开源模型赢了 Token 流量，Anthropic 赚走了大部分钱

作者 ｜ 褚杏娟

周一，Decagon CEO Jesse Zhang 发布了一篇文章，表示开源模型崛起，但整个企业市场中开源模型的支出占比却在下降。

这不禁让人想到之前 Dario Amodei 之前的“暴论”：在 AI 领域，开源是一个干扰项，或者说是一个伪命题。

“即使模型公开，你也看不到它的内部运行机制，因此业内通常把这类模型称为‘开放权重’，而不是‘开源’。传统开源软件可以由社区共同修改、持续迭代，并在协作中不断增强，但这种优势并不完全适用于大模型。”Amodei 说道。

因此，他看到一款新模型时，从来不会先问它是否开源。就连 DeepSeek 是否开源，对他来说也不重要。他真正关心的只有一个问题：这款模型到底够不够好，在重要任务上能不能击败我们。而且，开源从来不等于免费。模型体量如此庞大，企业仍然需要花钱在云端运行推理，也需要专业团队进行部署和优化，确保模型能够足够快速、稳定地运行。与其纠结模型是否开源，不如关注谁的模型真正能够把你需要完成的任务做到最好。

随着 AI 应用逐渐成熟，越来越多企业正在转向更轻量的模型，Decagon 自己也是如此。但 Jesse 表示，企业在昂贵前沿模型上的整体支出却几乎没有下降。

据介绍，Decagon 现在约 90% 的工作负载都运行在开源模型上，而不是 OpenAI 或 Anthropic 的模型。他解释道：

这并不是因为成本，也不是客户强制要求我们这么做，尽管他们通常并不反对。真正的原因是，我们几乎没有其他选择。

当你在生产环境中运行客服 AI 智能体时，延迟会直接决定产品能不能用。一次对话中，每轮回复都要等待 8 秒，这样的产品没人愿意使用。因此，你需要体量更小、速度更快的模型。每一次模型调用，没有必要知道立陶宛的首都，也不需要掌握高中物理知识。

但开箱即用的小模型，达不到客户要求的质量标准。只有针对特定任务进行大规模微调，它们才能满足要求。

问题在于，前沿模型实验室基本不提供这种组合。我们无法按照实际需求去微调它们最强的模型，而它们的小模型也不属于我们，无法任由我们塑造。

因此，“小模型 + 深度微调”本质上意味着必须使用开放权重模型。成本节省确实存在，但只是次要收益；企业对自托管模型更加放心，也只是附带好处，而不是我们选择开源模型的根本原因。

在 Jesse 看来，前沿模型和开源模型之间并不是竞争对手，开源模型的成功也并非建立在前沿模型实验室失去市场的基础上。相反，它们更像是同一个生命周期中的两个阶段：企业先使用昂贵的前沿模型验证某个应用场景是否成立，等到场景逐渐成熟，再将其迁移到成本更低的开源模型上。

随着越来越多成熟场景转向轻量模型，新的应用场景也在不断涌现，因此企业在前沿模型上的总体投入并没有明显下降。

Jesse Zhang 并未提供太多数据来支撑这一观点，但 Techcrunch 找到了一些相关数据。

Vercel 的 AI Gateway 仪表盘显示，仅在过去一周，DeepSeek 的 Token 处理量就迅速升至第一，目前已经占到 Vercel 基础设施总 Token 流量的三分之一以上。推出热门模型 GLM-5.2 的智谱，也在同期跃升至第四名。

但如果继续查看总体 Token 支出，就会发现 Anthropic 依然占据该平台 AI 总支出的半数以上。由于近期变化中有相当一部分来自 Anthropic 自身价格上涨，其支出份额在过去一个月略有下降，但降幅并不明显。

OpenRouter 的数据也呈现出类似趋势。相比 Vercel，OpenRouter 覆盖的市场规模更大，但企业用户属性略弱一些。

从整体使用量来看，DeepSeek V4 Flash 是目前最明显的赢家，每周处理约 5.3 万亿 Token。最受欢迎的前沿模型 Opus 4.8，每周处理的 Token 数量则略高于 2 万亿。

OpenRouter 并未按照模型总支出进行排名，但其数据显示，Opus 4.8 的平均 Token 成本大约是 V4 Flash 的 23 倍：Opus 4.8 每百万 Token 平均成本约为 1.37 美元，而 V4 Flash 仅为 0.06 美元。

按照这一价格差距推算，尽管 Opus 4.8 的 Token 使用量明显低于 V4 Flash，但它很可能仍然占据了平台大部分模型支出。

这些数据还没有包括最新入场的 Nvidia Nemotron。凭借 Nvidia 强大的产业关系，以及 Nemotron 本身极高的适配能力，这款模型有望迅速进入市场前列。

这些数字尚不足以完全证明 Jesse Zhang 关于 AI 应用生命周期的判断，但至少说明，Anthropic 等前沿模型实验室并没有因为开源模型崛起而受到太大冲击，至少目前还没有。

一种解释是，可被 AI 覆盖的任务市场增长得太快。即便越来越多成熟场景被迁移到开源模型上，顶级模型仍然可以依靠占据新应用早期验证阶段，维持自身的市场地位。

正如 Jesse Zhang 所说的：“开源模型支出占比下降，并不是因为开源模型正在失败，而是因为整个企业 AI 市场仍处于成熟曲线的最早期。”“前沿模型实验室将继续主导应用发现，开源模型则会越来越多地主导生产部署。”

当一个应用场景刚刚出现时，企业会优先选择能够获得的最聪明的通用模型。因为你还不知道问题最终会呈现出什么形态，所以会愿意为一些未来可能根本用不上的智能能力支付溢价。在这个阶段，这是一笔合理的交换。 但当一个应用场景已经充分成熟，企业已经了解输入数据的分布、模型需要表现出的行为，以及必须防范的失败模式时，权衡就会发生逆转。 此时，通用智能反而成了额外负担。企业真正需要的是体量最小、速度最快，并且经过专门微调、能够把特定任务做到极致的模型。

“按照这一逻辑，今天所有使用前沿模型进行原型验证的应用场景，未来都有可能迁移到开源模型。”Jesse 表示，“不过，这个过程会比很多人预想的更漫长。”

另一种解释是，即便客户开始转向开源模型，很多应用场景本身仍然足够复杂，无法完全被价格更低的模型替代。

但无论如何，这种双层模型经济都有可能成为 AI 产业中相对稳定的结构。

https://www.threads.com/@whaleagent/post/DaJx5pfkzmL

https://x.com/thejessezhang/status/2074154325933424861

https://techcrunch.com/2026/07/07/why-the-rise-of-open-source-ai-isnt-hurting-anthropic-yet/

声明：本文由 InfoQ 翻译，未经许可禁止转载。

会议推荐

大会限时早鸟票享 8 折专属优惠，现在报名立减 1160，更多详情可扫码或联系票务经理 13269078023 进行咨询。

今日荐文

你也「在看」吗？