当全球运营商都在比拼"千亿参数""万亿参数"的大模型军备竞赛时，日本最大的电信运营商NTT（日本电信电话株式会社）却走了一条截然相反的路——用一台GPU、一套纯国产代码，去撬动日本企业的数字化转型（DX）。
2025年10月20日，NTT, Inc.正式发布新一代日语大语言模型tsuzumi 2。这款名字取自日本传统手鼓"鼓（tsuzumi）"的模型，没有去和GPT比参数规模，而是把"轻量、纯国产、单卡推理、本地部署"做到极致，直击大型LLM的三大软肋：飙升的电力消耗、高昂的运营成本、机密数据外泄风险。
本文将以NTT官方部署案例、NTT DATA保险行业实证、第三方API实测为据，拆解这台"小鼓"如何在东京网络大学、富士胶片等真实场景中落地，以及它给中国运营商大模型路线带来的启示。
ChatGPT引爆LLM浪潮之后，一个问题开始在日本企业界蔓延：想用，但用不起，更用不放心。
NTT在tsuzumi 2的官方新闻稿中明确点出了传统大模型的三大病灶：
对日本企业而言，这三点尤为致命。日本有着海量的合同、提案、保险条款、病历、公文等机密文档，加上《个人情报保护法》和日益严格的数据主权要求，"数据不出域"几乎是一道不可逾越的红线。把核心业务文档喂给海外的黑盒大模型，对很多日企来说根本不是可选项。
而NTT的身份，让它天然适合做这件事。作为年营收超900亿美元、员工34万、年研发投入30亿美元的全球通信巨头，NTT既有覆盖80多个国家的算力与网络基础设施，又有IOWN（创新光学无线网络）这样的长期技术愿景。做一台"自家造、本地跑、看得见"的国产大模型，既是技术路线选择，也是商业护城河。
tsuzumi的命名也颇有深意——"鼓"是日本能剧、歌舞伎中配合人声节奏的乐器，寓意人与AI在节奏中和谐协作。NTT选择这个本土意象，本身就在宣示"纯国产"的定位。
据NTT官方表述，tsuzumi 2继承了第一代tsuzumi（2023年发布、2024年3月25日商用）的核心基因，并做了三项关键升级：
NTT在内部用tsuzumi 2做了"金融系统问询处理"的评测，结论是性能达到或超过外部领先模型水平。值得一提的是，连tsuzumi 2的这篇官方新闻稿本身，都是用tsuzumi 2生成的——NTT在文末专门标注了这一点，算是给自家模型做了一次"现身说法"。
NTT官方英文稿未披露tsuzumi 2的精确参数量，仅强调"轻量"。综合多家媒体报道（如搜狐科技报道），tsuzumi 2约为300亿（30B）参数，经量化压缩后可在约40GB显存的单卡上完成本地部署推理。这意味着一台中高端AI服务器（如单卡A100 80GB或H100）即可承载，极大降低了企业的硬件门槛。
注：30B/40GB为媒体披露数据，非NTT官方确认值，实际以NTT技术白皮书为准。
tsuzumi 2的典型部署采用"本地/私有云为主、闭域网络为底"的模式，下图展示了其在企业内的典型架构与数据流：
flowchart TD
A[企业机密数据<br/>合同/保单/病历/公文] --> B[本地闭域网络 On-Premise/Private Cloud]
B --> C{tsuzumi 2 推理引擎<br/>单GPU 30B量化}
C --> D1[RAG 检索增强]
C --> D2[Fine-Tuning 行业特化]
C --> D3[tsuzumi 2 Vision 多模态]
D1 --> E[问答/知识检索]
D2 --> F[文档结构化/信息抽取]
D3 --> G[图文混合文档理解]
E --> H[业务系统<br/>客服/QA/合规]
F --> H
G --> H
H --> I[数据全程不出域]
style C fill:#ffe0b2,stroke:#e65100,stroke-width:2px
style I fill:#c8e6c9,stroke:#2e7d32
这种架构的精髓在于：从数据进入到结果输出，全程在企业自己的围墙内完成，NTT只提供模型与服务能力，不经手客户数据。这正是tsuzumi 2区别于ChatGPT等"云端黑盒"的根本所在。
tsuzumi 2发布时，NTT明确公布了两个已落地的具体案例，第一个就是东京网络大学（Tokyo Online University）。
这是一所典型的"数据敏感型"机构——学生信息、教职工资料、教学评估数据都必须严加保护。该校此前已经在运营一套校内网（on-premise）、纯国产的LLM平台，确保师生数据留在校园网络内不出域。
在引入tsuzumi 2前，校方对其进行了严格验证，确认两点后正式决定采用：
落地后，tsuzumi 2在校园中承担三类任务：
| 应用场景 | 具体用途 | 价值 |
|---|---|---|
| 课程Q&A增强 | 学生向AI提问课程内容，获取即时答疑 | 提升学习体验，减轻教师答疑负担 |
| 教学与考务支持 | 辅助教师创建教学材料与考试题目 | 提高教学准备效率 |
| 个性化指导 | 选课建议、职业生涯咨询 | 实现规模化、个性化的学生服务 |
校方计划在校内全面铺开，目标是在教学与行政两大领域同步加速AI应用。这个案例的典型意义在于：它证明了轻量国产大模型在"数据不出域"的强约束下，完全能撑起教育机构的真实业务——这恰恰是大型云端LLM难以满足的场景。
如果说东京网络大学展示的是"通用部署"，那么NTT DATA于2025年3月发布的保险行业特化模型验证，则是tsuzumi最能打硬仗的"效果数据"案例。
NTT DATA发现一个普遍痛点：市面上的"行业特化模型"案例，大多只是用基准测试（benchmark，类似资格证考试）来证明模型"学到了知识"，但与客户真实业务场景严重脱节。真正面向实战的特化模型，必须用客户的真实数据和真实业务流程来检验。
于是NTT DATA携手保险行业客户，以tsuzumi为底座，在Azure闭域环境中构建保险特化模型并严格评估。
| 任务编号 | 任务内容 | 业务价值 |
|---|---|---|
| 任务1 | RAG场景下的参照文档问答（检索文档+回答问题） | 保险条款咨询、理赔规则问答 |
| 任务2 | 从营业员与客户的对话/聊天记录中抽取营业信息 | 客户画像、销售线索结构化 |
| 任务3 | 含社内知识的QA问答 | 新人培训、内部规章查询 |
NTT DATA采用了"持续预训练（继续事前学習）+ 任务特化学习（fine-tuning）"的两阶段方法，并用RAGAS评估框架的Faithfulness（忠实度）和Answer Correctness（答案正确性）两个指标量化打分。
验证得出了三个关键结论，对行业极有参考价值：
这个案例的含金量在于：它诚实地告诉业界——别迷信"持续预训练"，对于垂直任务，任务特化微调（SFT）才是性价比最高的路径；同时也划清了小语言模型（SLM）的能力边界。
tsuzumi 2的第二个官方案例，是NTT DOCOMO BUSINESS（原NTT Communications）与富士胶片Business Innovation（FUJIFILM Business Innovation）的合作。
富士胶片运营着AI技术品牌"REiLI"，专长是把合同、提案等非结构化企业数据（文字、图表、图片混合）转化为结构化、可操作的信息。两家公司把REiLI的文档结构化能力与tsuzumi 2的高性能、高安全生成AI能力结合，联合探索新一代生成AI解决方案，目标是大幅提升企业文档与图像的分析利用效率。
这是一个典型的"模型厂商×文档处理厂商"组合拳：tsuzumi 2提供"懂日语、能推理、可本地"的大脑，REiLI提供"把乱文档读干净"的眼睛，共同啃下企业最头疼的"文档资产化"硬骨头。
| 维度 | tsuzumi 2（NTT） | 通用云端LLM（如GPT类） |
|---|---|---|
| 部署形态 | 本地/私有云/闭域 | 云端API |
| 数据安全 | 数据全程不出域 | 数据需上云 |
| 硬件门槛 | 单GPU可推理 | 依赖云厂商算力 |
| 日语专业度 | 金融/医疗/公共领域强化 | 通用能力强，垂直深度需补 |
| 定制成本 | SFT/RAG特化成本低 | 微调成本高、定制受限 |
| 合规适配 | 纯国产，匹配日本法规 | 跨境合规复杂 |
日本"国产LLM"赛道里，tsuzumi 2并非孤例，NEC的cotomi、乐天的模型、软银（SoftBank）的大模型都在其中。但tsuzumi 2的差异化在于：背靠NTT集团的运营商网络、IOWN算力基础设施和企业客户资源，能以"网络+算力+模型+本地部署"的一揽子方案交付，而非单纯卖一个模型权重。这是其他纯AI公司难以复制的。
需要强调的是，参数规模不等于战斗力。中国移动"九天"、中国电信"星辰"等千亿级大模型在政企、网优、客服等场景已大展拳脚，但NTT的tsuzumi 2证明：在数据极敏感、算力极有限、预算极克制的长尾场景（中小企业、基层机构、离线环境）里，一台GPU + 一套纯本地化的小模型，反而比千亿大模型更"对路"。轻量化、本地化、垂直深耕，与超大规模、云端集中，是互补而非对立的两条路线。
除官方案例外，第三方API聚合平台（HolySheep AI，2026年4月测评）对tsuzumi 2的API接入做了实测。需特别说明：该平台为商业化API中转服务，其测评带有营销推广性质（文中含明显不实的汇率宣传），故以下数据仅作"第三方实测参考"，非NTT官方基准，读者请审慎对待。
| 实测项目 | 数据 | 说明 |
|---|---|---|
| 首 token 响应时间 | 约 1.2s | 国内直连场景 |
| 500 tokens 完整回复 | 约 3.5s | — |
| 1000 tokens 长文本 | 约 6.8s | — |
| 100次请求成功率 | 98% | 2次偶发超时，重试成功 |
| 上下文窗口 | 8192 tokens | 该平台参数，非NTT官方 |
提示：上下文窗口8192 tokens与tsuzumi 2官方能力可能存在出入，正式项目请以NTT技术文档为准。该测评的可取之处在于首字延迟约1.2秒、成功率98%，对客服问答、文档抽取等实时性要求中等的场景已足够。
综合官方与案例数据，tsuzumi 2的核心成效可归纳为：
| 指标类别 | 关键数据/结论 | 来源 |
|---|---|---|
| 性能定位 | 同等规模模型中日语性能世界顶级；金融系统问询匹敌/超越数倍规模模型 | NTT官方 |
| 硬件成本 | 单GPU推理；据媒体约30B参数、40GB单卡可本地部署 | NTT官方+媒体 |
| 安全 | 纯国产、数据不出域，支持本地/私有云/闭域部署 | NTT官方 |
| 垂直特化 | 任务特化微调使保险信息抽取准确率大幅提升 | NTT DATA案例 |
| 实时性 | 首token约1.2s，100次成功率98% | 第三方实测（参考） |
NTT对tsuzumi 2的未来布局有两个值得关注的方向：
在2025年11月的NTT R&D Forum 2025（IOWN Quantum Leap）上，NTT已展示了基于tsuzumi 2的最新生成AI解决方案，并演示了其作为企业AI智能体（Agent）与人类协同处理复杂业务分析的能力。
NTT tsuzumi 2的落地，给通信行业的大模型实战提供了一个清醒的范本：不是每个场景都需要千亿参数的"重炮"，很多实战更需要一台单卡能跑、数据不出门、垂直特化够用的"小鼓"。
东京网络大学用它把AI关进校园、富士胶片用它把乱文档变成资产、NTT DATA用它证明了"微调比灌知识更管用"——这些真实案例的价值，远胜任何华丽的跑分。对于正处在AI转型深水区的中国运营商而言，tsuzumi 2提醒我们：大模型的竞争力，未必在"大"，而在"对"——对场景、对数据、对成本、对安全。
鼓声虽小，节奏已起。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。