【东吴计算机】计算机行业深度报告——解析大模型行业:从发展历程到投资视角

• 当前大模型产业正处于基础设施高强度扩张、模型能力快速扩散、Agent 初步产品化、企业逐渐实现 ROI 验证的关键发展阶段。从技术演进看，大模型已完成从 Transformer 奠基（2017-2019）、预训练规模化（2020-2021）、指令对齐与产品化（2022-2023）、多模态开源与企业化（2023-2024）的四轮跃迁，2025-2026 年正式进入以推理模型与 Agent 能力为核心的第五阶段，竞争焦点从 "回答问题" 转向 "完成任务"，评价标准升级为复杂目标规划、工具调用、动作执行与结果验证能力。

• 利润池沿产业链持续迁移，投资逻辑从追逐模型能力转向更低成本、更高可靠性完成真实任务。早期利润池集中于训练GPU，ChatGPT问世后扩展至API、订阅与AI原生应用，多模态与开源阶段私有化部署、RAG、向量数据库、数据治理成为增量，当前推理模型与Agent阶段进一步外溢至推理GPU/ASIC、HBM、高速网络、电力、液冷、Agent平台与工作流软件。大模型产业链价值优先流向三类环节：一是GPU/ASIC、HBM、先进封装、光模块等稀缺资源；二是CUDA生态、云平台、企业数据等高切换成本能力；三是代码助手、客服、办公等可量化ROI应用入口。当前利润池集中在基础设施，GPU与ASIC显性受益，HBM与先进封装是供给瓶颈，光模块与交换机等是集群扩张后的第二弹性；云厂商是企业AI主要入口但资本消耗较快；应用层长期空间最大但短期分化显著，代码、客服、办公等高频场景落地最快。开源模型压缩通用能力超额利润，推动多模型路由成为常态，竞争焦点转向入口、数据、成本控制与工作流嵌入。之于大模型本身，当前商业模式仍处在探索阶段，尽管已经有相对稳定的付费模式，但用户心智、使用场景、工作流嵌入实际等均未稳定。考虑到大模型是未来智能时代的智能底座，大模型本身同样具有投资价值。

• 关键大模型标的：智谱、Minimax、科大讯飞。（1）智谱：从项目型AI 公司向 MaaS平台转型，Coding是其从模型能力转向收入规模的最短路径；（2）MiniMax：通过架构优化实现成本与能力平衡，走全球化与全模态平台化路线，Token Plan 构建多模态智能额度池的商业模式；（3）科大讯飞：核心价值在于国产算力全流程训推能力，是国内唯一实现全国产算力上全栈模型训练的厂商，在政企自主可控采购中具备稀缺性。公司2025年大模型相关项目中标金额 23.16 亿元，超过第二名至第六名总和，印证我们的观点：公司卡位的稀缺性具备极强的市场竞争力。

• 大模型的发展路径尚未明确，我们认为未来大模型行业的发展可能存在三种情况。（1）闭源模型持续领先并放大代际差距：利润将持续集中在AI硬件以及头部模型厂；（2）开源模型持续追赶并缩小代际差距：开源模型持续追赶推动模型能力商品化，形成多模型分层路由格局，模型层API 毛利承压但应用层与基础设施受益；（3）出现新的模型架构突破：可能催生一批全新的企业。

• 投资建议：建议关注大模型与大模型相关产业链。1、大模型：建议关注智谱（港股）、Minimax（港股）、科大讯飞、阿里巴巴（港股）；2、其他大模型相关板块：建议关注：（1）AI芯片（国产算力、半导体设备）；（2）数据中心（AI服务器、光模块、PCB/交换设备、液冷/电源/电网电力设备）；（3）AI应用；（4）物理/端侧AI。详见正文P45“6.4市场投资框架”。

• 风险提示：技术迭代不及预期、行业竞争加剧、算力供应链风险、监管政策不确定性、商业化落地慢于预期。

目录

1. 大模型技术演进史

1.1. 从Transformer到Agent：五个阶段

过去九年，大模型能力栈大致经历了五轮重构：从底层架构突破，到预训练规模化，再到指令对齐、产品化、多模态与企业化，最终进入以推理能力和 Agent 执行为核心的新阶段。每一次重构都不仅是模型能力的提升，更对应着训练范式、工程体系、商业模式和应用边界的系统性变化。

第一阶段是 Transformer奠定基础， 2017—2019。Transformer的关键突破在于以自注意力机制（Self-Attention）替代 RNN 的递归结构和 CNN 的局部卷积，使模型能够更高效地并行训练，并具备捕捉长距离依赖关系的能力。这一变化表面上是自然语言处理架构的升级，本质上则为后续大规模训练奠定了工程基础。由于 Transformer 的主体计算以矩阵乘法为核心，天然适配 GPU、TPU 等现代加速器，因此其意义并不局限于算法层面，而是同时打开了模型规模化训练的硬件效率空间。Transformer 原论文提出了完全基于 Attention 的网络架构，并在机器翻译任务中验证了其效果和训练效率，由此成为后续大模型发展的基础范式。

第二阶段是预训练规模化， 2020—2021。GPT-3的出现证明，大规模自回归语言模型可以在少样本学习（Few-shot Learning）条件下完成多类型任务，而不再需要针对每一个具体任务单独训练模型。这一阶段的产业意义在于，基础模型（Foundation Model）开始成为行业共识，模型API商业化也由此起步。此前，AI项目更多围绕单一场景、单一任务进行定制化建模；GPT-3之后，产业范式逐步转向“通用基础模型+Prompt+API+微调/RAG”的平台化模式。模型不再只是某个任务的工具，而开始成为承载多类应用能力的底座。

第三阶段是指令对齐与产品化， 2022—2023。InstructGPT 和 ChatGPT 的核心贡献，在于解决了大模型能够续写文本但未必能够理解和执行用户指令的问题。通过监督微调（SFT）、人类反馈强化学习（RLHF）以及安全策略约束，大模型从研究系统转化为普通用户可直接使用的交互式产品。这一阶段的关键变量已经不再只是参数规模，而是后训练能力、交互体验、安全边界和低延迟服务能力的综合结果。换言之，模型真正进入产品化阶段，靠的不只是“更大”，而是“更可控、更好用、更稳定”。

第四阶段是多模态、开源、长上下文与企业化并行推进， 2023—2024。GPT-4 证明，大模型能力可以从文本扩展到图像理解以及更复杂的专业任务；与此同时，Llama、Qwen、DeepSeek、Mistral、Claude、Gemini 等模型推动闭源与开源路线并行演进。企业在这一阶段逐渐形成更务实的认知：并非所有业务场景都需要调用最强闭源模型。对于客服、文档处理、代码生成、知识库问答和行业流程自动化等任务，开源模型叠加 RAG、私有化部署和业务系统集成，往往已经能够满足可用性和成本要求。因此，模型竞争开始从单点能力比拼，转向“性能、成本、部署方式、数据安全和行业适配”的综合权衡。

第五阶段是推理模型与 Agent 能力成为主线， 2025—2026。OpenAI o 系列、GPT-5.5、Claude Opus 4.7、Gemini 3.5 Flash、DeepSeek R1/V4、Qwen 3.7-Max、Kimi K2.6、MiniMax M 系列、腾讯 Hy3、百度 ERNIE 5.0 等模型的演进表明，前沿竞争正在从“回答问题”转向“完成任务”。模型能力的评价标准不再只是知识覆盖、语言生成或单轮问答质量，而是能否围绕复杂目标进行规划、调用工具、执行动作，并对结果进行验证和修正。OpenAI GPT-5.5 强调跨工具完成复杂任务，Qwen 3.7-Max 明确面向 Agent 时代，DeepSeek V4 则试图通过1M 上下文和高效注意力机制改善长程Agent的成本结构。由此看，大模型产业正在进入新的能力重构阶段：模型不只是信息生成器，而是逐步演化为能够嵌入工作流、调用外部系统并承担部分执行职能的智能操作层。

2. 大模型发展阶段映射

2.1.  大模型发展到了什么阶段？

当前AI发展正处在基础设施高强度扩张、模型能力快速扩散、Agent初步产品化、企业逐渐实现ROI 验证的时期。

基础设施仍在快速扩张，GPU/ASIC、HBM、先进封装、网络、液冷、电力和数据中心仍处于强需求阶段。从CapEx节奏来看，自2023年以来大厂资本开支呈加速上升趋势；NVIDIA FY2027Q1 数据中心收入同比增长 92%，Microsoft AI business 年化收入超过 370 亿美元，Amazon AWS 同比增长 28%。这些数据说明，AI 已经从实验性预算，进入云和基础设施的真实收入兑现阶段，AI产业链已经在数据中心收入、云计算增速和硬件订单中形成了可验证的产业趋势。

模型能力快速扩散，闭源旗舰模型依然保持领先，但开源模型和高性价比模型的追赶速度明显加快。DeepSeek V4、Qwen3.7-Max、Kimi K2.6、MiniMax M2.7 等开源模型表明，长上下文、MoE、Agent、工具调用、代码和多模态能力，已经不再只属于少数闭源模型，开源模型正逐步具备解决实际工程问题的能力。

Agent产品化早期、企业逐渐实现ROI验证。AI Agent已经从模型能力演示逐步进入真实产品形态，但仍处于从“可用”走向“稳定可规模化交付”的过渡阶段。当前Agent已经能够在编程、文档生成、信息搜索、数据分析、办公自动化等场景中产生明确价值，其核心变化在于大模型不再只是回答问题，而是开始具备任务拆解、工具调用、文件读写、代码执行、多步骤规划和结果校验等能力。因此，Agent的产业定位正在升级为任务执行入口。

这一阶段的典型特征是：产品形态已经成立，但可靠性边界仍然清晰。一方面，Claude Code、Grok Build、Google Antigravity、Gemini API Managed Agents、Qwen的MCP与多Agent能力等产品或能力，说明Agent正在进入开发者工具、企业工作流、移动端应用开发和办公自动化体系。尤其在编程场景中，Agent可以读取代码库、修改文件、运行命令、执行测试、生成提交，已经形成端到端软件工程协作的能力。另一方面，Agent尚未达到完全自主、长时间稳定、低错误率、低成本、可无监督运行的成熟状态。在复杂任务中，Agent仍可能出现规划偏差、工具调用错误、上下文遗忘、权限误判、长链路错误累积和结果不可验证等问题，因此当前主要在人类监督下承担高频、标准化、可验证的工作流。

BLS在2026年5月发布的May 2025 OEWS新闻稿显示，软件开发人员平均年薪148,100美元、平均时薪71.20美元；软件QA分析师和测试人员平均年薪111,490美元、平均时薪53.60美元；计算机用户支持专员平均年薪67,330美元、平均时薪32.37美元，以GitHub Copilot Business为例，若按美国软件开发人员平均时薪测算，每名开发者每月只需节省约16分钟即可覆盖订阅成本。

根据Deloitte 2026《State of AI in the Enterprise》报告中的调研成果，大型企业与AI的领先使用者，编程、客服、办公、营销、数据分析最先落地，因为任务高频、错误成本相对可控、ROI可量化；医疗、金融、工业、法律和机器人长期空间更大，但需要更高可靠性和责任边界。

2.2. 与历史技术周期的比较

大模型产业同时具备六类周期特征：

第一，它像1995—2000年互联网，因为用户增长快、创业公司大量出现、资本市场迅速重估新入口、新应用和新平台，且应用层想象空间极大。

第二，它像2008—2015年云计算，因为产业先由基础设施和平台层扩张，再逐步向企业应用迁移；规模经济、开发者生态、云端API、企业采购和平台锁定非常重要。

第三，它像2009—2014年移动互联网，因为AI正在改变人机交互方式，并可能形成新的入口层，包括聊天框、搜索框、IDE、办公软件、浏览器、手机、PC、车机、眼镜和机器人。

第四，它像半导体先进制程周期，因为AI的供给侧高度依赖GPU/ASIC、HBM、先进封装、光模块、交换机、液冷、电力和数据中心，具备高资本开支、高折旧、高供给瓶颈和强周期性。

第五，它像SaaS渗透周期，因为企业最终购买的不是“模型参数”，而是能否提升员工效率、降低成本、提高收入、改善留存和嵌入工作流。

第六，它像搜索引擎/操作系统平台化周期，因为未来的AIAgent可能成为新的任务入口、数据入口和工具调用入口，进而重塑软件、广告、搜索和企业系统。

AI 同时是基础设施周期、软件周期、平台周期、半导体周期、电力周期和应用周期的叠加。这也是为什么当前市场会同时出现NVIDIA这类硬件龙头的高速增长、Microsoft/AWS/Google Cloud这类云厂商的AI收入兑现，以及应用层公司估值大幅分化。

2.2.1. 互联网1995—2000年：相似的叙事与不同的成本结构

一、互联网1995—2000年的发展历程

1995—2000年的互联网周期，本质上是新网络基础设施+新入口+新商业模式共振。早期用户通过浏览器接入互联网，门户网站、搜索引擎、电子商务、在线广告、邮件、社区和即时通讯快速出现。资本市场当时给予互联网公司极高估值，核心原因不是它们短期盈利强，而是市场相信互联网会重构信息分发、商业交易和用户入口。

这一阶段的典型特征有四个：第一，用户增长快；第二，创业公司密集出现；第三，商业模式尚未完全稳定；第四，资本市场从传统财务指标转向用户规模、流量、点击率、GMV和网络效应。而最终互联网泡沫破裂，系由于大量互联网公司诞生时行业处于探索期，商业模式与实际业绩无法消化前期高估值。

AI大模型与这一阶段非常相似：2022年ChatGPT发布后，用户教育极快完成，生成式AI应用大量出现，C端聊天、AI搜索、AI写作、AI编程、AI视频、AI设计、AI教育和AI陪伴等方向迅速获得融资和估值重估。OpenAI、Anthropic、Perplexity、Cursor、Runway、Midjourney、Kimi、豆包、MiniMax等公司和产品都在不同层面复制了互联网早期“新入口+新应用”的扩散速度。

互联网泡沫破裂后，最终留下的是搜索、电商、广告、云和平台公司。同样地，纯概念的AI应用、无付费闭环工具和缺乏成本控制能力的产品风险更高；真正具备安全边际的是基础设施、平台能力和能带来明确ROI的高频应用。

2.2.2. 云计算2008—2015：最接近AI的历史模板

总的来看，云计算是最接近 AI 的历史类比，因为两者都遵循基础设施先行、平台能力扩张、应用生态释放价值的路径；但 AI 的需求曲线和成本曲线比云计算更不稳定。

云计算的产业演进非常清晰：先是 IaaS 提供弹性算力和存储，再是 PaaS 提供数据库、中间件、开发工具和安全服务，最后 SaaS 在企业工作流中大规模渗透。AI 当前也在走类似路径：先建设 GPU 集群、数据中心和网络；再提供模型 API、推理服务、向量数据库、MLOps 和 Agent 框架；最后进入办公、代码、客服、营销、金融、医疗、工业等应用场景。

这也是为什么AI早期最先兑现业绩的是算力链和云厂商，而不是应用公司。历史上，AWS在2013—2015年收入从31.08亿美元增长至78.80亿美元，2015年同比增长70%；Amazon同时披露，AWS增长主要来自客户使用量提升，但也受到持续降价影响。这个过程与今天AI云的逻辑高度类似：需求增长快，但平台也要通过规模化、降价和利用率提升来维持竞争力。

AI与云计算的差异在于，云计算需求相对稳定，企业上云后工作负载持续存在；AI需求则同时受到模型能力、推理成本、开源模型、价格战、Agent成功率和监管约束影响。模型效率提升可能降低单位算力需求，Agent普及又可能显著放大token消耗。因此，AI云收入增长不必然等于利润改善，资本效率需要持续验证。

2.3.3. 移动互联网2009—2014：AI会重构入口，但入口更分散

大模型与移动互联网的共同点，是都会带来新入口和新应用生态；但不同的是，移动互联网入口相对统一，而AI入口高度分散。

移动互联网的核心变化，是智能手机成为统一入口，AppStore和Android应用生态重构软件分发。入口形成后，应用生态快速繁荣。Apple在2008年披露，AppStore上线首个周末下载量超过1000万次，上线初期已有超过800个原生应用。

AI当前也在形成新入口。用户不再只通过搜索框、菜单和App完成任务，而是通过聊天框、语音、多模态输入和Agent直接表达需求。AI入口可能分布在ChatGPT、搜索引擎、IDE、Office、浏览器、手机、PC、车机、眼镜和机器人中。

但AI和移动互联网的最大差异在于入口集中度。移动互联网时代，智能手机是相对统一的硬件入口，iOS和Android形成强势双寡头。AI入口则明显更分散，搜索、办公、代码、云、企业软件、终端和机器人都可能成为入口。因此，AI平台垄断可能弱于移动互联网时代，最终更可能是多入口、多平台、多场景并存。

3. 大模型产业链拆分与价值分配

3.1. 产业链价值分配的核心逻辑

3.2. 产业链利润为什么首先流向基础设施

大模型产业链的价值会优先流向三类环节。第一，稀缺资源，例如高端 GPU/ASIC、HBM、先进封装、高速网络、低PUE 数据中心和可用电力；第二，高切换成本能力，例如 CUDA 生态、云平台、数据库、权限系统、安全治理和企业 workflow；第三，可量化 ROI 的应用入口，例如代码助手、客服、办公、搜索、广告和数据分析。

3.3. 产业链价值分配图谱：当前利润池主要在哪里？

第一利润池：GPU/ASIC、HBM、先进封装、网络

当前利润池首先集中在基础设施，原因是模型能力提升会先触发算力需求，而算力需求必须通过芯片、HBM、服务器、网络、数据中心和电力转化为供给。应用层长期空间更大，但收入兑现需要产品设计、客户教育、流程集成、权限治理和 ROI 验证，周期更长。

训练和推理都需要高算力、高内存带宽和高速互联。尤其是推理模型和Agent普及后，推理工作负载不再是简单单轮对话，而是长上下文prefill、多轮decode、工具调用、代码执行、搜索、验证和回滚。NVIDIA FY2027 Q1 数据中心收入同比增长92%，数据中心networking收入同比增长199%，这说明集群互联已经成为AI价值链中与GPU同等重要的环节。

投资上，GPU和ASIC是显性受益，HBM和先进封装是供给瓶颈，光模块和交换机是集群规模扩张后的第二弹性。过去市场常把AI硬件等同于GPU，但2026年更准确的说法是GPU/ASIC+HBM+封装+网络+电力+冷却的系统性短缺。

第二利润池：云与AI平台

云厂商是企业采用AI的主要入口。企业通常不愿自建完整训练和推理集群，也不愿自行维护模型服务、权限、监控、审计和安全。微软、Amazon、Google、阿里、腾讯、百度等云厂商的优势不只是“有算力”，而是有企业客户、数据库、开发者工具、身份权限、数据治理和软件生态。

但是云同样面临现金流压力。Microsoft的AI revenue run rate 增长很快，Alphabet Cloud backlog 和收入加速，但Amazon的自由现金流被AI相关投资显著压低，Alphabet也明确披露技术基础设施投资会带来折旧和能源成本压力。换言之，AI云是收入增长快但资本消耗也快的业务。

第三利润池：应用层

应用层长期空间最大，但短期分化最大。代码、客服、办公、营销、搜索、数据分析最快，因为这些场景有三个共同点：第一，任务高频；第二，错误成本可控；第三，ROI可量化。医疗、金融、法律、工业和机器人虽然单任务价值更高，但错误成本、合规责任和系统集成复杂度更高，因此落地较慢。

应用层真正的护城河在于数据闭环、流程嵌入、权限系统、业务结果、用户习惯和分发入口。没有这些，只靠包装模型的中间层很容易被模型厂、云厂或SaaS厂商下沉替代。

基础大模型：一切AI产业链的核心，未来智能底座，利润模型仍在验证中。

当前商业模式仍处在从“产品付费验证”走向“利润模型验证”的中期阶段。不同于早期互联网或云计算的冷启动，大模型已经形成相对清晰的收入入口：C端以订阅制为主，B端以API调用、企业席位、私有化部署、Agent工具和云平台绑定为主，代码、办公、客服、营销、数据分析等场景也已出现较高频使用。但这并不意味着商业模式已经完全成熟，因为当前用户对大模型的心智仍在变化，企业采购也仍在从“试用工具”向“重构流程”过渡。换言之，市场已经证明用户愿意为大模型能力付费，但尚未完全证明大模型能够在所有场景中稳定转化为可量化ROI和高质量利润。

从需求侧看，大模型已经具备强产品牵引力，但用户心智尚未固化。以ChatGPT为代表的通用大模型产品，已经从早期问答工具演化为写作、编程、搜索、数据分析、图像生成、办公助理和Agent入口，用户规模和付费用户规模均快速提升。这说明大模型不是一个单点功能，而更接近下一代人机交互入口。但另一方面，用户到底将大模型视为搜索引擎、办公助手、代码工具、个人助理，还是未来的操作系统入口，目前仍在动态演化。产品形态、交互方式和杀手级场景尚未完全收敛，因此当前大模型商业化仍处于“高增长、强探索、未定型”的阶段。

从企业侧看，大模型的关键矛盾已经从“能不能用”转向“能否嵌入流程并形成可审计的ROI”。企业已经不满足于简单试用，而是开始关注能否节省人工、提升转化率、缩短研发周期、降低外包成本、减少返工、改善客户体验或减少新增HC。但现实中，AI工具只有真正嵌入研发、销售、客服、财务、法务、运营等核心工作流，才能从“个体效率提升”转化为“组织效率提升”。因此，大模型公司的竞争重点正在从单纯模型能力比拼，转向模型能力、工具调用、权限体系、数据治理、工作流集成、安全合规和成本控制的综合竞争。

从供给侧看，大模型本身具备核心投资价值，核心原因在于它是未来智能时代的能力底座。大模型不仅是一款软件产品，更是承载自然语言交互、代码生成、多模态理解、Agent执行和企业知识调用的基础设施。谁掌握更强的基础模型，谁就更有机会占据未来AI应用的能力源头、开发者生态、企业入口和数据反馈闭环。其商业价值不只体现在当前订阅费或API收入上，更体现在未来可能延展出的AI云、智能体平台、行业模型、AI应用商店、商业交易入口和企业自动化基础设施。

综合看，当前大模型商业模式仍未完全成熟，但这并不削弱其投资价值，反而说明行业仍处于价值分配格局尚未定型的阶段。短期看，基建层、云、算力等更容易看到收入兑现；中长期看，基础模型厂商若能持续保持能力领先、降低推理成本、沉淀开发者生态，并把通用模型升级为企业和个人的智能操作入口，则更有机会成为智能时代的核心平台型资产。

3.4. 开源模型会压缩哪些利润，放大哪些需求？

开源模型压缩的是模型能力的超额利润。过去模型厂可以类比当年的互联网公司依靠垄断地位收取高价；但开源模型接近闭源能力后，客户会采用多模型分配任务：复杂任务用前沿闭源模型，中低复杂度任务用便宜模型，敏感数据用私有化模型，长尾任务用开源模型微调。可以理解为：由于企业与个人的趋利性，开源模型可以胜任的任务会全部被开源模型吞噬，因此闭源模型必须持续保持对开源模型的代际领先，否则赢者不一定通吃，但败者一定归零。

DeepSeek是典型的成本冲击。DeepSeek的训练成本和架构效率让市场重新评估前沿模型是否必须依赖极高资本开支；DeepSeek-R1则让RL推理能力扩散到开源社区。Qwen、MiniMax、Kimi等模型继续推动中文、企业、代码、Agent 和长上下文能力扩散。开源模型的持续进步说明，模型能力不再只由少数闭源厂商掌握；当基础能力扩散后，竞争焦点会转向谁拥有入口、数据、成本控制、工具生态和实际场景下的工作流。而开源模型在这些问题上具有天然优势：模型开源→用户提升→更容易建立工具生态→建立实际场景下的工作流→获取真实数据，从而形成生态上的闭环。这也是开源模型在模型能力落后于顶尖闭源模型的情况下能够从生态上实现换道超车的标准答案。

4.  竞争格局的本质

4.1. 竞争元素趋于多元，各大模型厂暂时在不同领域站稳脚跟

全球大模型竞争已经从“单模型能力排名”进入“模型能力、算力供给、产品入口、企业客户、监管安全和资本效率”的综合竞争。我们认为，当前厂商分化主要沿三条主线展开：一是 OpenAI、Anthropic、Google、xAI 等前沿闭源模型继续提高长程任务、代码和科学能力；二是 DeepSeek、Qwen、Kimi、MiniMax、智谱等中国模型通过开源、高性价比和本土商业化扩大份额；三是平台型公司把模型能力嵌入搜索、办公、社交、短视频、云和终端，逐步形成入口壁垒。

整体格局来看，可以将大模型分为闭源、开源两大阵营。OpenAI、Anthropic、Google和xAI 代表前沿闭源模型路线；Meta、DeepSeek、Qwen、Kimi、MiniMax、ERNIE、Hunyuan、Seed 等代表开源、开放或高性价比路线。与此同时，Microsoft、Amazon、Tencent、Baidu 等云基础设施与平台型公司则试图用模型、算力、数据库、开发工具、权限系统和企业客户关系形成平台壁垒。

4.2. 重点厂商展开

我们总结了全球主要的大模型厂商，汇总如下。

4.2.1. OpenAI：从 GPT scaling 到工作型智能体平台

OpenAI 的技术路线可以分为四个阶段。第一阶段是GPT-2/GPT-3 代表的预训练规模化阶段，证明 decoder-only Transformer 可以通过参数、数据和计算量扩大获得通用语言能力。第二阶段是 InstructGPT 和 ChatGPT 代表的指令对齐与产品化阶段，解决模型不听指令、不安全、不稳定的问题。第三阶段是 GPT-4/GPT-4o 代表的多模态与实时交互阶段，把文本扩展到图像、语音、实时对话和低延迟多模态交互。第四阶段是 o 系列、GPT-5+代表的推理模型与工作型智能体阶段，重点从“对话体验”转向“复杂任务执行”。OpenAI 官方对 GPT-5.5 的描述明确强调，它能理解用户目标、承担更多工作、写代码和调试、在线研究、分析数据、创建文档和表格、操作软件并跨工具推进任务。

GPT-5.5的商业定位也很清晰。GPT-5.5标准输入价格为5美元/百万token，缓存输入为0.5美元/百万token，输出为30美元/百万token；GPT-5.4和GPT-5.4mini则形成更低价的专业工作与子代理模型层级。这说明OpenAI的策略不是所有任务都用一个旗舰模型，而是通过旗舰、大型、mini、缓存、Batch API、工具调用和企业预留容量构建价格分层。

4.2.2. Anthropic：企业安全、长程任务

Anthropic的商业价值主要在高 ARPU企业场景，用可靠性、安全和复杂任务成功率获取溢价，但自有C端推广弱于其他主流平台。

Anthropic的路线一直围绕安全对齐、企业可信、长上下文和复杂任务可靠性展开，也是当前市场上公认落地项目完成度最高的模型。Claude早期强调安全对话和长文本；Claude 3/3.5 强化多模态、代码和企业可用性；Claude 4系列进入coding agent 和 computer use；Claude Opus 4.7 则进一步强化长程智能体工作、知识工作、视觉、记忆和安全防护。Anthropic的定位在于高价值任务不只需要更聪明，还需要更可靠、更可审计和更少幻觉。

当前，Anthropic的路线已经从Claude 4.7/4.8进一步迈向Opus 5.0、Mythos 5和 Fable 5。Fable 5是Mythos级能力的公开安全版本，定位为更强的长程Agent、代码迁移、科学研究和复杂知识工作模型；Mythos 5则主要面向受控场景，覆盖网络安全、生物、化学等高敏领域。Fable 5发布时定价高于既有Opus， 10美元/百万输入 token、50 美元/百万输出 token，显示其能力与风险均被放在最高档。

美国商务部近期对Anthropic发布的出口管制令，标志着 AI 产业竞争格局已发生深刻的结构性转变。从过去聚焦NVIDIA 等先进 AI 芯片的硬件层面，全面延伸至模型实体与软件算法层面，这既反映了全球大模型能力竞争已正式进入国家安全博弈的深水区，也对我国自主可控的大模型底座建设提出了紧迫要求。面对这一地缘政治带来的技术封锁挑战，我们需要从国家安全战略、产业自主底座以及生态竞争格局三个维度，深入解析此次管制背后的深层逻辑与应对路径。

1、安全防线跃迁：模型实体已成大国博弈核心焦点

在大模型任务能力为王的背景下，大模型的能力边界直接关联到经济运行效率与关键基础设施安全。美国对特定商用模型实施紧急出口管制，实质上是将先进 AI 模型视为一种战略性国家资源。当模型本身具备了跨工具、跨系统执行任务的能力，其获取权便超越了常规的商业交易，成为了国家安全博弈的核心筹码。这种管制趋势标志着国际科技竞争已从单一的硬件封锁（如对先进AI芯片的限制）扩展至模型实体与软件算法的深度封锁，意味着大模型及其配套的算力底座已经正式纳入国家安全战略的宏观框架之中。

2、自主底座重构：加速全栈国产化训练进程

在当前国际地缘政治环境趋于复杂、高端算力供应链存在巨大不确定性的背景下，依赖海外模型底座存在被随时切断的重大业务风险。为确保国家产业的安全底线，实现自主可控的大模型基座已刻不容缓，其核心挑战在于从“算力适配”向“全栈训练自主”的纵深突破。业界普遍关注模型适配国产算力推理，但真正的战略价值与核心壁垒集中在训练侧——即预训练、后训练、分布式强化学习、多卡通信与系统稳定性工程。以科大讯飞星火大模型为代表的实践证明，只有攻克全国产算力环境下的全栈模型训练难题，才能让大模型摆脱对海外GPU集群的路径依赖。如果未来国内主流模型仍完全依赖海外高性能算力进行训练，而仅在推理端迁移至国产芯片，那么中国 AI 底座并未实现本质上的自主可控。因此，高度重视并大力发展国产开源模型，是实现底座自主的必由之路。

4.2.3. Google DeepMind / Gemini：全栈平台型模型厂

Google的核心定位是全栈AI平台型模型厂。通过模型研究、TPU、自有云、搜索、YouTube、Android、Chrome、Workspace、广告系统和开发者平台的组合实现独特的市场竞争力，这一点与国内的阿里颇为类似。Gemini1.0强调原生多模态，Gemini1.5强调长上下文，Gemini2.x强化推理和工具，Gemini3+则把重点放在Agent、开发者平台、多入口分发和与Google全生态的深度融合。

Google的优势是全栈式产品闭环。第一，它拥有TPU和数据中心基础设施，可以在训练、推理和成本控制上形成自有算力优势。第二，Google有搜索、Android、Chrome、Gmail、Docs、Sheets、YouTube等高频入口，模型能力一旦成熟，可以直接嵌入用户日常工作和生活场景。第三，GoogleCloud能将Gemini、VertexAI、数据库、数据分析、安全和企业工作流打包销售，形成企业AI云平台。第四，Google在多模态、视频理解、地图、搜索和知识检索方面有天然数据优势。

短板在于商业模式的内部矛盾，这一点与Meta类似。第一，AI answer和Agent可能压缩传统搜索点击和广告链路，Google必须在用户体验和广告变现之间重新平衡。第二，Google内部产品线复杂，模型发布、命名和集成节奏曾经不够统一，影响开发者心智。第三，Gemini在部分开发者群体中的“模型口碑”需要持续追赶OpenAI和Anthropic，尤其是在高强度coding agent和复杂任务自主执行中。

Google是大模型时代最不容忽视的长期玩家。它未必需要在每个benchmark上第一，但只要Gemini深度嵌入搜索、Workspace、Android和GCP，将爆发巨大的商业弹性。

4.2.4. xAI / Grok：模型厂商+大规模AI基础设施运营商

xAI的路线起点是Grok与X平台实时数据结合。相较OpenAI/Anthropic的企业路线，xAI更强调实时信息、社交语境、Musk生态和快速迭代。随着Grok模型升级以及Grok Build等产品出现，xAI正从实时问答模型转向编码Agent、开发者工具和更广泛的工作流执行。同时，随着Colossus等超大规模AI数据中心建设推进，xAI已开始具备明显的算力平台属性，其价值不仅来自模型能力，也来自训练和推理基础设施本身。

xAI的优势主要来自数据入口、生态资源和基础设施能力。第一，X平台提供实时社交数据和热点语境，这是OpenAI、Anthropic、Google在公共社交讨论中难以完全复制的入口。第二，Musk生态包括X、SpaceX、Tesla、xAI算力集群以及潜在机器人和自动驾驶场景，长期可能形成从线上信息到物理世界的数据闭环。第三，xAI在算力投入上极为激进，Colossus等超级计算中心已经成为全球最大的AI集群之一，使其不仅能够训练Grok，也具备向外部客户提供AI基础设施服务的能力，市场已开始将其视为兼具模型厂商与AI算力租赁双重属性的公司。第四，Grok的传播属性强，产品更新容易形成市场关注。

从产业链竞争格局看，xAI与OpenAI、Anthropic的核心差异在于竞争逻辑的双重性：不仅比拼模型能力，同时业务向算力租赁延伸，且能够提供不菲的收入。Anthropic以约12.5亿美元/月的价格租用Colossus/ColossusII数据中心算力至2029年5月。xAI也因此成为算力租赁运营商，一方面将固定资产变现，另一方面缓解xAI内部的现金流压力。

4.2.5. DeepSeek：高性价比、开源冲击与百万上下文推理效率

DeepSeek的迭代可以分为三个阶段。第一阶段是DeepSeek Coder和DeepSeek Math代表的专项能力突破，通过代码、数学和可验证任务形成差异化。第二阶段是DeepSeek-V2/V3的MoE工程效率突破，V3通过MoE、MLA、低精度、通信优化和训练稳定性显著降低成本。第三阶段是R1与V4的推理和Agent化阶段，R1证明RLVR可以激发推理行为，V4则进一步把重点放在1M上下文、Agent和低成本长上下文推理。DeepSeek V4官方文档称其预览版已上线并开源，标志着“高性价比1M上下文时代”。

DeepSeek V4首次由华为昇腾芯片参与训练。DeepSeek V4 Flash是首个公开说明在后训练当中使用国产算力的通用大模型，通过三大核心设计初步试验去英伟达化的技术布局。（1）引入MXFP4量化感知训练，对MoE专家权重与索引器QK路径实现FP4量化，降低了对NVIDIA FP8生态的绑定，可无缝适配华为昇腾、寒武纪等国产芯片；（2）采用TileLang领域专用语言开发底层算子，脱离CUDA生态强绑定，可跨硬件平台编译，降低向国产芯片的迁移成本；（3）自研MegaMoE2融合内核，实现专家并行的细粒度通信计算重叠，已在华为昇腾平台完成适配跑通，解决了国产硬件环境下MoE模型的通信瓶颈。

性能表现：整体跻身全球第一梯队，多项核心指标比肩甚至超越国际顶级闭源模型。

（1）知识储备：DeepSeek-V4-Pro-Max在SimpleQA-Verified基准上取得57.9分，领先第二名开源模型20个百分点，中文 SimpleQA得分达84.4，大幅缩小与Gemini-3.1-Pro的差距，MMLU-Pro、GPQA Diamond等教育知识基准均领跑开源赛道。

（2）推理与代码能力：Pro-Max版本Codeforces评分达3206，位列人类选手排行榜第23名，LiveCodeBench Pass@1达93.5，IMOAnswerBench得分89.8仅略逊于GPT-5.4；Flash本Codeforces评分也达到 3052，推理性能追平GPT-5.2 等闭源模型。

（3）Agent能力：V4 Pro-Max任务解决率达80.6，与 Claude Opus 4.6基本持平，Terminal Bench 2.0、MCPAtlas Public等基准均处于开源模型第一梯队。

（4）长上下文能力：1M token场景下，MRCR、CorpusQA得分分别为83.5、62.0，超越Gemini-3.1-Pro，且128K上下文内检索能力保持高度稳定。

（5）中文创作：其功能性写作对Gemini-3.1-Pro胜率达62.7%，创意写作质量胜率高达77.5%，仅在高难度多轮约束场景略逊于Claude Opus 4.5。

模型技术架构：CSA+HCA+mHC进一步压缩推理成本。（1）首创CSA+HCA交替的混合注意力架构。通过分层KV缓存压缩与稀疏注意力结合，在1M token 上下文场景下，Pro 版本单token推理FLOPs仅为V3.2的 27%，KV缓存占用降至10%，Flash版本更是分别降至10%与7%，从底层解决了超长上下文的算力瓶颈；（2）引入mHC流形约束超连接升级传统残差结构，提升了深层模型的信号传播稳定性与表达能力，同时采用Muon优化器搭配预期性路由、SwiGLU钳制技术，解决了万亿参数MoE模型训练的Loss Spike难题；（3）采用领域专家独立训练+全词表在线蒸馏的后训练范式，规避了多能力融合的性能退化问题。

DeepSeek的产业影响不只是模型能力，而是价格体系。V4-Pro大幅降价会压缩通用模型API毛利，但对国产开源模型生态的建立、国产算力适配敞口的打开，均有重大意义。

4.2.6. Qwen：从开源生态到 Agent 全栈云平台

Qwen的核心定位是“中国开源模型生态+阿里云企业Agent平台”。与DeepSeek更强调成本效率和开源冲击不同，Qwen的战略更偏平台化：先用开源模型建立开发者生态，再与阿里云、百炼平台、数据库、企业客户、MCP、多Agent编排和自研AI芯片结合，形成企业AI云底座。

Qwen的优势主要在生态和工程落地。第一，Qwen1/1.5到Qwen2/2.5阶段已经在中文、多语言、代码、数学、多模态和开源生态中积累了较强开发者心智。第二，Qwen3系列通过thinking、MoE、推理和长上下文完成模型分层，既服务高性能任务，也服务低成本部署。第三，Qwen3.7-Max明确面向Agent时代，强调编码、调试、自动化办公、多文件工程、MCP集成和多智能体编排。第四，阿里云具备企业客户、算力、数据库、数据治理、安全和行业解决方案能力，能将模型能力转化为云收入和客户粘性。

Qwen的短板主要在竞争强度和价格压力。第一，国内云厂商价格战激烈，模型API很难长期维持高毛利。第二，Qwen的C端入口和用户心智弱于豆包、Kimi，海外市场又面临地缘和合规限制。第三，开源生态虽然利于扩散，但也可能削弱闭源旗舰模型的直接商业溢价。第四，企业Agent落地需要数据治理、权限、流程改造和ROI验证，销售周期可能较长。

Qwen是中国最具平台化潜力的大模型底座之一。阿里云有望通过模型服务、Agent平台、企业数据治理和私有化部署提升客户粘性。它最适合企业云、私有化、代码Agent、办公自动化、多Agent编排和国产化替代场景。

Qwen 的商业价值不只是模型，而是与阿里云、百炼、数据库、企业客户、国产芯片和私有化部署结合。若 Qwen3.7-Max 能成为中国企业 Agent 的默认底座，阿里云可通过模型服务、Agent 平台、企业数据治理和私有化部署提升客户粘性。风险在于云价格战、海外市场地缘限制、API 毛利率和企业应用 ROI。

4.2.7. 字节：产品化、推荐数据和多模态生产部署

字节的核心定位是“C端产品化+多模态内容生产+高并发推理部署”。与阿里、腾讯更偏企业云和场景化不同，字节的优势在产品迭代、流量入口、推荐系统、多模态内容数据和大规模用户服务。豆包提供C端入口，Seed系列提供模型底座，抖音/TikTok、剪映、电商、广告和搜索提供落地场景。

字节的优势是产品闭环。第一，豆包具备强C端流量入口和使用频次，能够快速验证模型能力、收集反馈并推动产品迭代。第二，字节在推荐系统、内容理解、广告投放、短视频和创作者工具方面积累深厚，模型能力可以直接嵌入已有业务。第三，Seed2.0提供  Pro、Lite、Mini等不同规模通用Agent模型，说明字节不是只追旗舰能力，而是重视生产部署、成本分层和高并发服务。第四，Seedance、Seedream、Seed3D等内容模型线可以直接服务剪映、抖音广告、电商素材和创作者经济。

字节的短板在企业云和海外监管。第一，火山引擎在企业云市场的心智和客户基础弱于阿里云、腾讯云、华为云，模型能力外部化仍需时间。第二，TikTok 面临海外地缘政治和数据合规压力，可能影响全球 AI 产品扩张。第三，内容生成模型虽然商业场景清晰，但也面临版权、深度伪造、内容安全和平台治理问题。第四，字节的大模型能力需要证明不仅能服务内部业务，也能在外部开发者和企业客户中形成独立平台价值。

字节是中国大模型产品化能力最强的公司之一。它最适合 C 端助手、内容生成、广告创意、短视频生产、电商素材、搜索问答、客服和高并发低成本推理场景。

字节的最大优势是流量和内容闭环。模型能力可以直接嵌入抖音/TikTok、剪映、电商、广告、搜索、客服和创作者工具。

4.2.8. MiniMax：长上下文、Hybrid MoE 与低成本 test-time compute

MiniMax 的核心定位是“长上下文 + 高性价比推理 + Agent工作流”。它不是拥有最强入口的大厂，也不是单纯开源价格战选手，而是试图通过架构优化和低激活参数提高复杂任务执行效率。MiniMax-M1 强调 hybrid MoE、Lightning Attention、1M 上下文和测试时计算效率；M2/M2.5/M2.7 则进一步强化编码、工具调用、搜索、办公生产力和模型自我迭代。

MiniMax 的优势在于长上下文和效率创新。第一，长上下文是 MiniMax 的早期差异化标签，适合长文档、法律合同、投研材料、企业知识库和多文件工程。第二，Hybrid MoE 和低激活参数设计有助于在较低推理成本下获得较强能力。第三，M2 系列强调 agentic coding、deep search、office-task 和 reasoning，说明 MiniMax 正从模型参数竞争转向真实生产力任务。第四，若 M2.7 的模型自我迭代能力兑现，有望降低后训练和 Agent scaffold 开发成本。

MiniMax 的短板主要是入口和生态。第一，它缺少 OpenAI 的全球 C 端入口、阿里的云平台、字节的内容流量和腾讯的社交入口，获客成本更高。第二，资本强度和算力资源弱于全球巨头，持续追赶前沿模型需要大量投入。第三，开发者生态、企业销售体系和行业解决方案仍需扩展。第四，长上下文能力容易被 DeepSeek、Qwen、Gemini 等对手快速追赶，差异化需要持续迭代。

结论上，MiniMax 是技术差异化较强的第二梯队厂商，适合长文档、办公生产力、代码 Agent、搜索增强和多 Agent 工作流场景。它的关键不在于成为最大入口，而在于能否把长上下文和低成本 test-time compute 转化为高任务成功率和可持续商业化。投资跟踪指标包括 M2/M2.7 API 调用量、企业客户数、长上下文任务成本、Agent 任务成功率、多模态产品收入、海外开发者采用情况和融资/算力投入。

MiniMax 的机会在长上下文、低成本推理、多模态和 Agent 工作流。风险是入口、资本强度和生态规模弱于 OpenAI、Anthropic、Google、阿里、腾讯和字节。

4.2.9. Kimi：从长上下文聊天到长程编码与 Agent Swarm

Kimi的核心定位是“中文长上下文工作流+长程编码+多Agent协作”。它最早形成的用户心智是长文档阅读，尤其在中文PDF、网页、投研、法律、合同、会议纪要和材料分析中体验较好。KimiK2系列之后，Moonshot将能力从“读长文档”扩展到“写代码、调用工具、长程执行、多Agent协作”。

Kimi的优势在于中文工作流和长上下文心智。第一，Kimi在中国用户中形成了较强的“长文档助手”认知，这一点对投研、法律、咨询、学生、内容创作和办公人群非常重要。第二，KimiK2/K2.5/K2.6逐步强化代码、搜索、工具调用和长程任务，正在从阅读助手向工作执行工具升级。第三，Agent Swarm的定位体现出Moonshot对复杂任务拆解、多智能体并行和长步骤执行的投入，这与未来 Agent 竞争方向一致。第四，Kimi Code 能使其进入开发者工具市场，与 Claude Code、Codex、Qwen Code 等竞争。

Kimi的短板是平台和商业化。第一，Kimi的云平台、企业客户和行业解决方案弱于阿里、腾讯、百度等大厂。第二，C端用户心智虽强，但订阅和付费转化需要持续验证。第三，长上下文不是永久壁垒，DeepSeek V4、Gemini、Qwen、MiniMax都在强化1M上下文能力。第四，多Agent长程执行对稳定性要求极高，一旦出现上下文漂移、工具失败或错误累积，用户体验会明显下降。

结论上，Kimi是中文长上下文和工作流Agent的代表性玩家。它最适合投研、法律、长文档阅读、网页分析、代码生成、前端开发、DevOps和多资料综合研究场景；

5.  关键标的：智谱、Minimax、科大讯飞

5.1. 智谱：从私有化大模型公司走向Coding + Agent MaaS平台

5.1.1. 智谱的重估逻辑正在从项目型AI公司切向模型能力驱动的MaaS平台

智谱当前最重要的变化，不只是收入同比高增长，而是收入结构、商业模式和技术路线正在同步切换。2025年，公司收入达到7.24亿元，同比增长131.9%；其中开放平台及API收入1.90亿元，占比从2024年的15.5%提升至26.3%；企业级智能体收入1.66亿元，占比提升至22.9%；企业级通用大模型收入3.66亿元，占比则从68.7%下降至50.4%。本地化/私有化部署仍是公司业务基本盘，但边际增长已经明显转向云端API、Coding、Agent和MaaS。过去市场对智谱的主要担忧，是其本地化部署占比较高，商业模式更接近项目制软件公司，收入确认和交付资源绑定较重，边际利润弹性有限。而2025年API与Agent的合计收入占比已接近50%，公司商业模型正在改善。

5.1.2. 从 GLM-5 到 GLM-5.2，押注Agentic Engineering+长程任务

1. GLM-5：从 Vibe Coding 走向 Agentic Engineering

智谱对 GLM-5 的核心定位，是从 Vibe Coding 走向 Agentic Engineering。官方 GLM-5 技术博客称，GLM-5 面向复杂系统工程和长程 Agent 任务；相比 GLM-4.5，模型参数规模从 355B 提升至 744B，激活参数从 32B 提升至 40B，预训练数据从 23T Token 增加至 28.5T Token。

这一路线和交流会纪要高度一致。管理层认为，早期 AI Coding 仍以人为主导，AI 主要负责补全、解释和复制粘贴；Vibe Coding 则允许用户用自然语言描述需求，让模型快速生成前端或应用原型。但 Vibe Coding 的问题也很明确：黑盒生成、技术债积累、代码审查困难、上下文漂移，以及安全与隐私隐患。

智谱所谓 Agentic Engineering，本质上是把“代码生成器”升级为“可规划、可执行、可审查的软件工程智能体”。其核心差异在于：模型负责理解意图、拆解任务和规划路径，Agent 在沙盒环境中执行，过程中允许人类介入、审查和修改。这有助于缓解 Vibe Coding 时代“一次生成很爽，后期维护困难”的问题。

2. GLM-5 的技术抓手：稀疏注意力、异步强化学习、芯模协同

GLM-5的技术总结主要包括：第一，采用改进 GQA 与稀疏注意力机制，在 128K 长上下文中降低计算量；第二，采用 MoE、MLA等机制提升解码效率；第三，引入 SLIM 异步强化学习框架，解决长时间任务中的 GPU 空转问题；第四，加强国产芯片适配，并进入模型公司与芯片公司的软硬协同设计阶段；第五，建设面向多智能体系统的调度基础设施。GLM-5 论文摘要显示，模型采用 DSA 以降低训练和推理成本，同时保持长上下文能力，并通过异步强化学习基础设施提升后训练效率，使模型能够从复杂长程交互中学习。

简单来说，智谱在尝试解决两个行业共性问题：一是长上下文和长程任务带来的推理成本爆炸；二是中国模型公司面临的算力受限和国产芯片适配问题。如果智谱能够通过架构优化和芯模协同降低单位任务成本，其 API 毛利率和价格竞争力才有持续改善基础。

3. GLM-5.1与GLM-5.2：长程任务成为新主线

智谱官方对 GLM-5.1 的定位是面向 Agentic Engineering 的下一代旗舰模型，并强调其Coding能力较前代显著提升，在SWE-Bench Pro、NL2Repo、Terminal-Bench 2.0 等任务上具备更强表现。

最新变化是GLM-5.2。2026年6月13日公开报道显示，智谱宣布GLM-5.2面向GLM Coding Plan全量用户开放，覆盖Lite/Pro/Max/团队版；GLM-5.2 API将于下周上线，模型也计划于下周正式开源，并遵循MIT协议。报道同时称，GLM-5.2是智谱迄今能力最强的开源模型，支持真正可用的1M上下文，并在长程任务中继续保持领先。

GLM-5是Agentic Engineering的起点，GLM-5.1强化长程任务，GLM-5.2则把1M上下文、长程任务和Coding Plan用户全量开放结合起来。对商业化而言，GLM-5.2的关键不在于“又发布了一个模型”，而在于它能否提升Coding Plan留存、提升API调用深度，并把长上下文能力转化为更高客单价的任务型Token消耗。

5.1.3. 从本地部署到 MaaS，智谱正在寻找中国版Anthropic路径

MaaS平台：ARR印证未来确定性，市场“用脚投票”对公司API形成付费需求

截至2026年3月31日，开放平台及API ARR超过2.5亿美元，约合人民币17亿元；MaaS平台日收入超过460万元；付费Token较2025年末提升约4倍；Coding Plan推出约6个月，付费Token增长超过15倍。这组数据如果能够持续兑现，将推动智谱估值逻辑发生重大变化。传统软件项目型公司看订单、收入确认和毛利率；MaaS平台型公司更看ARR、净收入留存、API调用量、单位Token毛利和开发者生态。智谱目前还不能完全按海外头部AI SaaS或模型平台估值，但ARR的爆发式增长说明，市场对其模型能力和API产品已经形成真实付费需求。

Coding是当前最清晰的高价值入口

智谱把Coding视为最优先的场景。原因在于：第一，需求高频且支付意愿强，开发者和企业软件团队能直接感知效率提升；第二，效果相对可评估，可以通过代码通过率、修复成功率、任务完成率等指标衡量；第三，Token消耗大，天然利好API和订阅收入。公司在2025年围绕Coding Plan实现快速放量，并强调其在字节Trae、腾讯Code Buddy等Coding平台中作为第三方模型接入。同时，当前前十大互联网大厂中已有九家深度集成GLM，其中不乏包括在Coding产品货架上接入GLM。

Coding或成智谱从模型能力转向收入规模的最短路径，探索中国式Anthropic。如果GLM-5.2在Coding Plan用户中形成更强留存，并通过开源扩大开发者心智，智谱有机会复制Anthropic以Claude Code/Coding能力切入企业市场的路径。

5.1.4. 企业客户和国产芯片协同

智谱长期深耕企业级市场，虽然早期导致本地化部署占比较高，但也积累了大量 KA 客户、行业与交付经验。公司与互联网大厂和国产芯片公司形成两条重要商业化线索：一是前十大互联网大厂中九家深度集成 GLM；二是与寒武纪、沐曦、摩尔线程等国产芯片厂商进行深度适配，甚至进入软硬协同设计阶段。

这对中国模型公司非常关键。海外模型公司可以依赖 Nvidia 生态和全球云计算基础设施，而中国模型公司必须面对算力可得性、国产芯片适配、推理成本和交付稳定性问题。智谱如果能在模型架构层面为国产芯片优化，将率先形成差异化成本优势。

5.2. Minimax：从AI原生应用走向全模态AI平台

MiniMax 的重估逻辑不只是大模型，而是全模态模型+全球化应用+Token平台化。

公司从成立早期就同时押注语言、视频、语音、音乐、角色互动、AI Agent 和开放平台。2025 年，公司收入 7903.8 万美元，同比增长 158.9%；其中 AI 原生产品收入 5307.5 万美元，占比 67.2%；开放平台及其他 AI 企业服务收入 2596.3 万美元，占比 32.8%；中国内地以外收入 5766.3 万美元，占比 73.0%。

MiniMax 当前收入仍以 C 端/开发者端 AI 原生产品为主，但开放平台收入增速更快，公司正在从“应用变现”扩展到“模型能力变现”。 AI 原生产品收入主要来自用户参与度提升、付费意愿增强，以及 Hailuo AI 等产品商业化；开放平台及企业服务收入增长，则主要来自付费客户数量增加。

地域结构来看，2025 年，公司中国内地收入 2137.5 万美元，占比 27.0%；中国内地以外收入 5766.3 万美元，占比 73.0%。MiniMax的收入具备明显全球化结构。

5.2.1. MiniMax的独特性在于全模态+全球C端+开放平台”

1、AI 原生产品：Hailuo、Talkie、MiniMax Agent构成全球化入口

MiniMax与其他友商相比，更早把 AI原生产品推向全球 C 端市场。Hailuo AI 对应视频生成，Talkie 对应角色互动/陪伴，Audio 和 Speech 对应语音合成，Music 对应音乐生成。这些产品的共同特点是：用户规模更大、国际化更快、付费场景更偏消费级和创作级，但也更依赖产品留存、内容生态和合规审查。

2、开放平台：从 API 到 Token Plan，再到 MiniMax Code

开放平台是MiniMax的第二增长曲线。2025年，公司开放平台及其他AI企业服务收入2596.3万美元，同比增长197.8%，增速高于AI原生产品。

模型平台和订阅产品在2026年初出现显著加速。2026年电话会报道显示，MiniMax 2月ARR已超过1.5亿美元，面向企业客户和个人开发者的开放平台新注册用户数达到2025年12月的4倍以上；M2系列文本模型2026年2月日均Token消耗量较2025年12月增长6倍以上，其中Coding Plan Token消耗增长超过10倍。

3、Token Plan：把 Coding Plan升级为全模态共享用量包

MiniMax 的 Token Plan 是理解其平台化战略的重要产品。官方文档称，Token Plan 是对原 Coding Plan 的扩展，使用量不再只覆盖语言模型，而是向文本、图像、语音、音乐等MiniMax资源共享额度扩展。

MiniMax不想只卖某一个模型调用，而是希望把用户锁定在一个全模态额度池中。对开发者而言，一个订阅同时覆盖代码、文本、图像、语音、音乐和Agent使用，可以降低多模型、多供应商组合的复杂度；对公司而言，Token Plan能够提升用户留存，增加多场景交叉使用，并把不同模态需求集中到统一付费账户中。

在M3发布时，MiniMax官方披露，Token Plan分为Plus、Max、Ultra三档，分别为20美元/月、50美元/月、120美元/月，并对应约17亿、51亿、98亿个M3使用Token配额；文本、图像、语音和音乐共享同一使用池。

5.2.2. 模型路线：从M2到M3的1M上下文+原生多模态+Agentic Coding

1、M2系列：小激活MoE架构——成本与能力平衡的核心突破

MiniMaxM2系列技术路线清晰，核心战略是通过稀疏激活MoE实现模型能力、推理效率与单位成本的最优平衡。旗舰M2模型总参数规模达2299亿，但每Token仅激活98亿参数，显著降低推理算力消耗。模型架构原生面向Agentic部署设计，涵盖三大核心模块：Agent驱动数据管线、Forge Agent原生强化学习系统，以及训练-推理-Agent三层解耦架构。

产业意义：MiniMax并未盲目追求总参数规模扩张，而是通过低激活MoE路线直击AIAgent商业化核心痛点。据产业链调研，M2.5已实现复杂Agent的经济可扩展性：以每秒100Token输出速率连续运行一小时成本约1美元，据此测算1万美元预算可支撑Agent持续运行一年。

AI Agent从演示走向真实生产力的核心前提是"聪明+便宜+快速+稳定"四要素兼备。MiniMaxM2系列的技术叙事本质上是围绕单位任务成本展开，低激活MoE架构有望成为Agent规模化落地的关键技术路径。

2、M2.7：从Agent能力构建到"模型自我迭代"范式探索

2026年4月MiniMax开源M2.7，标志着技术路线从"构建Agent能力"向"模型参与自我迭代"延伸。官方披露，M2.7可自主构建复杂 Agent Harness，完成高复杂度生产力任务；在研发流程中，模型可参与构建强化学习Harness中的复杂Skills、更新Memory，并优化强化学习过程与Harness本身。

能力指标验证：M2.7在真实软件工程、端到端项目交付、日志分析、Bug排查、代码安全与机器学习等场景表现突出：SWE-Pro得分56.22%，VIBE-Pro得分55.6%，TerminalBench2得分57.0%；在40个超过2000Token的复杂Skills场景中，Skills遵循率保持97%。

战略判断：M2.7的核心价值不在于榜单刷分，而在于"模型参与构建自身训练闭环"的范式创新。该方向若持续验证，将推动模型迭代从"完全依赖人类工程师"向"模型辅助数据生成-模型辅助训练-模型辅助评估-模型辅助工具链优化"的半自动化方向演进。需强调的是，当前阶段仍处于技术探索早期，不等同于真正意义上的自主研发AI。

3、M3：三大前沿能力统一——Coding/Agent+长上下文+原生多模态

2026年6月1日MiniMax发布M3旗舰模型，战略定位实现关键跃升：从M2系列的"低成本Agent"单一优势，升级为三大前沿能力集于一身的开放权重模型：Coding/Agent能力、1MToken长上下文、原生多模态（支持图片/视频输入+桌面操作）。

核心技术突破——MSA稀疏注意力架构：M3底层采用MiniMax自研Sparse Attention（MSA）新型稀疏注意力架构，实现三大性能跃迁：

上下文能力：支持最高1MToken上下文窗口

计算效率：100万上下文长度下，每Token计算量仅为上一代的1/20

推理加速：prefill阶段加速超9倍，decoding阶段加速超15倍

MSA论文进一步披露：在109B参数原生多模态模型上，MSA在1M上下文下将每Token注意力计算降低28.4倍，H800平台实现14.2倍prefill加速与7.6倍decoding加速。

商业化价值：长上下文能力的商业价值不在于"技术可实现"，而在于"成本可承受"。MSA架构本质上是将"上下文长度"从模型能力指标转化为可规模化的商业能力，为代码仓库理解、长文档处理、复杂Agent执行、跨文件办公、金融研究、长视频理解等高价值场景打开商业化空间。

基准测试表现：M3在SWE-Bench Pro得分59.0%、Terminal-Bench2.1得分66.0%、MCP Atlas得分74.2%，官方强调其在真实研发流程中更注重长期协作、任务规划与人机协同效率。

5.3. 科大讯飞：唯一国产算力全流程训推的大模型底座标的

科大讯飞的估值逻辑正迎来历史性重构，应从传统的“教育+语音+智慧城市+消费硬件”多元业务估值框架，切换至国产AI算力生态中的大模型底座来看待。

在中美科技博弈长期化、AI算力供应链国产化加速、央国企模型采购自主可控要求持续提升的产业背景下，具备在国产算力平台上完成"预训练-强化学习-推理部署-MaaS服务-行业模型落地"全链条能力的厂商具备极强稀缺性。公司2025年大模型相关项目中标金额23.16亿元，超过第二名至第六名总和，这是极其具有说服力的市场答卷。

核心主线：星火大模型是“国产算力全流程训推”的关键标的

1、核心壁垒：训练侧国产化才是真正的自主可控，训练与推理的难度有本质差异

当前行业普遍强调 "模型适配国产芯片" 或 "国产算力推理"，但真正的技术壁垒与战略价值集中于训练环节。推理本质是将已有模型部署到国产芯片运行，核心优化方向为低延迟、高吞吐与成本控制；而训练涉及预训练、后训练、强化学习、多卡通信、算子精度、分布式稳定性、训推一致性等复杂系统工程，技术难度呈指数级提升。

科大讯飞在投资者交流中明确指出：对于国产芯片而言，模型训练难度远高于推理，国内目前仅讯飞一家真正实现全国产算力上的全栈模型训练。

核心判断：科大讯飞的战略稀缺性在于星火能否在国产卡上持续完成下一轮模型训练与架构迭代。若未来主流大模型仍依赖海外 GPU 完成训练、仅推理端迁移至国产芯片，中国大模型底座并未实现真正意义上的自主可控。科大讯飞选择的是技术难度更高、但战略价值更为深远的全栈国产化路线。

2、产品迭代：从 "可运行" 到 "商业化可用" 的三级跨越

星火X1：国产算力训练的里程碑突破

2025年1月科大讯飞发布星火深度推理模型X1，系国内首个基于全国产算力平台训练、具备深度思考与推理能力的大模型，攻克了训练推理强交互、高吞吐推理优化、国产算子优化等核心技术难题，并率先在教育、医疗等刚需场景落地。

年报进一步披露，星火X1在模型参数较业界同类模型小一个数量级的情况下，实现了业界一流效果；2025年11月发布的星火X1.5，在全国产算力平台上攻克MoE模型全链路训练效率，支撑教育、医疗等行业大模型能力持续提升。

产业意义：X1/X1.5将国产算力训练从"技术可运行"推进至"可用于深度推理模型"，标志着国产算力不再仅是低成本推理替代方案，正式进入深度推理大模型、长思维链、行业思维链、MoE架构等前沿模型训练阶段。

星火X2-Flash：中尺寸MoE的商业化突破

2026年4月29日科大讯飞发布星火X2-Flash，基于华为昇腾910B集群训练完成，采用MoE架构，总参数30B，最大支持256K上下文并同步开放API。该模型率先在国产算力上实现DSA稀疏注意力与MTP多Token预测结合的长文本高效训练，通过亲和国产芯片的算子与分布式训练策略优化，训练效率相较同规模A800集群从初期20%提升至约90%。

据投资者交流披露，X2-Flash在Skill管理与调用、系统控制与执行等智能体任务上效果接近业界万亿级参数模型，同时Token消耗不到部分大尺寸旗舰模型的三分之一。

昇腾 950：2026 年核心技术催化

科大讯飞披露已与华为团队针对昇腾 950 芯片深度对接，联合攻坚更高效模型结构、混合 Attention 机制、智能体强化学习等关键技术；公司预计在 2026 年 1024 开发者节期间，基于昇腾 950 平台发布中国首个对标业界最先进主流模型的旗舰大模型。

这将是科大讯飞 2026 年最重要的技术催化。910B 时代公司已证明国产算力能够完成主流大模型训练；950 时代若显存、带宽、算力、低精度能力与多卡互联能力进一步提升，科大讯飞有望将国产算力训练从 "追赶可用" 推进至 "接近国际旗舰模型"。需关注核心不确定性：昇腾 950 的实际供给、集群稳定性、软件生态成熟度、训练效率与模型效果仍需正式发布后验证。

3、产业本质：为什么全流程训推国产化是胜负手？“海外训练 + 国产推理" 的路径局限”

当前行业主流路径为"海外GPU训练+国产芯片推理"，短期效率优势显著——海外GPU生态成熟、训练工具链完善、主流算法可快速复现；但核心短板在于底座模型的下一轮架构升级、预训练、强化学习与多模态扩展仍受制于海外GPU供应。

科大讯飞明确指出，国际主流算法在英伟达卡上可直接实现，但在国产卡上需额外解决算子库效率优化等问题，通常需要3-6个月适配周期。这3-6个月表面是时间成本，实质是国产算力生态的工程壁垒。科大讯飞与华为长期深度合作，持续解决底层bug、算子、通信、训推一致性与分布式训练效率问题，这些工程能力正沉淀为公司相对其他模型厂商的先发优势。

当前，昇腾910B与H200存在显著硬件差距：

显存容量：910B为64GB vs H200为141GB

带宽：910B为1.6TB/s vs H200为4.8TB/s

智能体强化学习训练效率：910B采样推理操作效率较H200差距可达5倍

这表明国产算力训练并不是简单将PyTorch代码迁移，而是需要重构模型结构、算子实现、并行策略、数据管线、采样推理与后训练框架。科大讯飞在 X2-Flash上采用的 DSA+MTP、亲和国产芯片的算子与分布式训练策略，本质上是在硬件约束下重新设计模型工程路线。

6. 未来大模型格局推演与投资建议

根据当前大模型格局的演化，我们认为未来大模型发展存在三种情形：第一，闭源模型持续领先开源模型并不断拉开差距；第二，开源模型持续追赶并实现工程化真实可用；第三，transformer架构带来的模型边际提升彻底见顶，其他架构取代transformer架构成为主流。

6.1. 情景A：前沿模型继续Scaling，闭源巨头优势扩大

核心假设：前沿模型在真实复杂任务上继续拉开差距，尤其是在代码库级工程、科学研究、金融分析、法律推理、多模态视频、计算机使用和长程Agent上，闭源模型领先开源模型6—12个月以上。若这种领先能显著提高任务完成率，企业会愿意为闭源模型支付高价。

这个情景下，OpenAI、Anthropic、Google、xAI及其云伙伴最受益。GPU、HBM、先进封装、光模块、交换机、数据中心、电力和液冷继续是最确定的基础设施受益环节。

6.2. 情景B：开源模型持续追赶，模型能力商品化

此为本报告的基准假设。如果开源模型能力持续追赶，就意味着大多数商业任务具备多种模型选择，也就回到了前文提到过的情况：复杂任务用旗舰闭源模型，中等任务用便宜闭源或开放模型，敏感任务用私有化模型，低价值高并发任务用小模型或端侧模型。

模型能力商品化会降低应用开发门槛，推动更多企业把 AI 接入真实流程。这个情景下，模型层 API 毛利受压，但应用层、推理基础设施、私有化部署、RAG、数据库、安全和端侧 AI 受益。

6.3. 情景C：架构或新范式突破，Transformer 优势被削弱

这一情景概率最低，但潜在影响最大。Mamba/SSM、linear attention、RetNet、Hyena、hybrid attention、memory-augmented models、world models、neuro-symbolic AI、brain-inspired architectures 和 sparse modular systems都可能削弱纯 Transformer 的中心地位。

Mamba论文显示，选择性状态空间模型可实现线性时间序列建模，并在推理吞吐和长序列扩展上具有优势；Flash Attention则说明即使不替代Transformer，也可以通过 IO-aware kernel显著改善attention的实际效率。

但替代Transformer很难。新架构不仅要在小规模论文任务上表现好，还要在大规模预训练、多模态、后训练、工具调用、推理部署、硬件利用率、生态兼容和真实任务上全面胜出。因此更可能的路径是Transformer + MoE + hybrid attention + memory + Agent system的复合演进，而不是单一新架构完全替代。

6.4. 市场投资框架

综合来看，围绕大模型的投资框架依然是依据前文提到的AI利润池进行梳理：从大模型本身，到AI芯片（国产算力、半导体设备）、数据中心（AI服务器、光模块、PCB/交换设备、液冷/电源/电网电力设备）、AI应用、端侧AI。

当前仍处在AI基建热潮当中，利润池集中在AI硬件，建议关注AI芯片、AI服务器、光模块等AI硬件相关板块。

中远期来看，我们依然看好AI应用。尽管当前AI软件尚未迎来确定性大爆发，但随着开源大模型能力持续提升、物理AI需求倒逼行业发展，我们认为AI应用具备广阔的成长空间。