大模型降价的背后：不是简单的价格战

摘要 Abstract

Xsignal创始人兼CEO刘震博士在“大模型价格战”主题专访中指出，OpenAI此次GPT-5.6系列降价并非简单的价格竞争，而是全球大模型产业从“拼智能水平”进入“做商业经营”的重要阶段。随着AI应用进入Agent时代，企业对模型的需求正在从单一能力竞争转向“任务完成质量与成本”的综合竞争，即单位成本下的任务价值（APVI）。

OpenAI降价的核心逻辑，是通过产品分层扩大企业订阅、API及Agent市场，以更低成本推动更多企业使用AI。国产模型凭借成本效率、开放生态和工程能力优势，已在开发者和部分企业场景中形成竞争力，但进一步进入全球大型企业市场，还需提升稳定性、数据安全、合规能力和企业服务体系。

未来，大模型市场不会是单一模型胜出，而将形成多模型协同格局：高端复杂任务由顶级闭源模型承担，标准化和成本敏感任务由高性价比开放模型完成，企业通过模型路由实现最优配置。开源与闭源模型将长期共存，竞争核心将从“谁的模型更强”转向“谁能以更低成本、更高可靠性完成真实业务任务”。

近日Xsignal创始人及CEO刘震博士接受国内某头部媒体的关于“大模型价格战”主题的专访，实录如下：

媒体提问

1. 近日，OpenAI宣布GPT-5.6系列降价，其中Luna和Terra版本分别降价80%、20%。降价后，Luna版本的价格已经与DeepSeek V4 Pro相当。您怎么看OpenAI此时降价背后的商业考虑？对于市场会带来哪些影响？
   
2. 有人认为，目前大模型市场已经开打“价格战”，您认为是不是有这样的趋势？
   
3. 近期，一些美国公司开始在工作流中使用中国大模型，其中一个重要原因是降本考虑，而一些公司开始设置员工AI支出上限，性价比是不是已经成为国产模型比较大的竞争优势？在使用大模型时，会不会形成不同模型分工的趋势？
   
4. 在当前海外市场，您怎么看国产模型所处的位置？您怎么看海外市场未来的空间？
   
5. 近期，美国国内也在讨论封禁中国模型，除去这种政治风险之外，中国模型未来想要更好参与海外竞争还有哪些短板要补？
   
6. 在Kimi K3发布后，有美国公司发布联名信呼吁重视开源模型的重要性，您怎么看其对于闭源商业模式的冲击？您如何看待未来开源、闭源模型各自的商业前景？

回答实录

不能简单理解OpenAI的降价就是针对中国的模型的价格战。中国模型在成本效率和开放生态上的快速进步，对OpenAI这一轮产品调整肯定会产生一定影响，但它并不是唯一的驱动因素。更准确地说，是整个AI大模型的使用，已经进入到了一个新的阶段。

我们公司长期做全球AI应用的数据，定期发布国内外AI应用的用户数据，包括App、Web和Agent这些不同的应用形态。OpenAI、Anthropic等公司的营收数据，我们也会持续跟踪。国内大模型企业我们也比较了解，很多企业在使用我们的数据，我们也会定期给他们做一些咨询和深度研究。

所以从全球AI应用的发展来看，不能简单地说，因为国产模型价格低，对方就跟着把价格拉下来，大家开始打一场传统意义上的价格战。这里面更重要的变化，是大模型公司开始从“拼智能水平”，真正进入“做经营”的阶段。

丨从“拼智能”走向“做经营”

过去三年，大模型首先拼的是绝对智能水平。你会看到很多评分、很多榜单，一个模型出来以后，首先讲数学能力多少分、推理能力多少分、编程能力多少分，在不同Benchmark上面排名多少。

这些指标当然非常重要。因为行业刚开始的时候，首先要解决一个问题：我的模型到底聪明不聪明，我是不是处在行业最前沿，我能不能占住最高智能水平这样一个位置。

但是，大模型公司不是一个纯粹的技术机构，也不是一个实验室。它是一个商业主体，最终还是要经营的。

从AI应用来看，它有不同的形态，有App形态、有Web形态，也有Agent形态。从用户来看，又有C端、B端，还有P端（Professional用户）。不同的应用形态、不同的用户群体，实际上都在消耗大模型。

在原来的阶段，大模型公司为什么要拼绝对智能水平？因为它要先建立自己的行业地位，然后去吸引C端用户。

过去三年的大模型行业，C端用户规模几乎是衡量一家大模型公司行业地位的核心标准。谁的MAU高，谁的用户多，谁就更容易被认为是行业头部。

像OpenAI、Google，包括Anthropic的Claude，过去几年已经分别建立了自己的位置。特别是OpenAI，它的用户规模已经到了非常大的量级，而且形成了明显的领先位置。排在第二的Gemini和它之间，仍然存在较大的用户规模差距。

所以对于OpenAI来说，过去三年的第一个阶段已经基本完成了。智能水平的位置建立了，用户规模的位置也建立了，行业领先地位基本上也建立了。

那下一个阶段是什么？下一个阶段就是经营。

它是一个商业主体，就要考虑营收从哪里来，未来的增长从哪里来？

丨个人订阅接近阶段性上限，增量将来自企业订阅和API

我们定期会发布OpenAI的营收数据。你去看它现在的营收结构，主要还是个人订阅，企业订阅和API目前所占的比例仍然相对有限，尚未成为OpenAI收入的主体，但也正因为基数较小，它们构成了下一阶段更值得关注的增长空间。

从2024年1月至2026年6月的经营数据来看，ChatGPT用户规模仍在扩张，但增速已经明显放缓。与此同时，OpenAI的收入结构仍以个人订阅为主，企业订阅和API尚未成为营收主体。2026年上半年，用户规模增长与营收增长开始出现一定背离，说明依靠C端用户自然扩张拉动收入的模式正在进入平台期。

从海外头部AI应用的订阅表现来看，C端付费已经形成了比较成熟的商业基础。ChatGPT拥有最大的订阅付费用户规模，Claude、Gemini和Grok也分别建立了不同规模的付费用户群体。特别是Claude，虽然付费用户规模低于ChatGPT，但订阅付费率和营收增长表现突出，说明专业用户和高价值使用场景能够形成更强的付费能力。

那未来的增量从哪里来？

它现在个人订阅的总体MAU已经到了非常大的量级，十几亿人在使用。再想让用户规模继续保持过去几年的高速增长，难度已经明显上升。

同时，个人订阅的比例基本上也是相对稳定的。它会有波动，但不会在短期内发生特别大的变化。也就是说，个人订阅这部分的营收，差不多已经到了一个阶段性的上限水平。

从实际经营数据来看，OpenAI过去两年的商业增长仍然主要由个人订阅驱动。2026年6月，个人订阅收入占比已经达到80.50%，企业订阅和API仍然是相对较小的组成部分。与此同时，ChatGPT用户规模在快速扩张后开始进入高位波动，单纯依靠新增用户推动收入增长的空间正在收窄，经营重心需要进一步转向订阅升级、企业服务和Agent深度渗透。

所以下一个增长阶段，实际上是在企业订阅和API，这更多体现在Agent层面。

企业要搭建自己的内部AI系统，要把大模型接到自己的工作流里面。有些企业直接采购企业订阅，有些企业直接接API，特别是一些比较专业的业务。未来营收的增长点，实际上就落在这里。

但企业用户和普通C端用户不一样。

企业不是所有任务都要用最聪明、最贵的大模型。企业用人才，也不是所有岗位都需要院士、博士，人才还是要分层的。不同岗位、不同任务，需要不同层次的人。大模型也是一样，它的智能水平一定会分层。

如果站在OpenAI管理层的角度，它现在怎么扩大自己的商业规模、经营规模？它一定要在Agent这一端增加使用。

Agent怎么才能增加？

这个逻辑和移动互联网是一样的。移动互联网刚开始的时候，流量非常贵。以前刚开始用手机上网的时候，用的人少，使用的时间也短。后来流量便宜以后，用户规模就上来了，使用浓度也就上来了。

大模型也是一样。

现在OpenAI要把B端生意打开，把企业订阅和API这一块打开，那它怎么办？

它就要推出更廉价的模型，让企业去用。使用多了以后，虽然单价下来了，但是总营收会上来。

丨这一轮降价，本质上是产品线重新分层

所以从这个角度看，GPT-5.6这一轮所谓的降价，明面上看是降价，实际上不只是降价，而是在重新调整自己的产品线分层。

它不是说，原来只有一个产品，现在把完全相同的产品直接降价80%。它是说，我有便宜的，有中端的，有高端的，还有顶端的。

便宜的模型用于大量、对成本敏感、但是智能要求没有那么高的任务；高端模型用于复杂推理、编程和专业任务。

这个就像苹果有Pro、有Plus、有Air，也有价格相对亲民的产品。它不是把原来的Pro直接变成了低端产品，而是本身就有不同层级的产品线。

大模型也是一样。

一个模型价格降下来以后，即使名称看起来差不多，它的输出质量、能力水平，也不一定和原来的完全一样。它不是同水平、同质量简单打两折，而是在调整产品层次和服务场景。

所以Luna降到和DeepSeek V4 Pro相当的价格，说明OpenAI正在补齐自己的低价产品层级，但不意味着它把所有模型都拉到同一个价格上竞争。

它还是会保留自己最好的模型。为什么？

• 第一，最好的模型代表行业地位。
• 第二，最好的模型也是最有盈利能力的。

像OpenAI最好的大模型，如果企业有复杂需求，或者真正的编程者有需求，他愿意付这个高价。高端模型可能只占20%的使用量，但是可能贡献很大一部分利润。

剩下大量的小公司、一般公司，只是把AI用于内部一些标准化任务，就可以接低版本、低价格的模型。

所以我觉得，并不是因为要打价格战，OpenAI才把价格降下来。更核心的原因，是整个大模型的发展、整个市场和整个AI生态对于模型的使用，已经进入到了一种分层阶段，进入到了Agent阶段，也进入到了使用粘性增强的阶段。

所有这些大模型企业都要扩大经营规模，所以它们会有这样的产品调整。

丨为什么偏偏是现在：因为用户性上来了

这里面还有一个问题：为什么偏偏是现在？为什么OpenAI不在更早的时候把价格降下来？

因为AI的使用程度和使用粘性，是需要时间逐渐建立起来的。

我们看AI的使用，无论是Agent，还是C端、B端，都有两个维度。一个是总用户数，另外一个是使用粘性，比如每天平均使用多少次、使用多长时间。

用户数可以比较快地增长，但是次数和时长的增长，需要一定时间。

我们能够监测到一些很有意思的数据。比如在国内C端市场，如果问抖音和豆包，平均每个人每天打开的次数，哪个更多？

很多人第一反应会觉得是抖音，因为大家没事就刷抖音，打开次数肯定很多。

但实际上，我们监测到的数据是，豆包的日均打开次数已经非常高，甚至可以和抖音这样的高频应用进行比较。

再比如DeepSeek和淘宝、京东相比，平均每人每天的使用时长，哪个更长？

很多人可能会觉得，DeepSeek不会比淘宝和京东长。

但是我们监测到的数据是，DeepSeek的人均使用时长已经可以和淘宝、京东处在相近水平，部分周期甚至略高。

因为我们同时有全国App应用的数据，也有全球AI应用的数据，所以能够把这些不同类型的应用放在一起比较。

这说明什么？

说明AI应用的使用粘性已经增强了，甚至已经达到主流APP的程度。

过去虽然已经有很多人在使用AI，但是使用粘性不强的时候，总Token消耗量不会那么大。现在用户规模有了，使用次数和使用时长也在增加，企业对大模型的需求也在增加，整体成本又随着规模扩大逐渐下降。

所以到了这个时间点，大模型公司可以开始做这个生意了。它可以主动把低端和中端产品的价格拉下来，通过更大的调用规模来增加营收。

丨成本下降和成功率提升，正在同时发生

ARK Invest发布的一组测试数据，其实能够比较直观地说明这个变化。

在代码智能等Agent基准，比如DeepSWE上，同等性能水平的任务成本正在快速下降。今年2月，使用Sonnet 4.6完成相应任务，成本大约是3美元一个任务；到了7月，GPT-5.6 Luna完成相应任务的成本已经降到大约0.06美元一个任务。

单看今年2月到7月，单位任务成本大约下降了50倍。按照ARK Invest更长周期、更多模型代际的统计口径，部分任务的累计成本压缩幅度最高达到约7000倍。

它预计，未来一年内，单位任务成本还会在当前基础上进一步大幅下降。

这里面真正值得注意的，不只是模型变便宜了。

更重要的是，成本下降的同时，模型完成复杂任务的成功率还在提高，错误率在大幅下降。

随着思维链，也就是Chain-of-Thought计算逐渐普及，模型在复杂任务上的完成能力是不断上升的。

还是以DeepSWE为例。在只允许花费1美元预算的前提下，今年3月表现最好的模型，任务失败率仍然高达92%。也就是说，给它1美元的预算去完成一个比较复杂的代码任务，大部分时候还是完不成。但是到了现在（今年7月），在相同预算约束下，失败率已经降到30%。

按照ARK Invest的预测，到明年这个时候，失败率可能会进一步下降到3%。

所以这个变化不是单纯的模型降价。

它是两条曲线同时在发生变化：一条是单位任务成本快速下降，另外一条是任务成功率快速上升。

如果只有价格下降，但是任务完成不了，这个价格下降其实没有太大价值。企业最后还是要人工返工，或者重新调用其他模型，实际成本不一定下降。

现在的问题是，模型不但越来越便宜，而且越来越能够完成任务。

这个时候，Agent进入企业工作流的条件才真正成熟。

原来一个任务要花3美元，而且大部分时候还会失败，企业不可能把大量日常工作交给它。现在一个任务可能只要几美分，成功率又明显上升，企业就会开始把更多工作交给Agent。

所以，GPT-5.6 Luna价格下降这件事情，不能只看成模型公司少收了多少钱。它更重要的影响是，大量以前在经济上不成立的Agent任务，现在开始成立了。

这个和移动互联网流量价格下降以后，大家使用手机的次数和时长迅速上升，是同一个逻辑。

单位任务成本下降以后，企业不会只把节省下来的钱留下来，它会把更多任务放到AI上面。

另外，所以单次任务价格下降，并不意味着大模型公司的总收入一定下降。相反，随着使用规模迅速扩大，总营收可能会上升。

丨不是简单的价格战，而是在扩大整个Agent市场

这和传统意义上的价格战不太一样。

传统价格战，一般是同样的产品互相压价，大家不断压缩利润来争夺市场。现在更像是大模型公司在重新划分产品层级，把原来由最强模型完成的很多任务，拆给更便宜的模型。

同时，随着思维链计算和模型能力提升，这些低价模型能够完成的任务又越来越多。

所以，它不是简单地把同一个产品降价，而是在建立一整套产品矩阵，也是在扩大整个Agent市场。

中国大模型对这件事情有没有作用？

我觉得是有作用的，而且这种影响正在增强。

如果一定要做一个大概的判断，我觉得OpenAI这一轮价格调整，既有自身经营阶段变化的原因，也有应对国产模型快速提升的防御考虑。

因为它推出低价模型以后，市场一定会拿到台面上和DeepSeek V4 Pro、Kimi K3这些中国模型比较。如果OpenAI完全不提供有竞争力的低价格产品，就可能把一部分对价格敏感的开发者、小企业和创新公司让给中国模型。

所以它需要做一定的产品防御。

但从更大的经营逻辑看，这并不是它调整产品线的唯一原因。

这个和苹果在中国市场推出四五千块钱的手机是一样的。苹果会推出相对便宜的产品，是为了覆盖更广泛的用户和使用场景，但它真正主销、真正贡献利润的，也不只是最便宜的那个层级。

OpenAI也是一样。它主要的企业订阅和API收入，也不会只来自最便宜的模型。

丨竞争标准已经变了

现在的变化是，大模型竞争的标准已经变了。原来的大模型公司之间拼的是评分。我出一个模型，我的排名是多少，我是不是最高。但是现在它的主要客户逐渐变成企业用户、Agent用户，也包括Professional用户。Professional用户虽然是个人，但是他的使用方式和普通C端用户不一样，他会用Agent，会完成专业任务，也会持续消耗大量Token。

所以现在的标准变成什么？

就是我完成一个任务，或者完成一个Agent工作流，第一，完成质量怎么样；第二，花了多少钱。把质量除以成本，就变成了一个新的标准：Agent Performance Value Index，APVI）

• Q = Task/Agent Workflow Completion Quality（任务 / 智能体工作流完成质量得分）
• C = Total Expense of Task Execution（任务执行总成本）

也可以简单称为单位成本下的完成质量。因为使用粘性增加以后，大家使用AI一定会越来越多。使用越来越多，成本就会变得非常重要。

即使你的完成质量非常高，但是成本也非常高，质量除以成本这个系数，对企业来说也不一定合算。比如一个模型完成工作流的质量是10分，成本也是10分，那这个系数就是1。另外一个模型的质量可能是8分，但是成本只有4分，它的质量成本比反而更高。这是行业一个新的评价标准。

ARK Invest这组数据，其实还说明了另外一个问题。未来不能只算一次Token调用多少钱，而是要算“成功完成一个任务”到底花了多少钱。

有些模型单次调用价格很低，但是失败率高，需要反复调用五次、十次，最后的实际任务成本并不低。有些模型单次价格相对高一些，但是一次就能完成，反而更划算。

所以企业真正关注的，不是表面上的Token单价，也不是模型官网上写的每百万Token多少钱，而是完成一个真实工作流的总成本。

当DeepSWE这类任务在1美元预算下的失败率从92%降到30%，未来再降到3%，意味着企业购买的不再只是一次模型输出，而是越来越接近一个可以稳定交付的工作结果。

这个变化非常重要。

以前我们讨论模型，更多是在看它会不会回答、榜单分数高不高。以后企业讨论模型，会更多地看一个Agent到底能够完成多少任务，失败以后要不要人工介入，完成一次任务的综合成本是多少。

对比在意大模型的评分榜单，企业更在意APVI。

一个企业每天如果需要调用几百万次、几千万次模型，它不可能每一项任务都用最贵的模型。一些美国公司现在开始设置员工AI支出上限，这个事情很正常。员工不会因为一个模型是最聪明的，就可以不受限制地去消耗。企业一定会算，这项任务到底值不值得使用这个模型，应该使用什么层级的模型。

丨国产模型的性价比优势，不只是“价格便宜”

从这个比例看，国产大模型确实已经形成了比较明显的竞争优势。

在部分通用复杂任务和企业级服务生态上，国际头部闭源模型仍然具有一定先发积累。但与此同时，国产模型在成本控制、训练效率、推理效率、中文能力、开放生态和场景化适配方面，也已经形成了自己的优势。

即使K3的水平，行业里面说接近GPT-5.5或者GPT-5，它的意义也不只是“接近”。更重要的是，国产模型能够在相对较低的成本下，把部分任务的完成质量提升到国际先进水平附近。

真正在使用的时候，不只是物理、数学和Reasoning这些榜单任务，还有很多实际场景。国产模型可能在某些行业和使用场景上，通过针对性训练和工程优化，形成更适合企业实际需求的能力。即使在部分通用任务上还存在提升空间，但因为它成本更低、部署更灵活、场景适配能力更强，质量除以成本这个系数可能很有竞争力。这就是为什么国产大模型在海外还是有市场的。

有些企业不是要求每一项任务都达到绝对最高分，它只需要模型达到稳定可用的水平，同时成本足够合理。这个时候，国产模型就有竞争力。但性价比不能只理解成便宜。真正的性价比是质量除以成本，不是成本越低越好。

如果完成质量不好，最终交付的东西不能使用，需要大量人工返工，那么它表面上的调用成本很低，实际总成本可能反而更高。

所以，国产模型要进一步扩大这个竞争优势，不能只把价格降下来，还要继续提高复杂任务能力、稳定性和企业级交付能力。

丨大模型路由会成为企业使用的基本方式

未来一定会形成不同模型分工的趋势。这个就是大模型路由。

大模型路由在海外已经比较流行，在国内也正在加速发展。企业会根据不同功能、不同任务的使用程度，连接不同的大模型。

复杂推理调用最强的模型，一般的数据整理、分类和抽取，可以调用价格更低的模型；有些任务要求速度，就调用反应更快的模型；有些任务对准确性要求高，就调用质量更好的模型。

我们自己的AI数据平台也是这样。

我们会使用很多大模型，在国内也有自己的模型路由。不同的数据处理功能，我们会看哪个大模型效果更好。

我们看的不只一个维度。

一个是质量，一个是成本，还有一个是速度。

基本上最重要的还是质量和成本。我们会根据测试结果形成自己的路由，这个功能调用这个大模型，另外一个功能调用另外一个大模型。

所以未来很难说，一个企业只使用一家模型。不同模型会在不同任务里面形成分工。

OpenAI现在保留最好的模型，同时推出更廉价的模型，也是因为它知道，未来不会是一个模型包打天下，而是不同模型覆盖不同的工作。

对于国产模型来说，大模型路由同样是一个重要机会。因为企业在进行任务拆分以后，并不一定所有任务都需要调用最昂贵的国际头部模型。大量标准化、专业化和场景化任务，都可能由具备更高质量成本比的国产模型完成。

丨海外Token增长，不能直接等同于企业市场份额

这也是为什么，国产模型在海外Token调用量的增长，需要分开看。国产模型在海外的使用量一定是在增长，这一点没有问题。

国内AI的使用粘性也在不断增加，已经开始接近移动互联网时代一些主要应用的水平。B端也是一样，越来越多企业都在搭建自己的Agent，把AI化变成企业非常重要的发展战略。

所以整体调用量增加是一定的。但问题是，海外市场贡献了多少？国产模型在海外到底处在什么位置？

这个要分开看。一种情况是开放权重模型的使用，比如编程者、创新用户、独立开发者、小企业和创业公司。这些用户不在大型企业严格的采购体系里面，使用国产模型相对比较灵活。在OpenRouter这样的路由平台上，国产开放权重模型的调用占比可能已经超过50%。这个数据说明，在OpenRouter这类开放模型和开发者路由平台上，国产模型已经形成了很强的影响力。它说明国产模型在价格、开放权重、工程效率和部分任务能力上，已经获得了大量海外开发者的认可。

但也不能把这个数据直接等同于美国整体企业大模型市场的份额。

在美国整体企业API的总使用量里面，国产模型目前所占的比例仍然相对有限。但开发者平台上的调用热度，和大型企业真正把模型接入生产环境，是两个不同的市场。前者更看重模型能力、开放程度和使用成本，后者还要经过合规、安全、稳定性、采购体系和服务保障等多重评估。从企业市场的数据来看，开放模型的影响力尚未完全转化为规模化部署。

Menlo Ventures的统计进一步说明了这种市场差异。截至2025年12月，开放模型在企业整体大模型市场中的份额约为11%，较2024年12月的19%有所下降。在企业开放模型市场内部，Meta仍占据约70%的份额，Qwen和DeepSeek分别约占6%和4%。两者合计约占企业开放模型市场的10%，折算到企业整体大模型API使用量中约为1%。

这个数据并不是说国产模型在海外没有竞争力。恰恰相反，国产模型已经在开发者、创业公司和开放模型生态中建立了较强影响力。但从开发者试用、模型测试，到大型企业将其接入核心生产工作流，中间还隔着稳定性、数据安全、合规审查、采购认证和企业服务体系。国产模型当前正在经历的，正是从“开发者采用”走向“企业级采用”的关键阶段。

为什么会出现这种差异？因为真正使用量大的，是大型企业。大型企业在采用大模型的时候，有很多考量。

• 第一，它要看当地政策、行业规范和采购要求。
• 第二，它要看模型的稳定性。
• 第三，它要看数据安全。
• 第四，它还要看数据存储在哪里，是否满足当地的法规要求。
• 第五，它要看企业级服务、责任机制和持续交付能力。

这些正是国产模型走向全球企业级市场时，需要进一步完善和建设的能力。

比如一个模型因为海外用户突然增长，出现短期服务拥堵，甚至暂时限制新用户注册。对于个人开发者来说，这可能只是暂时不能使用。

但是如果一家国际企业把自己的核心业务接在这个大模型上，模型服务一旦中断，就可能影响整个工作流。这就要求模型企业不仅要有技术能力，还要具备与全球使用规模相匹配的基础设施、运维能力和服务预判能力。

还有数据安全。能不能满足当地的法规要求？用户的数据存储在哪里？数据会不会被用于其他用途？企业能不能审计？

这些问题都要回答。

所以，说国产模型最近增长特别快，就等于已经全面进入美国大型企业市场，这个说法并不准确。

国产模型目前在海外的优势，首先体现在开发者、开放生态、创新企业和中小企业市场，并正在逐步向更高价值的企业级市场延伸。

大型企业更多还是通过严格的采购和测试程序选择模型。

因为大企业使用量大，对稳定性、合规性和供应链保障的要求也非常高。

所以，国产模型要进一步进入全球核心企业用户群体，需要继续解决企业级服务和国际市场适配的问题。

丨海外市场不是没有空间，但不是只靠低价就能拿到

海外市场未来的空间当然很大。

全球能够为AI长期付费的企业客户，目前仍然较多集中在欧美、日韩等成熟市场。国产大模型如果能够满足这些市场的法规要求，能够提供稳定、安全、合规的企业服务，当然可以获得更大的商业空间。

如果这些能力建设不足，就容易停留在开放平台、开发者和中小企业等相对分散的市场。真正持续、规模化、规律化使用大模型的，还是大型企业。这些企业的使用量才是真正大的。

所以海外市场不是没有空间，而是这个空间不是只靠低价就能拿到的。

国产模型需要从开发者市场进入企业市场，从偶发使用进入持续调用，从一个技术产品进入企业级基础设施。

这中间还有很多能力需要建设，但国产模型已经凭借成本效率和开放生态，拿到了进入全球竞争的重要入场券。

丨地缘政治风险客观存在，企业采购更关注合规与责任

国内在讨论这些问题的时候，很容易把美国企业是否采用中国模型，完全归结为政治因素。

我觉得这里面要分层来看。

地缘政治和政策不确定性客观存在，一些针对中国技术和产品的限制性讨论也确实值得关注。但在企业的具体采购和使用过程中，更直接的约束，往往还包括数据安全、个人隐私、数据存储、行业监管和企业责任等要求。

国产模型仍然可以出现在GitHub、OpenRouter等平台上，也可以被海外开发者下载和使用。但大型企业在选择大模型的时候，必须符合所在地的法规、内部风控和采购标准。

如果一个大模型达不到这些要求，大型企业选择以后，就可能承担法律和经营风险。比如一个模型不能充分保护用户隐私，不管这个模型是谁提供的，企业使用以后，都要承担相应风险，因为企业要对自己的用户隐私负责。

再比如亚马逊这类的大型全球企业，使用一个开放模型，一旦发生信息泄露，或者模型服务中断造成经济损失，这个企业本身就要承担相应责任。

所以它不是一个简单的能力和价格比拼。

对于国产模型来说，面对国际市场，既要关注地缘政治和政策风险，也要把更多精力放在可主动建设的能力上，包括合规、稳定性、数据治理和全球服务。

从经济逻辑上讲，低成本、高效率的大模型能够帮助企业提高AI应用的深度和生产力，任何市场都有采用更高效技术工具的内在动力。

国产模型真正需要做的，是把技术效率优势进一步转化为可被全球企业信任、采购和长期使用的服务能力。

丨中国模型出海，真正需要补的是企业级能力

所以国产模型要更好地参与海外竞争，我觉得要继续加强几个方面。

首先是稳定性。

模型能不能持续、稳定地为大型企业服务？使用量突然增长的时候，基础设施能不能承接？能不能保障企业核心工作流连续运行？

稳定性不是一个附加指标，而是企业是否采用模型的重要决定项。

第二是数据安全。

企业的数据存储在哪里？是否可以本地化存储？是否会被用于训练？客户能不能控制和删除数据？发生数据安全事件以后，由谁负责？

这些问题都需要有明确方案。

第三是法规合规。

国产模型要进入欧美等主要付费市场，就要按照当地的个人隐私、数据安全和行业监管要求进行适配。

不同市场的法规体系不同，企业采购时也会逐项审查。

第四是企业服务能力。

大型企业不只是买一个API。

它还需要服务等级协议、故障响应、技术支持、系统审计和责任机制。模型出了问题以后，谁来响应，多久解决，造成损失以后怎么处理，这些都要有完整体系。

第五是全球化能力。

国产模型的全球化服务能力仍然处于加速建设阶段。

OpenAI、Gemini和Claude从发展初期就面向全球市场，在海外基础设施、开发者生态和企业服务体系上具有先发积累。国产模型则需要根据自身优势，逐步建立全球节点、海外合规、本地化运营和企业服务体系。

所以国产模型真正出海，不只是推出一个英文版API，而是要建立全球基础设施、全球合规和全球企业服务体系。

这也是国产模型从“技术出海”走向“产业出海”和“服务出海”必须完成的一步。

丨国产模型的低成本优势还会维持很长时间

另外，还是模型质量和工程创新。

国产模型的低成本优势会长期存在。

中国拥有完整的数字产业基础、丰富的工程人才、大规模应用场景以及较强的基础设施建设和成本控制能力。这些条件决定了国产模型在训练效率、推理效率和工程落地方面具备长期优势。

同时，全球大模型技术路线本身就在相互影响、相互推动。中国团队在持续跟踪全球前沿方向的基础上，通过模型架构优化、训练方法创新、数据工程、推理效率提升和场景化适配，正在形成越来越鲜明的自主技术路径。

所以，国产模型的低成本优势并不是简单建立在人力成本上，而是来自工程体系、产业链协同、训练效率和大规模场景应用的综合优势。

这个优势还会维持很长时间。

但一个大模型好不好，不是只有使用成本一个维度。

还有推理能力、反应速度、稳定性、数据安全和法规合规。

比如DeepSeek。2025年初DeepSeek最受关注的时候，一个是R1，一个是V3。R1偏重推理，V系列更多服务于通用日常使用，在成本和效率方面具有不同的产品定位。后来推出V4，一个很核心的价值，就是进一步降低训练和使用成本。这是它对于大模型发展的一个重要贡献。

但市场还会继续期待国产模型在强推理能力方面实现新的突破。

DeepSeek当时真正建立全球影响力，很大程度上来自R1所体现出的Thinking过程和推理能力。未来很多使用场景，无论是B端还是Agent，都是需要强推理能力的。

现在国产模型在使用成本、训练效率和工程落地这个维度上做出了明显进步，把成本降了下来。但一个大模型的竞争力，不只有使用成本。

还有推理质量，还有完成任务需要多长时间，还有速度、稳定性和数据安全。

这些每一个维度，都可能决定企业最终采用哪个模型。所以问题不是国产模型便不便宜，而是质量除以成本以后，这个比例到底高不高。假如V4 Pro能够达到比较高的完成质量，同时成本又低，那它当然有竞争力。

主流市场不是只看谁绝对便宜，而是看综合指标。

如果完成质量不稳定，交付的东西需要大量返工，再便宜也很难进入企业的核心工作流。

国产大模型现在已经建立了一个很强的维度，就是低成本和质量成本比。下一步，要继续把稳定性、合规性、数据安全和企业服务能力一项一项补上。

我们不怕竞争。

真正重要的是，要进入目标市场的真实竞争环境，按照那个市场的规则建立核心竞争力。

国产模型已经证明，在全球技术竞争中，中国企业完全有能力形成自己的优势，也能够推动全球大模型的成本曲线和开放生态发生变化。

下一步，不只是把价格做得更低，而是要把成本效率、模型能力、企业服务和全球化体系结合起来。

全球主要的AI用户和能够长期付费的企业客户，仍然集中在成熟市场。国产模型要进入这些市场，就要按照当地的规则建立长期能力。

这个核心竞争力不只是低价，而是低成本、高质量、高效率和可信赖服务的综合能力。

丨开放模型会产生冲击，但不会掀翻闭源商业模式

Kimi K3发布以后，美国有企业联名呼吁重视开放模型的重要性，这里面确实反映了一种压力。国产开放权重模型在海外的增长，会对闭源模型产生一定冲击。特别是在开发者、小型创业公司、创新企业和一些对成本比较敏感的任务里面，开放模型的吸引力很强。

因为它开放、成本低，有些情况下还可以自己部署。

在OpenRouter这样的路由平台上，国产开放权重模型的占比超过50%，就说明在开发者选择模型的时候，国产模型已经建立了比较强的位置。

Kimi K3之所以会让海外市场高度关注，也是因为它在某些层面上已经接近国际先进模型的能力，同时成本又比较低。质量上去了，成本又低，国际市场当然会重新评估国产模型的竞争力。

但这不等于开放模型马上就会取代闭源商业模式。

从企业端的整体使用结构来看，闭源专有模型目前仍然占据主导位置。相关市场估算显示，2026年闭源专有模型约占企业大模型使用量的85%—90%，开放权重模型约占10%—15%。这说明开放模型的影响力虽然持续扩大，但其在开发者生态中的热度，尚未完全转化为企业生产环境中的主流使用份额。

因为开放模型现在主要影响的，还是开发者市场、开放模型平台和一部分中小企业。真正使用量大的大型企业市场，目前仍然较多采用具备完整服务体系的闭源模型。大型企业选择模型的时候，不只是看模型是不是开放，也不只是看价格。它还要看稳定性、数据安全、法规合规、企业服务和责任机制。

开放权重解决的是模型能不能下载、能不能自己部署、能不能降低一部分调用成本，但不自动等于它就具备完整的企业级服务能力。

有些大型企业可能愿意自己部署开放模型，因为它有足够的技术能力，也希望把数据留在自己的环境里面。但是更多企业还是希望直接购买一个稳定、可持续、有人负责的服务。

所以开放和闭源，未来不是谁完全替代谁，而是覆盖不同市场、不同任务和不同客户需求。

丨开放与闭源最终会长期共存

开放模型在开发者和创新生态里面会有比较大的空间。独立开发者、小企业和创业公司可以用更低的成本测试产品，不需要一开始就承担很高的API费用。

开放模型在私有化部署里面也会有空间。一些企业不希望把数据发送给第三方模型服务商，就可能选择开放权重模型，在自己的服务器或者云环境里面部署。

另外，企业可以在开放模型基础上做进一步微调，让它适合自己的业务。在模型路由里面，开放模型也可能承担大量标准化、低智能强度的任务。这些都会对闭源模型的低端和中端产品形成压力。

所以OpenAI为什么要推出更便宜的模型？其中当然有一定的市场防御作用。它不能把大量低智能强度、价格敏感的任务全部让给开放模型。

但是闭源模型仍然会有自己的商业位置。

第一，最强智能水平目前仍然是闭源公司的重要优势。

国际头部闭源模型公司在基础研究、算力投入和前沿能力储备方面具有一定先发积累。国产模型接近上一代国际头部水平以后，对方也会继续推出新一代产品。

这会形成一种持续推动行业进步的竞争关系。

第二，闭源模型可以通过个人订阅、企业订阅和API形成持续收入。

OpenAI现在主要收入来自个人订阅，未来增量来自企业订阅和API。它可以把不同层级的模型做成一套完整产品线，覆盖低端、中端、高端和顶端任务。

第三，闭源模型可以提供完整的企业服务。

大型企业购买的不只是模型参数，而是一整套稳定性、安全性、合规性和服务保障。

这些能力，不是把模型权重开放以后就自然具备的。

第四，最强的闭源模型仍然能够获取高利润。

高端模型可能只占一部分使用量，但是可以贡献较高利润。真正有复杂推理、编程和专业任务需求的企业，愿意为最好的模型支付更高价格。

所以从商业前景看，开放模型会扩大整个AI生态的使用规模，会压低一部分基础任务的价格，也会让开发者和中小企业有更多选择。

但闭源模型不会因此失去商业价值。

相反，闭源公司会进一步做产品分层。

它会用低价模型覆盖开放模型竞争较强的市场，用高端模型保持技术地位和利润，再通过企业订阅、API和Agent进入企业工作流。

未来更可能出现的情况，是开放和闭源长期共存。

企业不会只使用一种模型。

它可能把最敏感、最需要自己控制的数据，放在私有化部署的开放模型里面；把复杂推理和高质量任务交给最强闭源模型；把大量普通任务交给价格更低的模型。

最后还是会回到大模型路由。

不同功能调用不同模型，不同任务使用不同价格和智能层级。

国产开放模型在这一轮全球大模型竞争中，已经不仅仅是市场参与者，也正在成为推动成本下降、技术开放和产业普及的重要力量。

丨中国大模型的另一重约束，是C端流量环境

中国大模型公司现在还面临另外一个现实问题，就是国内C端商业化能力仍然处在培育阶段。OpenAI、Gemini、Claude，都有比较明确的C端或者Professional用户群体。

国内目前具备较强C端流量基础的，主要是几家大型互联网平台。一家是字节跳动，有豆包。一家是阿里，有千问和夸克。腾讯也在持续推进元宝等AI应用。

其他创业型大模型公司，C端用户规模相对有限。

有些公司的月活用户只有几百万或者几千万，这样的用户量，短期内很难支撑大规模C端订阅收入。

它们就需要更多依靠企业调用、API、行业解决方案和专业用户市场。

很多人会问，这是因为这些公司自己给产品做了定位吗？比如说，我就是做Coding，就是做B端，就是做Professional，不做C端。

我觉得不完全是定位问题，更多和中国的流量环境有关。中国的移动互联网流量高度集中在头部平台生态。在中国，任何一个大模型创业公司想让用户量增加，就必须在移动互联网流量体系里面获得曝光。

但这个曝光成本非常高。

Kimi第一笔融资以后，投入了大量资金做市场曝光，把自己推到五千多万月活。再往上增长，就需要更多持续投入。同时，头部互联网平台本身也在发展自己的AI产品，对外部AI产品提供的流量资源和生态支持必然相对有限。

所以创业公司缺少自己的流量生态来托举用户增长，最后往往需要调整战略，更加重视企业市场和专业用户市场。

原来的大模型创业公司后来为什么很多改变方向？其中一个重要原因，就是中国的流量成本较高。没有办法持续支付流量费用，C端业务就很难形成长期规模。这也是为什么现在用户量排在前面的AI应用，主要还是拥有成熟流量生态的大型互联网平台产品。

未来有必要从创新竞争、平台治理和流量生态建设等层面进一步优化这个问题，为真正有技术创新和产品价值的AI创业公司提供更公平的发展空间。

比如一家创业公司做出了一款真正有价值的AI应用，它需要通过合理的渠道让更多用户知道，才能形成用户规模。如果流量成本过高，就可能消耗掉创业公司大量研发和经营资金。

最后创业公司通常需要在几条路径中选择：继续投入C端市场，转向企业和专业用户市场，与大型平台合作，或者进入产业并购整合。

这就是中国AI创业公司当前面临的现实选择。

丨竞争格局未定，中国AI应用仍处于商业化探索阶段

另外，中国AI应用现在的竞争格局还没有真正形成。竞争格局没有形成，商业化就需要更加谨慎。

中国现在整体可能有接近9亿AI用户，豆包占据较大份额，剩下的用户再由其他产品去分。

豆包虽然排在前列，但国内AI应用格局仍然存在较大变化空间。如果一款头部AI应用突然大规模商业化，比如上广告、上电商，把回答界面做得过于商业化，用户可能向其他产品迁移。因为现在各个产品之间的用户迁移成本并不高。

国外不一样。

ChatGPT已经形成明显的头部位置，Gemini排在第二，Claude占据编程和专业用户市场。它们的格局在过去一两年相对稳定。因为海外AI应用的发展相对更早，所以市场格局已经开始形成。

格局形成以后，它就可以逐渐推进商业化。你看ChatGPT现在开始探索电商，也可以继续做订阅和企业服务。中国现在仍然处在用户竞争和商业化探索并行的阶段。

千问在春节期间，通过大规模市场推广，一下子可以从几千万用户做到两亿多。如果阿里继续投入，用户规模还可能继续增长，直接影响国内AI应用的竞争格局。所以阿里和字节仍然处于争夺用户入口和应用格局的阶段。

这和当年支付、电商领域的市场竞争有些相似。大家都要考虑，过早推进强商业化，会不会影响用户增长和市场地位。

中国大模型公司现在面临的核心问题：是既要保持用户排名和产品竞争力，又要寻找可持续的商业模式。

丨中国AI个人订阅市场仍在培育

中国还没有形成非常成熟的AI个人订阅市场。

OpenAI的营收结构里面，很大一部分来自C端个人订阅。

中国现在的用户付费习惯、产品格局和订阅市场仍然在培育。

豆包的专家模式使用一定次数以后，权限用完了，要么等到下一个周期，要么付费。这个时候，其他竞争对手很容易采取差异化策略：你的专家模式有限额，我的专家模式不限额。

然后在营销上强调这一点，就可能吸引一部分用户。因为格局还没有完全稳定，所以订阅需要逐步探索。没有成熟订阅，C端商业化就可能更多依靠广告、电商或者其他增值服务。但广告、电商同样需要在用户格局相对稳定以后稳步推进。现在谁推进得过快，谁就可能面临用户迁移压力。

所以中国大模型的ToC商业化能力仍然处于建设过程中。

不是大家不想做，而是市场环境、用户习惯和竞争格局决定了商业化需要更加谨慎。很多企业最后会同步转向To B或者To P。

国外的逻辑是，C端个人订阅已经形成较强基础，现在再去做ToB，做的是增量。中国的部分大模型公司，C端存量还没有充分建立，就开始直接做Agent、企业订阅和API。

两边的商业化路径不完全一样。

对于Kimi这样的创业公司来说，战略重心已经更多转向API和企业市场。

这是中国大模型创业公司在当前市场环境下的一种现实选择，也可能形成具有中国特色的产业发展路径。

未来如果要参与国际竞争，既需要提高全球化能力，也需要继续培育C端用户和商业化基础，扩大可覆盖的营收范围。

丨大模型公司的估值，已经不能只看当前收入

当然，现在讨论中国大模型公司的时候，也不能只按照当前收入和利润来看。

大模型公司现在具有很强的科技资产和金融资产属性。

如果把它当作一个普通经营公司，去看今天挣多少钱、利润有多少，很多估值当然理解不了。

但如果把它放到新的科技周期里面看，就不一样。

过去每一个大的科技时代，对应的头部公司市值，基本都会增加一个数量级。从电气时代、网络时代、互联网时代到移动互联网时代，科技提高了整个人类的生产力，也释放了更大的商业价值。

中国以前在互联网时代，很难出现万亿元级的企业。到了移动互联网时代，开始出现一批具有全球影响力的大型科技企业。

现在进入AI时代，未来出现更多万亿元级科技企业，并不奇怪。因为AI带来的生产力提升，理论上会超过互联网和移动互联网。

真正的AI应用上市高峰，现在还没有到。可能到明年、后年，C端AI应用才会一批一批上市。

AI产业和移动互联网不一样。

移动互联网相对简单，国家和运营商把基础设施做好，公司做App就可以了。但是AI产业的基础设施，是由政府、科研机构和企业共同建设的。从大模型、算力、芯片到存储，投资是一波一波推进的。

现在还没有真正到C端AI应用全面爆发的阶段。

未来C端AI应用一定会大爆发，会有大量公司做C端AI应用，然后逐步进入资本市场。到那个时候，一家公司上市就是几百亿元、上千亿元，我觉得并不奇怪。

中国的大模型市场目前主要由本土企业参与，国内市场也已经形成相对独立、完整的模型和应用生态。中国无论C端、P端、B端还是G端，都会大量使用大模型。这个蛋糕非常大，但真正具备通用大模型研发能力的企业数量相对有限。

你说这个蛋糕有多大？足以承载多家万亿元市值的大模型公司。

所以从金融产品和科技资产的角度，大模型公司获得高估值有它的逻辑。

但从实际经营来讲，它们现在基本还处在大规模投入阶段，部分企业仍然亏损。这也和移动互联网时代一样，美团、京东这些公司，很多也是成立很长时间以后才开始盈利。

投资人为什么愿意投？

因为未来有增长空间、有产业价值。所以现在不能只把大模型公司当成一个普通经营公司，用它今天的收入和利润去衡量。

结语

但是回到国际竞争，最终仍然是同一个逻辑。

完成质量怎么样，成功完成一个任务到底花多少钱，速度够不够快，服务稳不稳定，数据是否安全，能不能满足企业所在市场的法规要求。

我们既不能妄自菲薄，也不能过度乐观。

不能说国产模型没有机会。

国产模型在成本上确实有优势，在部分场景上，质量除以成本也很有竞争力，海外市场也确实感受到了国产模型带来的压力。国产模型已经不是简单的跟随者。它正在通过更高的工程效率、更低的使用成本和更开放的技术生态，影响全球大模型的产品定价、开放策略和竞争标准。

但也不能说，只要成本低、模型开放，全球市场自然就会属于我们。

大模型进入商业环境以后，是一个非常复杂的决策。

企业选择哪个模型、不选择哪个模型，不是只看一张榜单，也不是只看一个最低价格。它最后要看，这个模型能不能稳定、安全、合规地完成工作。

国产模型现在已经拿到了进入全球市场的一张重要门票，就是低成本、工程效率和质量成本比。

下一步，要把这些技术和成本优势，进一步转化为稳定性、合规性、数据安全、企业服务和全球化能力。

闯出去当然是对的。

而且中国大模型已经具备了走向全球市场的技术基础和产业基础。

接下来一定要进入目标市场的真实竞争环境，按照那个市场的规则建立核心竞争力，同时积极参与全球人工智能技术标准、产业规则和商业生态的建设。

中国大模型下一阶段的目标，不只是证明我们能够把模型做得更便宜。而是要证明，我们能够在保持成本效率优势的同时，提供高质量、高稳定性、高安全性和全球可持续服务。

这个核心竞争力，不只是低价。它是中国模型的技术能力、产业能力、工程能力和全球服务能力的综合体现。

- End -