用户流失、商业化难，硅基流动如何破局？

撰文 | 曹双涛

编辑 | 杨博丞

题图 | IC Photo

DeepSeek爆火期间，官网频繁提示“服务器繁忙”，调用模型需反复刷新，严重影响效率，我和身边朋友因此寻找替代方案。得知硅基流动 Silicon Cloud（大模型云服务平台）首发华为云昇腾算力的满血版DP R1/V3（“满血版”可最大化DP性能），大家纷纷转用该平台服务。使用方式包括直接使用Silicon Cloud，或在Cherry Studio配置硅基流动API密钥调用DP服务。

但在实际使用中，DP模型数据幻觉问题远超预期，修正错误所耗费的时间甚至超过模型本身带来的效率提升。这不仅让我身边许多人放弃了DP模型，也严重动摇了他们对硅基流动平台的信任，导致其中一部分用户最终离开了该平台。硅基流动用户刘明（化名）表示。

例如，刘明曾在Cherry Studio调用DP-R1模型查询“华彬红牛发展”相关信息，模型的回复暴露出多处明显错误：数据增长率表述矛盾、所谓“华彬红牛财报”没有可靠来源、对东鹏特饮无糖版上市时间的描述存在偏差，甚至还随意编造了农夫山泉“尖叫”在货车司机中渗透率提高的数据。模型输出的严谨性严重不足。

图源：Cherry Studio

图源：基于公开信息整理 DoNews制图

刘明从追捧到弃用的经历并非个例，而是大量用户的共同体验。今年春节期间，DP的爆红与官网拥堵形成了尖锐冲突，最早承接DP溢出流量的硅基流动网站访问量暴涨近40倍，一举拿下当月全球访问量增速榜首。

图源：AI产品榜

但好景不长，随着用户对DP模型数据幻觉问题的不满积累，DP的吸引力逐渐下降。AI产品榜数据显示，6月DP网站月访问量3.8亿，已连续4个月下滑，平均月降幅达9.63%；7月DP网站访问量继续下滑，不仅为全球前5大厂商中唯一下滑的厂商，更是仅有GPT同期访问量的5.84%，双方差距被彻底拉大。

图源：AI产品榜

而硅基流动因前期过度依赖DP所带来的流量，在DP自身吸引力减弱后，也直接受到拖累。在7月多个行业榜单中，硅基流动已难觅其踪。这不仅反映出硅基流动对第三方模型（即DP）存在极强的依赖性，也暴露出其易受第三方模型流量波动影响的稳定性问题。随着DP热度的逐渐退潮，Silicon Cloud在模型输出质量上的不足、ToC端缺乏吸引普通用户的高频功能，以及在ToB领域中行业沉淀的欠缺，共同构成了硅基流动发展道路上的现实挑战。

图源：AI产品榜

图源：AI产品榜

一、实测暴露多重能力短板

作为最早享受到DP流量红利的平台，硅基流动核心技术集中在自研高性能推理引擎Silicon LLM、多模态加速库及一站式大模型云服务平台。其中，Silicon LLM作为高效易用的LLM推理加速引擎，据称能通过先进优化技术，实现与全球高端GPU相当的推理性能，同时显著降低计算成本，破解传统GPU成本高、难大规模部署的行业痛点。

Silicon Cloud平台则提供从模型精调、托管到部署的一站式解决方案，支持弹性算力调度以提升碎片化算力利用率，并以业内较低的API调用价格为卖点，试图降低大模型的使用门槛与成本。硅基流动创始人袁进辉也强调，当前硅基流动专注在大模型推理和部署环节，目标是让模型“部署更方便、跑得更快”。

袁进辉本人深耕AI领域多年，曾在一流科技主导开发专注于训练需求的开源深度学习框架One Flow。DP爆火后，硅基流动在资本助推下于2月和6月完成两轮融资，并持续扩展模型生态，目前已集成包括Qwen3-235B-A22B、Kimi K2 Instruct、Qwen3-Embedding & Reranker在内的上百款主流开源大模型。

图源：天眼查

理论上说，开源大模型凭借成本效益高、可拓展性强和透明度高等优势应能广泛吸引用户：普通用户可降低使用成本，开发者能通过二次开发定制需求或借助社区协作修复漏洞。但全球多篇报告均指出，AI大模型的输出质量（准确性、严谨性和可信度）是决定其能否留住用户的关键因素，无论模型是开源还是闭源，能否满足实际需求、提供优质体验，才是用户选择和持续使用的核心。

DoNews制图

但多轮实测后发现，硅基流动目前的模型能力仍存在明显短板：一是数据幻觉问题，仍未得到很好解决。在Silicon Cloud调用DP-V3查询“东鹏特饮如何反超华彬红牛”相关信息时，来自湖北的东鹏经销商张磊（化名）指出多处错误：产品终端售价不符行情、虚构1L装规格、误判华彬红牛渠道优势、曲解东鹏系统功能。

图源：Silicon Cloud

图源：基于张磊采访信息整理 DoNews制图

二是解读行业能力薄弱，分析流于表面。张磊表示，东鹏特饮能反超华彬红牛，是经过多年沉淀，通过包装差异化设计、价格策略错位竞争（与华彬红牛错开定价，突出性价比）、从南方市场逐步向北扩张、依据区域市场特性调整产品规格、借助上市加速发展、持续扩充品类、落地数据化营销管理、控制和稳定价盘等多维度策略，一步步积累完成的。DP-V3的解读不仅过于浅显，而且红牛在一线城市“守塔”的表述，更是在误导用户。

图源：Silicon Cloud

三是自相矛盾与功能落后：回答“全球外卖盈利难原因”时，DP-V3与V3 Pro提供的美团到店酒旅毛利率数据相差50%，且全球不同国家外卖客单价未标注货币单位或数据来源，专业性远不如GPT-5。此外，两款模型均不支持文件上传、语音交互等常用功能，影响用户使用体验。

图源：GPT官网

图源：Silicon Cloud

图源：Silicon Cloud

四是多模态与代码能力不足。在文生图需求（背景为浅咖色、碟子里放入牛肉酱实物，外层几粒牛肉，后层放入牛肉酱瓶子，图片中需添加7～10个字的卖点文案）中，Cherry Studio调用硅基流动能力生成的图片，存在文案缺失、背景及周边元素繁杂、非牛肉酱玻璃瓶冗余等多重问题，与实际需求相差甚大，生成图片的整体质量和即梦AI、GPT-5存在明显差距。

图源：Cherry Studio

图源：基于公开信息整理 DoNews制图

图源：即梦AI、GPT-5

在代码需求场景（开发掼蛋小程序游戏）中，硅基流动调用DP-V3PRO不仅无法直接生成小游戏，而且给出的代码同时存在决策树中未明确定义优先级排序逻辑、未处理特殊牌型、缺少多个炸弹处理方法等多重问题。

图源：Silicon Cloud

图源：基于公开信息整理 DoNews制图

二、外部挤压：闭源浪潮下Infra层价值持续稀释

硅基流动定位于大模型时代的AI基础设施（AI Infra）层，核心价值在于为用户提供“稳定可靠的底层支撑”。但当前存在的能力短板，直接动摇这一核心定位。对开发者而言，平台上开源模型频繁出现逻辑漏洞，显著降低了二次开发的价值；对普通用户来说，模型数据不准确、功能体验不佳，也削弱了其吸引力，使得硅基流动在ToC端的商业化面临严峻挑战。

当前硅基流动主要依靠用户消费Tokens盈利，收费标准因接入模型厂商不同存在差异。但这种盈利模式正遭遇用户付费意愿下滑的挑战，硅基流动用户曹阳（化名）的经历颇具代表性：自今年2月因DP爆火在硅基流动平台充值50元后，近半年未再续费。

图源：Silicon Cloud

图源：Silicon Cloud

其原因主要包括：

• 一是DP模型体验欠佳，替代方案丰富。此前在Cherry Studio调用的DP服务数据幻觉问题突出，而豆包、GPT-5等闭源大模型不仅能满足自身需求，部分还提供免费服务。加之DP官网访问已基本稳定，不再依赖硅基流动间接调用。
• 二是低价充值渠道分流。淘宝、闲鱼等平台存在大量比硅基流动官网价格更低的Tokens充值渠道，平台本身的“邀请赠金”机制，也会提供相关奖励，进一步降低了用户在官网充值的意愿。
• 三是需求场景单一，消化缓慢。曹阳仅在部分工作场景中使用AI大模型，非工作时间几乎不用，导致充值Tokens消化缓慢，无需频繁补充。

图源：淘宝

图源：Silicon Cloud

用户付费意愿的下滑不仅反映出短期经营压力，更揭示出硅基流动在ToC商业化中的深层困境：既受制于AI行业普遍存在的用户使用频率低、粘性不足等问题，又面临闭源模型与大厂生态的外部挤压，加之自身模型能力和业务模式的局限，商业化路径日益狭窄。

移动互联网ToC端商业化的核心在于“足够的用户基数+日均使用时长+日活”，而硅基流动在这些关键指标上存在明显短板。叠加国内AI产品尚未突破“低使用频率”的瓶颈，用户尚未形成持续使用习惯，付费转化更加困难。例如，今年3月国内TOP10大模型产品的用户日均使用时长仅约6分钟，远低于移动互联网时代高频场景（如外卖日均15～20分钟、社交日均30分钟以上）的黏性水平。

图源：AI产品榜

此外，硅基流动所依托的开源模型本质更面向企业级需求，强调可控性、安全性与业务适配，对T0C用户吸引力有限。例如，2025年5—7月Character AI用户日均使用时长达90.83分钟，Claude为13.96分钟，开源模型普遍难以达到相近的黏性。

图源：AI产品榜

与此同时，闭源大模型的快速迭代正重塑行业需求结构，不断挤压Infra层的生存空间。一方面，对C端用户而言，闭源大模型输出质量稳定、功能全面，用户无需通过Infra平台优化模型即可满足需求；另一方面，对开发者而言，大厂闭源模型依托云生态提供“模型+算力+服务”一体化解决方案，稳定性与适配性更强，开发者更倾向于直接接入大厂生态。双重因素下，硅基流动作为Infra平台的“模型优化与托管”价值难以释放，利润空间大幅收缩。

更关键的是，国内AI大模型市场已形成以BAT、字节、360等大厂为主的垄断格局。尽管硅基流动背后有阿里投资，但受模型厂商间竞争壁垒的限制，平台至今未能接入字节、百度等主流闭源模型。这一限制导致其陷入恶性循环：既无法通过优质闭源模型吸引和留存C端用户，又因开源模型的体验问题不断流失用户；而没有足够的用户规模，就难以通过效应分摊成本与优化技术，进一步加剧模型体验与商业变现的困境。

三、ToB 短板暴露三重困境

ToC端商业化面临的困境，让硅基流动将更多目光投向ToB端。据网友透露，网友在与内部人员交流中得知，硅基流动对新用户（多为免费使用）关注度低，更聚焦于服务企业客户。

图源：小红书

但ToB端大模型商业化的核心逻辑在于“深度理解行业业务场景+高度定制化适配”。在推理环节，行业深度感知成为模型能否成功落地的关键。例如，JPMorgan Chase的AI系统不仅要处理海量市场数据，还需深入理解金融市场的复杂性，包括波动规律、政策传导及风险事件的潜在影响；ROSS Intelligence致力于辅助律师进行案例研究，系统不仅要识别法律术语，还需精准把握法律条文、判例以及合同条款之间的逻辑关联。

图源：基于公开信息整理 DoNews制图

在落地层面，北森联合创始人&CEO纪伟国指出AI产品落地的四大关键挑战：一是AI产品从0到1阶段，最关键也最难的是精准匹配客户业务场景，要求AI产品经理深入一线，围绕真实需求快速迭代；二是产品成功的核心在于深度理解客户业务，将行业Know-how融入功能设计；三是AI Agent最终需支持客户自定义，未来客户化工作可能占比很大；四是AI产品需耐心打磨至成熟，再推进规模化销售。

纪伟国强调，AI产品应聚焦于独立且高价值的业务场景（如AI面试官），而非简单延伸现有产品功能，才能真正提升客户的付费意愿。以北森AI面试官为例，尽管从校招场景切入，实践中却发现许多实际业务需求（如检测纹身、色盲或执行特定测试对比）与大模型能力关联较弱，真正的门槛在于从客户场景中精准提取并理解需求。

但由于客户需求多样且复杂，只有积累足够多的客户案例，才能抽象出共性需求，这也使得“以客户为中心理解业务”成为首要难题。相较而言，行业知识的融入比代码技术和大模型本身更为关键。

与传统企业服务厂商相比，硅基流动在行业积累与业务理解方面存在明显差距。一方面，作为成立于2023年的新兴企业，其在ToB端的经验远不及金蝶、北森等传统厂商，后者多年深耕财务、人力资源、供应链管理等企业级应用，已构建起深厚的业务认知和客户信任。

另一方面，开源大模型要真正适应行业需求并实现快速交付，往往需经过“微调 +对齐”过程。以零售行业的自然语言处理模型Retail BERT为例，通过在客户反馈、产品评论和市场数据上进行微调，该模型可更好地完成商品推荐、库存预测和市场趋势分析等任务。在对齐过程中，则需兼顾个性化推荐与数据隐私、合规性等行业要求。

反观硅基流动，其在零售等行业的“微调+对齐”环节，仍面临三大短板：首先，行业数据获取与处理难度大。零售数据来源分散，标注和清洗成本高，对成立时间不长的硅基流动构成显著挑战。

其次，行业经验和深度理解的不足、零售行业的需求复杂且多样，从个性化推荐到库存管理，再到市场趋势分析，都需要对零售行业有深入理解。缺乏深厚积累的企业很容易在竞标中失去机会。

最后，快速交付存在难度。ToB客户通常期望较短的实施周期，尤其是随着当前AI大模型技术快速迭代。但零售业务变化频繁，要求AI系统能实时响应。若行业理解不足，可能导致项目周期延长、适配成本上升。加之客户的账期压力，将进一步加剧企业现金流负担。

借助DP流量实现“爆红”只是起点，其ToB端商业化仍需突破三大核心瓶颈——弥补行业沉淀短板以理解客户真实需求、解决行业数据获取与处理难题以支撑模型微调、优化交付流程以缩短项目周期。唯有突破这些瓶颈，硅基流动才能持续赢得企业客户信任，摆脱对第三方模型流量的依赖，实现长期稳定增长，这才是其当前面临的真正考验。

如何持续赢得企业客户信任、实现长期稳定增长，才是硅基流动真正的考验。