ox-alpha 由 Z.ai 認領爲 GLM-5.3 Flash，cat-jam 由 Reflection AI 認領爲 Beam，Space Bunny 則在首次出現 26 天后由 MiniMax 認領爲 M3.1 Flash。截至 11 月 4 日，Iceman 已上線 11 天，仍無人認領。

先例的價值在於提供預期，而不是預測。它告訴你認領可能要等幾周，在此期間模型的規模、來源和免費時長都是未知數，你的方案不能依賴這些未知數。

免費隱身模型快速上手：合併多 id 解讀用量榜單

Iceman 在 OpenCode 周榜上的表現，是一個非常典型的榜單誤讀案例。如果只看單個 id，你會得出“爆發式增長”的結論；把兩個 id 合在一起看，結論正好相反。

+768% 並不是增長，而是同一個模型的流量從一個 id 轉移到了另一個 id。兩個 id 合計過去 7 天運行約 1.24 萬億 tokens，比前一週的約 2.13 萬億下降了約 42%。日用量在 10 月 28 日達到峯值約 6,530 億 tokens，10 月 29 日至 11 月 3 日每天在 1,620 億到 2,510 億之間。

極簡示例：合併 id 計算真實環比

下面這段 Python 代碼演示了合併邏輯，數據取自上文的公開數字。上週各 id 的數值由本週數值和環比反推，因此是近似值。

# 同一模型的多個 id，本週 tokens（單位：十億）與環比變化
ids = {
    "iceman-contributor": {"this_week": 670, "change": 7.68},   # +768%
    "iceman":             {"this_week": 567, "change": -0.72},  # -72%
}

this_total = sum(v["this_week"] for v in ids.values())
# 由環比反推上週數值：last = this / (1 + change)
last_total = sum(v["this_week"] / (1 + v["change"]) for v in ids.values())

print(f"本週合計：{this_total}B")
print(f"上週合計（反推）：{last_total:.0f}B")
print(f"合併後環比：{(this_total / last_total - 1):.1%}")

運行後可以得到本週約 1,237B、上週約 2,100B 量級、合併環比約 -41% 到 -42%，與報道給出的合計數據基本吻合。反推存在舍入誤差，實際分析中應直接讀取每個 id 的原始週數據。

from dataclasses import dataclass
from typing import Optional

@dataclass
class ModelPolicy:
    model_id: str
    used_for_training: bool          # 覈查項 1
    zero_data_retention: bool        # 覈查項 2
    free_until: Optional[str]        # 覈查項 3，None 表示期限未知
    lab_confirmed: bool              # 覈查項 4
    related_ids: tuple = ()          # 覈查項 5，用於合併統計

# 數據敏感等級：0 公開，1 脫敏/合成，2 私有代碼，3 密鑰或隱私
SENSITIVITY = {"public": 0, "synthetic": 1, "private_code": 2, "secret_or_pii": 3}

def max_allowed_level(p: ModelPolicy) -> int:
    """根據模型條款返回允許發送的最高敏感等級"""
    if p.used_for_training or not p.zero_data_retention:
        return 1          # 訓練或非零保留：只允許公開與合成數據
    if not p.lab_confirmed:
        return 1          # 來源未認領：同樣只限低敏數據
    return 2              # 條款與歸屬都確認後，才考慮私有代碼

def can_send(p: ModelPolicy, data_kind: str) -> bool:
    level = SENSITIVITY[data_kind]
    if level >= 3:
        return False      # 密鑰與隱私數據永遠不發往外部免費通道
    return level <= max_allowed_level(p)

def production_ready(p: ModelPolicy) -> list:
    """返回阻止生產接入的問題列表，空列表表示可進入評估"""
    issues = []
    if p.used_for_training:
        issues.append("提示詞用於訓練")
    if not p.zero_data_retention:
        issues.append("非零數據保留")
    if p.free_until is None:
        issues.append("免費期限未知，存在突然收費或下線風險")
    if not p.lab_confirmed:
        issues.append("來源未認領，無法評估模型規模與長期可用性")
    return issues

iceman = ModelPolicy(
    model_id="iceman-contributor",
    used_for_training=True,
    zero_data_retention=False,
    free_until=None,
    lab_confirmed=False,
    related_ids=("iceman", "iceman-contributor"),
)

for kind in SENSITIVITY:
    print(f"{kind:15s} -> {'允許' if can_send(iceman, kind) else '拒絕'}")

print("生產接入阻礙：", production_ready(iceman))

實踐建議：把上面的元數據當作團隊共享配置維護，每次平臺條款或模型認領狀態變化時更新一次。這樣新同事接入任何免費模型時，都能直接複用同一套判斷標準，而不是憑感覺決定。

常見問題 FAQ

免費隱身模型核心要點 Key Takeaways

• 先看條款再看參數：訓練用途與數據保留決定能發什麼，上下文長度只決定能發多少。
• Contributor 是交換模式：它代表用訓練數據換免費訪問，不代表模型來源。
• 線索不等於確認：模型自稱身份和 token 計數都無法證明歸屬。
• 免費期限按未知處理：“限時”沒有截止日期，方案中不要依賴它。
• 榜單要合併 id 看：Iceman 的 +768% 合併後實爲約 -42%。
• 敏感數據一律隔離：密鑰、隱私數據和私有核心代碼不發往訓練類通道。

總結

免費隱身模型能不能接進項目，答案取決於你要發什麼數據，而不取決於它免不免費。以 Iceman 爲例，可以作爲依據的是平臺條款和目錄參數：用於訓練、非零數據保留、限時免費、262,144 上下文、支持推理與工具調用。不能作爲依據的是關於開發方的各種線索，它們在官方認領之前都只是傳聞。

可複用的方法論可以歸納爲三點：

1. 分層看信息：把平臺聲明、目錄參數、未證實線索分開，只用前兩層做決策。
2. 按數據分級用：訓練類通道只處理公開或合成數據，私有代碼和隱私數據另行處理。
3. 合併口徑讀榜單：同一模型的多個 id 必須合計後再計算增長率，避免被換 id 造成的虛假增長誤導。

無論之後 Iceman 由誰認領，這套覈查方法都可以長期沿用到下一個出現的隱身模型上。

📚 參考資料

1. ArtificialWatch – Iceman 用量與歸屬分析：本文核心事實來源
2. 鏈接： artificialwatch.com/wire/iceman-opencode-stealth-model-3-trillion-tokens-unclaimed

3. 說明： 彙總了 Iceman 的雙 id 用量、條款變更與歸屬線索，發佈於 2026-11-04

4. OpenCode Data 用量頁面：iceman 與 iceman-contributor 的用量數據

5. 鏈接： opencode.ai/data

6. 說明： 可直接查看各 id 的周榜排名與 token 用量

7. models.dev 模型目錄：Iceman 的技術參數

8. 鏈接： models.dev

9. 說明： 提供上下文窗口、最大輸出、推理與工具調用等目錄信息

10. stealthmodels.com 隱身模型追蹤：歸屬線索的報道來源

11. 鏈接： stealthmodels.com
12. 說明： 記錄了關於 Iceman 自稱身份與 token 計數的測試，僅作線索參考

作者: APIYI 技術團隊
說明: 本文事實截至 2026-11-04，Iceman 的認領狀態與免費期限可能隨時變化，請以平臺最新條款爲準。