全球大模型的技术迭代与商业化——智能体应用研究系列（二）

本篇报告聚焦大模型产业，结合全球主要的大模型公司发展路径，系统梳理大模型的技术迭代演进逻辑，同时结合它们的商业化进程，对比分析不同AI大模型产品化变现的共性与差异

大模型起于Transformer，遵循“Scaling Law”在模型参数、数据、推理与学习环境四个维度持续迭代。技术路径上，大模型2023年聚焦扩参数，2024年开拓多模态，2025年愈发注重推理及长上下文能力，2026年追求Coding能力及智能体工程落地。参数规模一直是大模型迭代的焦点，但越来越多公司通过MOE架构等追求模型效率；数据维度，随着增加原始文本数据的边际效益下降，行业开始通过“更多种类数据”及“更高质量数据”拓展模型边界；大模型引入思维链，通过强化学习与长上下文能力、test-time scaling持续提升推理能力。学习环境通过构造更接近真实任务的训练和评测过程，增强模型面对未知问题时的泛化能力，代码执行是最早成熟的可验证学习环境，当前各大模型厂商纷纷通过强化Harness推动Agent规模化落地。

会员订阅与API调用是基座大模型厂商的基本盘。OpenAI依靠品牌与用户基数率先实现规模化的会员订阅；字节豆包在国内MAU持续领先，也开始了消费端订阅的商业化尝试。Anthropic一直深耕高价值企业客群，依靠Coding与Agentic场景的深耕，今年超越OpenAI成为全球ARR最大的大模型厂商；智谱GLM原创架构的高频迭代及MaaS平台的厚积薄发也在今年转化为定价权、收入结构升级和开发者生态放量。DeepSeek以“极致成本效率”为核心技术路线，不断引领架构创新，推动行业普惠。生态是大模型厂商的护城河，Google Gemini、阿里Qwen、字节豆包等充分发挥应用入口、云基础设施支撑、企业工作流嵌入等生态价值强化模型迭代和探索更多样商业化潜力。

大模型“各领风骚数百天”，竞争角逐激烈：1）技术迭代频率是否足够高；2）是否拥有自我增强飞轮，包括开发者生态、使用数据、场景反馈、分发入口和组织效率等；3）单位智能成本能否持续下降；4）是否从模型能力走向工作流替代。当模型能高效稳定替代一部分知识工作、开发工作、设计流程和内容生产流程，从“卖token”走向“卖效果”，商业化空间将会不断抬升。

投资建议：全球大模型产业技术高频迭代，今年开始全面商业化提速，会员订阅转化随模型能力提升而加速，Coding与Agentic场景落地驱动API调用激增，生态赋能逐步实现多维度全方面变现，大模型本身成为成长最快的赛道，从“吞金兽”转变为“印钞机”的奇点临近。AI算力基础设施是大模型发展的基本保障，成为制约大模型能力迭代和收入放量的关键因素。AI Infra及MaaS云服务厂商助力AI算力和应用场景落地效率提升，也将持续分享AI产业成长红利。

风险提示：技术发展不及预期；安全合规风险；AI基础设施供给不足风险等。

1. 全球大模型的技术迭代

大模型起于Transformer，遵循“Scaling Law”在模型参数、数据、推理与学习环境四个维度持续迭代。技术路径上，大模型2023年聚焦扩参数，2024年开拓多模态，2025年愈发注重推理及长上下文能力，2026年追求Coding能力及智能体工程落地。

（1）参数规模

参数规模一直是大模型迭代的焦点。2020年，Kaplan 等人提出 Scaling Law，指出模型性能与算力、参数量、数据规模之间存在幂律关系，持续投入可带来可预期的性能提升。OpenAI GPT系列率先验证该路径：GPT-1 约 1.17 亿参数，GPT-2 提升至 15 亿，GPT-3 跃升至 1750 亿，GPT-4 据第三方估算达到约 1.8 万亿。此后，GPT-5、GPT-5.5 继续向数万亿级演进，Claude、Gemini、豆包、DeepSeek、通义千问等头部模型也陆续进入万亿级参数区间。

（2）MoE架构提升模型效率

MoE架构每次激活部分参数，降低计算成本。MoE 通过“稀疏激活”机制，将模型总参数拆分为多个专家网络，并由路由器根据输入 token 动态选择部分专家参与计算，从而实现“总参数”与“实际计算成本”的解耦。Switch Transformer 于 2021 年在万亿参数级模型上验证该思路；据 SemiAnalysis 等第三方机构估算，GPT-4 也采用约 1.8 万亿总参数的 MoE 架构，推动 MoE 成为前沿模型的重要技术路线。

MoE架构的核心特征在于“参数规模大、单次激活少”。从图2中可以看到，深蓝色表示高激活频率，浅色表示低激活频率，在不同语料和语言任务中，每次推理仅有部分专家网络被明显激活，绝大多数专家保持低频调用。

DeepSeek V3 是模型效率竞争的标志性案例。DeepSeek V3总参数规模达 671B，但每个 token 仅激活约 37B 参数，在扩展模型参数的同时显著降低实际计算开销，训练成本仅约 550万美元。DeepSeek V3 在多项评测中达到开源模型领先水平，并接近 GPT-4o、Claude-3.5-Sonnet 等闭源旗舰，显示大模型竞争正在从“总参数规模”转向“模型效率/单位成本下的能力释放效率”。

早期大模型主要依赖互联网文本语料等完成训练，但随着增加原始文本数据的边际收益下降，行业开始从“更多数据”转向“更多种类数据”及“更高质量数据”。

（1）数据规模

训练数据规模与参数规模并行扩张。GPT-4训练数据估计超过 13 万亿 token，DeepSeek V3训练数据达 14.8 万亿 token，Qwen3 进一步扩至 36 万亿 token。数据规模增长提升了模型对语言、代码、专业知识和任务场景的覆盖能力，但高质量公开语料日益稀缺，数据供给正成为制约模型能力扩展的重要变量。

（2）合成数据

真实网络数据在 2024 年前后趋于饱和，合成数据成为填补缺口的核心路径。OpenAI 安全与后训练团队成员 Sebastien Bubeck 表示，o3 为 GPT-5 生成高质量合成数据，替代原始网络语料无法覆盖的复杂知识；Anthropic 官方模型确认，Claude Opus 4.7 训练数据包含其他模型生成数据；Gemini 3 预训练负责人 Sebastian Borgeaud 判断合成数据与推理轨迹将成为下一阶段 AI 能力演进的核心路径之一。三家头部厂商的实践表明，训练数据结构正从“真实网络语料为主”转向“真实数据奠基 + 合成数据补位”。

（3）数据种类

训练数据从文本向多模态拓展，再延伸至物理交互数据。

多模态是 2023-2024 年模型能力突破的重要方向。2023 年 3 月 GPT-4 发布，9 月 GPT-4V 开放视觉问答能力，11 月 GPT-4 Turbo 支持图像输入 API；同年 12 月，Google 发布 Gemini 1.0，采用原生多模态架构，实现文本、图像、音频的统一处理。多模态的意义不仅在于拓宽输入类型，也在于打开工业、医疗、图表解析和手写文字识别等更多场景。

多模态能力的爆发以 Sora 为标志性节点。2024 年 2 月，OpenAI 发布 Sora，其核心创新是将视频压缩为时空 patch 序列，并以 Transformer 统一处理不同分辨率、时长和宽高比的视觉数据。Sora 可生成最长 60 秒的高保真视频，并展现三维空间一致性、长程时序连贯性和物理世界状态变化模拟等能力，OpenAI 将其定位为“通用物理世界模拟器”的早期形态。

Seedance 2.0为多模态技术全球标杆。2026 年 2 月，字节 Seed 团队发布 Seedance 2.0，采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四类模态输入，并可同时参考多张图片、多段视频与多段音频素材，实现对构图、动作、运镜、特效和声音的综合控制。Seedance 2.0 的 VBench 综合得分达 88.5，发布时创全球视频生成模型最高纪录；2026 年 5 月 LMArena 实时榜中，其在 Text-to-Video、Image-to-Video 和视频编辑三大领域同时排名第一。

Physical AI将训练数据边界从多模态延伸至物理交互数据。除文本、图像、音频、视频外，机器人、自动驾驶和工业系统中的交互数据开始成为新一类训练资源。Physical AI 的关键不只是增强感知能力，而是让模型学习真实世界中的空间结构、时间演化、运动规律和动作后果，使AI系统具备在物理环境中感知、规划与执行的能力。

世界模型正将物理 AI 数据扩展从概念推向工程化。在物理交互数据成为新训练资源的基础上，2024 年 OpenAI 在 Sora 技术报告中提出视频生成模型可作为“通用物理世界模拟器”的路径，Google DeepMind Genie 系列进一步将世界模型从视频生成推进到可交互环境生成。2025 年 1 月，NVIDIA 发布 Cosmos World Foundation Model Platform，面向机器人、自动驾驶等场景提供视频生成、数据处理和开放模型能力，通过合成视频和仿真数据补充真实世界采集成本高、长尾场景稀缺的问题。由此，物理 AI 的数据供给不再只依赖真实世界采集，而是开始通过世界模型、仿真环境和合成数据形成可规模化的训练数据来源。

大模型推理能力提升依靠CoT、test-time compute scaling 、强化学习与长上下文能力。

CoT （Chain-of-Thought，思维链）是推理能力提升的关键机制。2022 年 1 月，Google Brain 等研究者提出 Chain-of-Thought Prompting，首次系统证明通过生成中间推理步骤可显著提升大模型在数学、常识和符号推理任务上的表现。与普通提示词不同，推理模型中的 CoT 不再只是外部 prompt 技巧，而逐步成为模型内部推理过程和后训练目标的一部分。

Test-time compute scaling 将推理阶段转化为新的可扩展计算资源。传统模型在推理阶段主要完成一次前向传播，而推理模型可以在输出答案前投入更多 token 和算力，展开更长思考链，并进行多轮校验、回溯修正和答案优化。

强化学习是训练模型“学会推理”的基础范式。尤其在数学、代码等具备客观反馈的任务中，模型可以通过奖励信号优化解题策略和自我校正能力。由此，模型能力提升不再只依赖训练阶段的参数、数据和算力扩张，推理阶段本身也成为新的 scaling 维度。

长上下文能力是大模型推理能力提升的核心基础。通过KV Cache及显存管理优化复用历史 token 的 Key/Value 状态，降低长序列生成过程中的重复计算和推理成本，使模型能够在同一上下文窗口内处理长文档、多文件代码库、多轮对话和复杂约束条件。

Kimi是国内大模型长上下文的先行者。2023 年 10 月，Kimi 率先支持 20 万汉字上下文，是国内较早将中文长文本处理能力推至实用级别的商用产品；2024 年 3 月，Kimi 上下文能力扩展至 200 万汉字，在中文法律、金融、学术资料阅读等长文本场景中形成先发优势。

OpenAI o1是推理范式形成的标志性节点。2024 年 9 月发布的 o1 引入 test-time compute scaling，在生成最终答案前执行更长的内部推理，并通过强化学习形成多步思考、自我验证和纠错能力。性能上，o1 在 AIME 数学竞赛中的正确率从 GPT-4o 的 13% 提升至 83%，在 ARC-AGI 等抽象推理测评中也明显超越前代模型。o1 的发布意味着大模型能力提升从预训练阶段的参数、数据和算力扩张，进一步延伸至推理阶段的计算扩展。

DeepSeek-R1推动推理模型从闭源前沿能力走向开源普及。2025 年 1 月，DeepSeek 以约 600 万美元训练成本发布开源推理模型 R1，在数学、代码和逻辑推理等任务上对标 OpenAI o1。R1的意义不仅在于低成本复现强推理能力，也在于验证强化学习可以有效激发长链路推理、自我反思和自我校正能力。此后，国内外主力厂商相继跟进推理模型路线，算力需求也从“以训练为主”转向“训练与推理并重”。

静态训练数据往往难以覆盖真实工程中的全部复杂性。真实场景会出现新代码库、新工具链、新业务规则、新错误类型。学习环境通过构造更接近真实任务的训练和评测过程，可以增强模型面对未知问题时的泛化能力。

（1）代码环境

代码执行是最早成熟的可验证学习环境。代码能否运行、测试能否通过，天然提供客观奖励信号，构成 RLVR 训练的理想基础。SWE-bench Verified 量化了这一跃迁：2024年初行业最高分约 22%，Claude 3.5 Sonnet于2024 年 10 月达到 49%，GPT-5 于 2025 年 8 月达到 74.9%，Claude Mythos 于 2026 年 4 月突破 93.9%。代码能力成熟后，模型可进一步调用 API、操作文件系统和控制浏览器，具备完成计算机自动化任务的技术前提。

（2）驾驭工程（Harness Engineering）

Agent工程范式正从提示词工程、上下文工程演进至驾驭工程。代码执行提供了最早成熟的可验证环境，但真实工程任务远高于单次代码生成或测试通过。模型要在长周期任务中稳定交付，需要持续理解目标、管理上下文、拆解步骤、观察执行结果，并在出错后自动修正。提示词工程解决“如何提出指令”，上下文工程解决“提供哪些有效信息”，Harness Engineering 则解决“如何让 Agent 在复杂任务中持续、稳定、可验证地运行”。

Harness Engineering 的核心是为Agent设计可控、可验证、可纠错的运行环境。2026年2月，OpenAI首次在官方博客中提出 Harness Engineering，强调通过上下文管理、架构约束和反馈机制，使 Codex Agent 能在真实软件工程中持续执行、验证和修正。其内部实验中，少数工程师通过提示词与反馈驱动 Codex，在约 5 个月内完成百万行代码级产品开发。2026年3月，Anthropic 提出 Harness design，通过多Agent 架构、Sprint Contract 和上下文重置等机制，提升Claude在长程自主开发任务中的完成度和稳定性。

Harness 是当前 Agent 工程的“集大成者”，涵盖所有围绕大模型构建的工程化执行系统。基于提示词、上下文到驾驭工程的方法论演进，LangChain 采用 Harness = Agent - LLM 公式，将 Harness 提炼为 Agent 除模型外一切使之具备任务执行能力的配套，即让 Agent 稳定运行的环境工程。

2. 海外大模型公司分析

OpenAI 成立于 2015 年，最初由 Sam Altman、Elon Musk、Greg Brockman、Ilya Sutskever 等科技界人士共同发起，定位为一家人工智能研究机构，核心出发点是推动AI发展与AGI。公司早期带有较强的公益研究色彩，后随着大模型训练成本快速上升，OpenAI 于2019 年转向“非营利治理 + 有上限营利实体”的组织结构。

截至2026年4月，OpenAI ARR由2023年约20亿美元提升至约 240 亿美元，三年增长超10倍；ChatGPT 周活达 9 亿、日活约 4 亿，付费用户超 5000万。收入结构上，消费者订阅仍为核心，Plus、Pro、Team 等贡献约60%收入；企业端渗透同步提升，92% 的《财富》500强企业已采用 OpenAI 服务，企业客户数突破100万。公司仍面临较大的算力投入压力，2025年收入约 130 亿美元，未来五年计划投入约 6000 亿美元建设半导体集群与数据中心。 2026年4月，OpenAI完成1220亿美元融资，投后估值8520亿美元。

2.1.2 技术路径：多模态、推理与Agent能力全线推进

OpenAI 是大模型 Scaling 路径最典型的实践者。GPT 系列参数规模从 GPT-1 的 1.17 亿、GPT-2 的 15 亿，跃升至 GPT-3 的 1750 亿，再到 GPT-5.5 的大几万亿。

OpenAI 是多模态的领先者。早期 GPT 系列主要依赖大规模文本语料，GPT-4 / GPT-4V 引入图像理解能力，GPT-4o 进一步打通文本、视觉与语音交互，Sora则将视频数据纳入模型能力扩展主线。GPT-5.5在多模态任务上可量化领先，MMMU Pro 得分 83.2%（含工具）、Terminal-Bench 2.0 得分 82.7%，并通过 Realtime API 与 Voice Mode实现低延迟原生语音多轮对话，体现其在视觉、代码执行和语音交互上的综合优势。

OpenAI 率先将 Test-time Compute 产品化，o1 系列是推理范式标志性节点。o1 标志模型从 Chatbot 走向慢思考 Reasoning Model，后续 o3、GPT-5 系列延续这一方向。GPT-5.5 在高难度科学与工程评测中继续保持第一梯队表现，ARC-AGI-2 得分 85.0%，SWE-bench Pro 成功率约 58.6%，HLE 达 52.2%，显示其在“复杂工具链 + 深度推理”的综合能力。

OpenAI代码能力处于第一梯队。GPT-5.5系列在 SWE-bench Pro 中得分 58.6%，在 Terminal-Bench 2.0 中得分 82.7%，展现出较强的真实工程任务执行能力；在 SWE-bench Verified 中，GPT-5.3 Codex 得分约 85.0%，处于行业第一梯队。

2026年2月，OpenAI 推出 Codex，并提出 Harness Engineering 实践，将 Codex 从单点代码助手升级为多 Agent 协同的工程执行系统。Codex使开发者能够跨项目编排多个 Agent，并行委派任务、跟踪进展和处理长周期工程工作；Codex Harness则提供底层 Agent 循环、执行逻辑、工具接入和多端协同能力。

2.1.3 商业化：订阅和企业奠定基本盘，多元变现打开增量空间

OpenAI目前的商业化历经三阶段：订阅制直接变现奠定现金流基础，定价分层提升高价值用户ARPU，广告与电商抽佣尝试将9亿周活免费用户商业化。

（1）第一阶段（2023年—2024年）：会员订阅打下规模基础

ChatGPT Plus 于 2023 年 2 月上线，定价 20 美元/月，凭借先发优势积累大规模用户，并形成高留存率的消费者订阅基本盘。ChatGPT Enterprise 于 2023 年 8 月推出，定价 60 美元/用户/月，引入 SSO、审计日志和数据隔离等能力，切入企业合规采购链。

（2）第二阶段（2024年—2025年）：阶梯定价，提高综合ARPU

OpenAI自2024年起通过多档定价重构 ARPU 结构。公司将单一20美元/月订阅扩展为多档产品线，Go 以 8 美元/月面向轻度付费用户，Pro 以 200 美元/月面向金融、科研、编程等重度用户；API 端 o3-mini 定价为输入 1.1 美元/百万 tokens、输出 4.4 美元/百万 tokens，高阶模型定价梯度进一步拉开。分层定价使 OpenAI 能在保留用户基数的同时，从高价值用户中提取更高 ARPU。

（3）第三阶段（2025年起）：企业端持续渗透，广告+电商抽佣重点布局

在订阅规模基础与定价分层体系成熟后，OpenAI的商业化重心转向存量用户的多元变现。

企业端，ChatGPT Enterprise、API、Deep Research、Codex 等产品持续进入办公、研发、金融研究和代码工程场景，推动收入结构从单一对话订阅走向“订阅 + API + 企业工作流”。此外，广告与电商抽佣是OpenAI重点布局的商业化场景。

广告：CPM定价显著高，目标2026年10亿美元

2025年上半年，OpenAI任命前Meta广告高管Fidji Simo为Applications部门CEO，同步从Google挖角广告负责人。广告位初期落于ChatGPT搜索结果页，计划扩展至对话内嵌入与产品搜索场景，并支持用户点击广告后直接与品牌方进行对话互动。

用户意图理解是广告溢价的结构性来源。CPM $60（Financial Times报道）显著高于Google/Meta的约$14，溢价明显。Google用户通常输入2-3个关键词，ChatGPT用户输入的是完整场景描述；大模型从中提取的偏好画像，使广告匹配精准度跃升一个层级。ChatGPT Pulse功能进一步主动推送个性化内容，补足传统推荐系统缺乏的深层意图理解。

电商：4%抽成，ACP打通“即时结账”闭环

2025年9月OpenAI与Stripe联合推出Agentic Commerce Protocol（ACP）。ACP的核心突破在于彻底解耦前端结账体验与后端支付处理：通过标准化共享支付令牌（Shared Payment Token）传递支付凭证与风控信号，内置风险评分区分合法AI购买与恶意爬虫，使用户无需离开ChatGPT界面即可完成即时结账。

OpenAI 陆续接入电商平台，4%抽佣模式。率先接入Etsy和Shopify，Etsy 拥有560万卖家，Shopify 商户超过100万，二者聚集大量非标品，适合通过 AI 对话完成“咨询式导购”，沃尔玛与山姆会员店也正在接入。收费模式上，据 The Information报道，商家原有支付手续费维持不变，OpenAI从交易额中额外抽取约4%佣金。全球电商GMV约$6.42万亿（emarketer统计），美国市场2025年预计$1.23万亿（Digital Commerce 360统计）。

Anthropic由前OpenAI研究副总裁Dario Amodei与总裁Daniela Amodei于2021年创立，核心团队大量来自OpenAI。公司自创立之初起，即以"AI安全"为使命，采用自研的“宪法AI”技术路线，致力于创造可靠的、可解释的和可操控的AI 系统，为其后续聚焦企业端业务的商业化战略奠定了技术基因。

截至2026年5月，公司ARR约440亿美元，超越OpenAI成为全球ARR规模最大的大模型厂商。据彭博社报道，2026年5月公司估值达9650亿美元，超过OpenAI。公司已明确IPO计划，目标2026年10月在纳斯达克上市，拟募资约600亿美元。

企业/API调用为最主要收入来源。API收入约占总收入的70%-75%，订阅约占 10%-15%。该结构反映其企业优先与安全合规定位：公司精准切入对数据隐私、稳定性和合规要求较高的企业市场，企业级合约具备高续约率、强付费意愿与较高收入质量。

2.2.2 技术路径：安全为基，Coding领先强化工程落地能力

Claude旗舰模型参数量持续迭代。 Anthropic 官方并未系统披露 Claude 系列参数规模，市场多采用第三方估算口径：Claude 3 系列中，Haiku / Sonnet / Opus 通常被估算为约 200 亿 / 700 亿 / 2 万亿参数；Claude 4 系列后，Opus 继续作为旗舰模型承接最复杂推理、代码和长程 Agent 任务，Sonnet 则在能力与成本之间取得平衡。

Anthropic 在数据侧聚焦安全对齐数据，强化模型可信壁垒。Anthropic 的数据路线更偏向安全原则、反馈数据和模型可审计性。Constitutional AI 通过预置规则集，让模型在训练阶段进行自我批判和自我修正，将安全规范转化为可追踪的训练流程。

Claude系列推理能力与 Agentic 任务持续保持领先。Anthropic的推理能力重点体现在代码、长上下文和多步骤 Agentic 任务。SWE-bench Verified（真实软件工程任务基准）榜单中Claude大多时候保持领先。

Anthropic 以 Claude Code和MCP构建 Agent 执行环境。Claude Code 对应工作流层，将模型嵌入真实软件工程场景；MCP 对应协议层，定义模型连接外部工具、数据库和企业系统的标准接口。二者分别解决“模型如何完成任务”和“模型如何连接环境”两个核心问题。

Claude Code引领Coding Agent发展。2025年2月，Claude Code以研究预览版发布，率先运行于终端环境；2025 年 5-8 月转为通用，接入VS Code、JetBrains 等 IDE 并发布 SDK；2025年9月后进一步上线 2.0、Checkpoints、Web/移动端/桌面端及 Slack、Chrome插件，升级为多入口工程Agent平台，将代码仓库、终端、IDE、测试框架和协作工具转化为可执行、可验证、可反馈的学习环境，推动 Claude 从代码生成走向工程任务执行。

MCP 丰富Anthropic Agent生态。2024年11月，公司开源 Model Context Protocol，定义模型与外部工具、数据库的标准化交互规范，支持多模型、多客户端接入。MCP为Agent提供统一工具调用和数据连接底座，也丰富了大模型应用生态。

2.2.3 商业化：企业API放量，Agent工作流抬升变现天花板

（1）第一阶段（2023年）：多云中立，卡位企业级AI入口

2023Q1公司正式启动商业化，确立多云中立战略，以API分发卡位企业级AI。公司没有绑定单一云厂商，也没有优先押注消费者订阅，而是同步接入AWS、谷歌云等等，构建跨云分发架构。相较于OpenAI深度绑定Azure、Google Gemini 强依赖GCP生态，大型企业更容易接受多云中立方案，因为其更符合供应链安全和架构灵活性的要求。

公司产品体系包括API按量付费、企业订阅和消费者订阅。

API按量付费面向开发者与企业技术团队，通过API 直接调用 Claude 模型能力。采用纯按量计费模式，以「每百万代币（MTok）」为单位，输入/输出分别计价。支持标准推理、扩展思维（Extended Thinking）、提示词缓存、批量处理等多种高级功能，适合将 Claude 集成到自有应用、工作流或自动化系统中。

企业订阅面向 5 人以上团队及大型组织，提供集中管理、安全合规、定制集成能力。分为 Team、Enterprise（自助式） 与 Enterprise（销售协助）三档，支持混合席位配置（标准/高级）、统一账单、单点登录（SSO）、审计日志、数据驻留控制等企业级功能。可按需叠加 API 用量，实现「订阅 + 按量」混合计费。

消费者订阅面向个人用户，按月/年订阅，固定费率，不按 token 计费，提供 Web、iOS、Android、桌面端全平台访问。采用阶梯式订阅制，按功能权限与用量额度分级，支持按月/按年付费。所有计划均包含基础聊天、文件分析、代码生成、联网搜索等核心能力，高阶计划解锁更多用量、高级模型与优先服务。

（2）第二阶段（2024年）：战略性收敛多模态与消费者端投入，All-in企业端

2024年Anthropic将战略重心收敛至Coding与Agentic场景。公司主动收缩多模态、消费者订阅和泛娱乐业务，将研发资源投向高价值企业级任务。受益于场景渗透加速，2024年公司ARR由年初不足1亿美元升至年底9.5亿美元。

（3）第三阶段（2025至今）：从vibe coding到构建Agent OS生态

Claude Code实现生产力变革。高价值Coding场景的效果实现推动大模型商业化逻辑从传统“DAU × ARPU”转向“Token消耗量 × 任务单价”。财务表现上，Claude Code ARR由2025年底约11亿美元升至2026年2月约25亿美元。公司ARR于2026年5月达440亿美元，在低消费者订阅基数下实现对 OpenAI 的规模反超，验证了高客单价企业任务的创收驱动。

开源MCP标准接口，卡位生态关键枢纽。公司于2024年11月推出Model Context Protocol，定义大模型与外部工具及数据库的标准化连接规范，截至2025年3月，第三方MCP Server数量突破1,200个，Microsoft Power Platform、Atlassian 和 Salesforce等主流SaaS厂商相继宣布原生支持。

Claude Skills将企业 SOP （标准化工作流程）产品化：把原本写在文档里、依赖人执行的流程，封装成 AI Agent 可自动调用、可复用、可校验的能力包，推动企业从“知识数字化”走向“流程智能化”。

场景层纵深切入跨职能协作与核心业务流，深度挖掘高净值客群。Cowork将代码生成能力延伸至跨团队协同，客群从开发者拓至企业级知识工作者。Claude in Excel 嵌入 Microsoft 365，切入金融建模和数据分析高频工作流。金融服务专项版本进一步内置实时数据连接器和DCF模型技能，做深高ARPU垂直行业客户。

从IT预算迈向人力薪酬预算的价值重估。Claude Code客户案例显示生产力变革效果：Stripe将原预计10个工程师周的代码迁移任务压缩至4天完成；Wiz将约 5万行代码迁移耗时压缩至约20小时。Anthropic有望率先在基础大模型厂商中推动从“Token售卖”到“数字劳动力交付”的商业模式升级。

Gemini是Google DeepMind主导研发的原生多模态大模型，该系列支持文本、图像、音视频与代码的跨模态联合建模和推理，其模型体系从早期 Ultra / Pro / Nano 逐步扩展至 Pro、Flash、Flash-Lite、Deep Think 等层级，分别面向旗舰推理、高频低成本调用、端侧部署和复杂任务推理等场景。

Google Gemini的长期护城河来自Google生态：拥有13款用户量超过10亿的产品，其中5款用户量超过30亿，覆盖搜索、Android、YouTube、Gmail、Google Play和Google Drive等核心服务。Gemini一方面通过Google Cloud API向企业客户开放，另一方面接入搜索、Workspace、Android 终端等，形成“模型即服务 + 云原生应用”的闭环生态。

2.3.2技术路径：原生多模态，以合成数据精进模型效率

Google以万亿级模型延续参数Scaling。Google最早PaLM参数规模已达5400亿，据第三方估算，Gemini 1.0 Ultra约1.5万亿参数，Gemini 2.5 Pro约1.15万亿参数。

Gemini 以原生多模态扩展数据边界。Gemini 1.0即采用原生多模态架构，区别于“文本模型 + 视觉/音频模块”后置拼接方案，模型从预训练阶段即统一处理文本、图像、音频、视频和代码，使各模态共享同一表征空间。Gemini 2.0 进一步支持图像、视频、音频等多模态输入，并新增原生图像生成、文本与图像混合输出、多语言语音输出等多模态输出能力。Gemini 3 Pro则进一步强化文档、空间、屏幕和长视频理解能力，从“输入模态扩展”走向“复杂视觉与空间推理”。

Google以高质量数据与合成数据提升模型训练效率。在公开互联网语料边际趋紧的背景下，Google持续将数据侧重点从单纯扩大网页语料，转向高质量样本、合成数据和可验证推理轨迹。Gemini 3 预训练负责人 Sebastian Borgeaud 认为，AI 训练正从“无限数据时代”进入“数据受限时代”，未来模型能力提升将更加依赖高质量数据筛选与合成数据构造等等。合成数据可用于补充数学、代码、科学推理和多模态理解等稀缺任务样本，推理轨迹则有助于模型学习更稳定的分步思考和问题求解路径。

Google 以长上下文和深度思考强化复杂推理能力。Gemini 1.5 Pro将上下文窗口提升至100万token，并在后续扩展至200万token。Gemini 2.5 Pro进一步强化推理能力，其在Humanity’s Last Exam、GPQA、AIME、LiveCodeBench、SWE-bench Verified 等数学、科学、代码和 Agentic coding 基准中表现领先。2025年11月发布的Gemini 3 Pro在 ARC-AGI-2、SWE-bench Verified 和 GPQA Diamond 三项基准上表现突出。2026年初迭代的 Gemini 3.1 Pro 进一步将测评指标提升。

Gemini 3.5 Flash体现了Google在速度、成本和Agent能力之间的平衡。2026年5月Google I/O大会上，Google发布 Gemini 3.5 Flash，定位高频调用场景，推理速度较Gemini 3.1 Flash 提升约4倍，定价较同级别模型低约50%，并在 Terminal-Bench 2.1等代码执行基准上得分76.2%。同时，公司进一步升级AI Mode ，并推出 Gemini Spark，分别将搜索推向多步骤任务执行，并向消费者开放跨应用调度能力。

Google Gemini在Agent推进落地上保持开放。2024年12月发布的Gemini 2.0定位为面向Agent时代的新模型，原生支持工具调用、多模态交互和复杂任务执行，2025年4月，Google 推出 Agent Development Kit（ADK），作为开源Agent开发框架，支持开发者构建、调试和部署可靠的多Agent系统。2025年6月，Google发布Gemini CLI，将Gemini作为开源AI Agent接入终端，用于编码、问题求解和任务管理。官方文档显示，Gemini CLI 采用 ReAct 循环，可结合内置工具和本地/远程MCP servers完成修复Bug、新增功能等复杂任务。

2.3.3 商业化：依托现有广告、云和订阅生态实现商业化

Google依靠生态优势，通过广告、Google Cloud与多端订阅实现商业化。与独立大模型公司不同，Google不需要完全重新构建用户入口，而是可以将 Gemini 嵌入搜索、YouTube、Workspace、Android、Chrome 和 Google Cloud 等高频场景，在既有流量、办公和企业IT体系中完成AI功能分发与商业化转化。短期可见云收入的兑现和搜索广告韧性，长期可期待AI带来的生态协同价值潜力。

（1）广告

广告仍是Google AI商业化的基本盘。Google持续将Gemini能力深度嵌入搜索，通过多代AI搜索功能的迭代，将搜索从关键词检索工具重构为覆盖信息获取、任务执行与商业交易的全链路Agent入口。AI Overview于2024年5月I/O正式推出，在搜索结果页顶部直接生成AI摘要，提高用户获取信息的质量，截至2026年5月月活已达25亿。AI Mode于2025年5月I/O推出，支持多轮对话式搜索与多步骤复杂任务执行，截至2026年5月月活突破10亿。

Google正通过搜索、购物、预订和编程Agent重塑搜索入口价值。2026 年 5 月 I/O 上，Google 推出 Search Agents、购物 Agent、预订 Agent 与 Agentic Coding：Search Agents 可在后台监控特定信息变化并主动推送更新；购物 Agent 支持全网比价与选品；预订 Agent 覆盖餐饮、美容、家居维修等本地服务；Agentic Coding 则可为用户生成定制化可视化工具和交互仪表盘。

AI搜索提升了Google广告库存和单次曝光价值。Google管理层在 I/O大会上表示，用户使用AI搜索功能后，搜索频次反而更高，从而带动广告库存扩张。同时，AI 对完整场景描述的理解强于传统碎片关键词，可提升广告匹配精准度；购物和预订Agent的落地，则将搜索延伸至交易闭环。2026 Q1，Google 搜索及其他广告收入达 604 亿美元，同比增长 19%，缓解AIGC颠覆搜索的顾虑。

（2）Google Cloud

企业对AI基础设施的采购需求已转化为高可见度订单积压：2025Q4，Google Cloud 收入177 亿美元，同比增长48%，期末积压订单约2400亿美元；2026Q1，收入进一步增至200.3亿美元，同比增长63%，积压订单扩大至逾4600亿美元。

Gemini API调用量和企业客户使用深度快速提升。截至2026年5月，Google AI模型月token处理量达3200万亿，较2025年5月增长约7倍；API调用吞吐达190亿tokens/分钟，活跃开发者达850万/月。过去12个月内，超过375家Google Cloud企业客户各自处理token量超过1万亿。

（3）订阅

Google全系付费订阅用户池为Gemini商业化提供基础。截至2026Q1，Google全系付费订阅数达到3.5亿（主要由YouTube和Google One驱动），已具备庞大的存量付费用户池。企业端，Google于2025Q4披露Gemini Enterprise已售出超过800万个付费席位，覆盖2800多家公司；2026Q1，Gemini Enterprise付费月活用户进一步环比增长40%。同时，Gemini App月活用户从2025年5月的4亿提升至2026年5月的9亿，同期日均请求量增长超过7倍；Nano Banana系列图像模型累计生成超过500亿张图像。整体来看，Gemini通过个人AI订阅、Workspace办公入口和Gemini Enterprise企业席位三条订阅路径共同推进商业化。

3. 国内大模型公司分析

Qwen是阿里巴巴通义团队研发的大模型系列，自2023年发布以来持续迭代，已形成覆盖基础语言、多模态、代码、数学、音频和智能体等方向的模型矩阵。Qwen 依托阿里云算力基础设施、开源开发者生态和阿里系应用场景，形成“开源模型—云端 MaaS—应用场景”的协同体系。

3.1.2 技术路径：从开源迭代到专项增强，持续追赶

保持开源，持续迭代。2023-2024年，Qwen / Qwen2 / Qwen2.5系列持续开源，其中Qwen2-72B旗舰版发布后迅速登顶Hugging Face开源榜，超越Llama3-70B。2025年Qwen3引入MoE，2025年9月，阿里发布Qwen3-Max，据Reuters报道参数规模超过 1 万亿，并在代码生成和自主智能体能力上表现突出。

千问以通用语料扩容和专项数据增强夯实模型底座。2024年，Qwen2.5 预训练数据从约 7T tokens 扩展至 18T tokens；2025 年，Qwen3 进一步提升至约 36T tokens，并覆盖 119 种语言和方言，强化通用问答、多语言和专业任务能力。专项数据方面，Qwen2.5-Coder使用超过5.5T代码相关tokens继续训练，强化代码生成、代码推理和代码修复能力；Qwen-VL、Qwen-Audio、Qwen-Omni 等多模态系列则进一步引入图像、音频、视频和跨模态数据，使千问从通用文本模型扩展至代码、数学、多模态和 Agent 任务。

千问持续强化 Agentic Coding 与长程任务。 2024 年，Qwen2.5-Coder / Math 分别强化代码和数学专项能力。2025年7月后，Qwen3-Coder 面向 Agentic Coding、工具调用和代码库任务强化。2026年5月，Qwen3.7-Max进一步定位为面向 Agent 任务的旗舰模型，在 SWE-bench Verified 得分80.4，并在 MCP-Mark、MCP-Atlas 等工具调用和智能体任务基准上表现领先。

千问以Qwen3-Coder /通义灵码切入Coding，以Qwen-Agent、百炼构建Harness。 2025年，Qwen3-Coder面向 Agentic Coding、工具调用和代码库任务强化，通义灵码则将模型嵌入代码补全、调试、测试和研发工作流，使代码运行、测试通过和 Bug 修复成为可验证反馈。2024-2025年，Qwen-Agent 提供工具调用、规划、记忆、浏览器助手和代码解释器能力；阿里云百炼 / Model Studio 承接知识库、RAG、工具接入和工作流编排，推动千问进入企业知识库、业务系统和多步骤任务流程。

3.1.3 商业化：开源引流，规模优势拓客，生态变现

Qwen通过开源绑定开发者生态，以价格优势拓宽客户群体，依托百炼MaaS平台、模型精调、私有化部署和行业解决方案，以及阿里系应用生态实现订阅、API调用及应用赋能的全方位商业化。

阿里云规模经济优势，降价推动市场渗透。2024年5月，阿里云将主力模型 Qwen-Long 输入价格从 0.02 元/千 Token 下调至 0.0005 元/千 Token，降幅达 97%，同期使用成本约为 GPT-4 的 1/400；旗舰模型 Qwen-Max 也同步降价 67%。这一策略以阿里云规模效应为支撑，将竞争重点从单纯算法能力转向算法与算力供应链并重，加速行业格局分化。

Qwen的开源生态已形成全球开发者规模优势。截至 2026 年 1 月，Qwen 家族在 Hugging Face 的累计下载量已达 7 亿次，成为全球最受欢迎的开源模型系列之一；截至 2025 年 9 月，基于Qwen 基座在 Hugging Face 上产生的衍生模型数量超过 17 万个，位居全球第一。

阿里云百炼承接Qwen开源生态带来的企业级模型调用和部署需求。2026财年第四季度，阿里云收入416.26亿元，同比增长38%，其中AI相关收入达89.71亿元（涵盖 AI基础设施、模型服务和AI原生解决方案等多类收入），占比首次超30%。同期，MaaS平台百炼客户数量同比增长8倍。

千问App旨在打造消费者AI场景超级入口。截至2026年2月，千问 App月活突破3亿；同时，Qwen App开始整合淘宝、支付宝、高德、飞猪等阿里系服务，支持订餐、旅行预订、支付等真实任务。

与Google类似，阿里的云基础设施及应用生态是Qwen大模型的竞争优势。随着大模型向Agent工作流自动化、行业知识引擎和端云协同架构演进，Qwen有望通过标准化 API、垂直行业模型和软硬一体化方案，嵌入企业数字化核心链路，形成“模型能力-云服务-场景Agent”的商业闭环。同时，Qwen与淘天等阿里核心业务流协同，有望推动实现消费端AI OS的生态协同变现。

3.2.1 公司简介

DeepSeek成立于2023年，由国内头部量化机构幻方量化创始人梁文锋主导孵化。公司依托自研MLA（多头注意力）架构、动态MoE稀疏化等技术，在训练效率与推理成本控制引领行业突破，稳居中国大模型第一梯队及全球开源头部阵营。

3.2.2 技术路径：引领架构创新，追求极致效率

DeepSeek以“极致成本效率”为核心技术路线，V系列持续迭代通用底座架构效率，R 系列以强化学习推理模型重塑行业能力上限。

DeepSeek 持续Scaling参数，旗舰模型已进入万亿参数区间。DeepSeek早期从 DeepSeek-LLM-7B、67B 起步，2024年5月DeepSeek-V2 扩展至236B总参数，2024年12月V3提升至671B总参数，2026年4月DeepSeek-V4-Pro进一步达到 1.6T 总参数、49B 激活参数，并支持 1M token 上下文。

通过 MoE + MLA 追求极致性价比。DeepSeek-V2 采用 236B 总参数、21B 激活参数，DeepSeek-V3 扩展至 671B 总参数、37B 激活参数，V4-Pro 进一步提升至 1.6T 总参数、49B 激活参数，延续“大总参、小激活”的路线。V4-Pro 处理超长上下文时 KV Cache 仅需传统 Transformer 的约 2%，同等性能区间内，V4-Pro的输出成本约为 Claude Opus 4.6 的七分之一，V4-Flash的输出成本约为 Claude的百分之一。

DeepSeek 以高质量语料和专项数据提升训练效率。DeepSeek-V2 使用 8.1T 高质量、多来源 tokens 预训练；DeepSeek-V3 提升至 14.8T tokens；DeepSeek-V4 系列进一步扩展至 32T+ tokens。专项数据方面，DeepSeek-Coder-V2 在 V2 中间 checkpoint 基础上额外引入 6T 代码相关 tokens，强化代码生成、代码理解和数学推理能力。

DeepSeek-R1以强化学习验证低成本reasoning 路线。 2025年1月，DeepSeek 发布 R1-Zero 和 R1，成为行业推理范式普及的关键节点。R1-Zero 直接通过大规模强化学习训练推理能力，在没有监督微调冷启动的情况下涌现出数学、代码和逻辑推理行为，验证了“纯强化学习驱动推理能力形成”的可行性。DeepSeek-R1 在性能上接近 OpenAI-o1，使高阶推理能力不再只由闭源高价模型掌握。

DeepSeek正从开源走向完善Harness推动Agent落地。2026年4月，DeepSeek-V4-Pro 发布，强化复杂任务、竞赛编程和 Agentic Coding 能力，在开源 Agentic Coding benchmark 中达到领先水平。2026年5月，DeepSeek公开招聘 Agent Harness 工程师与产品经理，招聘信息中明确提出“Model + Harness = Agent”，并表示正在将前沿模型能力转化为Agent产品，模型之外的环境封装、约束、验证、纠错和收敛均属于Harness范畴。

DeepSeek近期开始融资，将Agent产品化商业化提上日程。公司此前长期依托幻方量化及创始人梁文锋的资金支持，坚持低调研发和开源路线，近期进行首轮外部融资，据Reuters报道，拟募资约500亿元（估值3500-4000亿元），投资方包括腾讯、宁德时代、国家级AI产业基金等，资金主要用于算力基础设施、模型迭代、人才激励和商业化体系建设。DeepSeek估值反映市场对其技术影响力和成本效率路线的认可。公司在开源模型、低成本训练、MoE架构效率和推理模型扩散方面引领全行业，中长期成长性取决于能否将技术影响力转化为持续商业化能力。

3.3.1 公司简介

字节AI在内容、办公和消费互联网场景的统一入口。豆包由字节跳动于2024年正式对外规模化推出，定位为智能交互助手，并依托字节自研大语言模型架构，在中文语义理解、多模态内容生成、代码辅助和垂直场景推理等方面形成完整能力栈。豆包与字节流量和生产工具生态深度耦合：可连接抖音、飞书、剪映、今日头条等核心场景，一方面获得大规模用户入口和内容分发能力，另一方面可嵌入办公协同、视频创作、信息消费和商业营销等高频工作流。这使豆包不只是独立聊天助手，而是字节 AI 能力在内容、办公和消费互联网场景中的统一入口。

3.3.2 技术路径：多模态领先，全方面齐头并进构建完整能力栈

字节豆包旗舰模型已进入万亿参数区间。2025年4月，Seed-Thinking-v1.5 采用 MoE架构，总参数约2000亿、激活参数约200亿；2026年2月，Doubao-Seed-2.0 发布，第三方报道显示其参数规模约1万亿。

豆包语言、语音、视觉几乎同步迭代，全模态模型线成型。Seedream系列面向图像生成与编辑，强化中文语义理解、文字渲染、指令式编辑、主体保持、多图组合和高分辨率输出能力；Seedance系列面向视频生成，提升文生视频、图生视频、多镜头叙事和音视频一致性能力；Seeduplex 强化实时语音与双工交互，Seed3D则将模型能力延伸至3D内容生成。字节形成了覆盖文本、图像、视频、语音和3D的全模态技术布局。

多模态技术当前全线领先，Seedance 2.0确立视频生成全球标杆。Seedance 2.0（2026年2月发布）VBench综合得分88.5，发布时为全球所有视频生成模型最高纪录，支持2K分辨率、原生音频生成、多镜头叙事；2026年5月LMArena实时榜，Seedance 2.0在Text-to-Video、Image-to-Video、视频编辑三大领域同时包揽第一，是当前AI视频生成的行业标杆。

豆包Seed-2.0强化长链路Agent与专业任务能力。 2025年，Seed-Thinking-v1.5 通过强化学习提升数学、代码和科学推理能力，在AIME 2024、Codeforces、GPQA 等任务中表现突出；2026年，Doubao-Seed-2.0进一步将模型能力推向长链路Agent和复杂专业任务，在数学推理、视觉感知和视频理解等维度处于领先位置，并在 ICPC、IMO、CMO 三项竞赛评测中达到金牌水平，在 GDPVal-Diamond、AInstein Bench 等复杂专业任务基准中进入第一梯队。

豆包将“深度思考”延伸至图像、视频和GUI场景。与纯文本推理不同的是豆包的多模态推理：模型不仅要理解文字指令，还要识别图像主体、保持人物和商品一致性、判断视频运动逻辑、处理音视频同步，并在 GUI 场景中理解界面、规划操作和执行任务。

Trae是字节Coding Agent 的核心工程入口。2025年，字节推出AI编程工具Trae，将豆包模型能力嵌入真实开发环境，覆盖代码生成、项目理解、跨文件修改、调试和任务执行等流程。2025年11月，Doubao-Seed-Code面向Agentic Coding发布，并通过Trae等开发者工具进入软件工程工作流。Trae把模型从聊天框放入代码仓库、IDE 和开发流程，使豆包从“辅助写代码”走向“参与完成开发任务”。

3.3.3 商业化：C端入口+B端MaaS+综合生态变现

字节豆包大模型延续其产品方法论：先用低门槛产品做大入口和使用频次，再用模型货架承接不同场景需求，同时将AI 能力嵌入内容生产、广告营销、软件开发和企业服务等既有生态链路。

企业侧MaaS高调用量推动火山引擎份额跃居第一。2025年上半年火山引擎公有云大模型服务市场份额升至49.2%，位居国内第一。2025年9月，豆包大模型日均 Token处理量达30万亿，较2024年5月发布时增长253倍。火山引擎2025年底累计Token消耗破万亿的头部企业达100家，规模化客户群体已初步形成。

豆包阶梯定价，加速AI消费端商业化。2026年5月，豆包在保留免费版基础上推出标准版、加强版和专业版三档方案，价格分别为 68 元/月、200 元/月和 500 元/月。付费服务聚焦 PPT 全自动生成、影视制作、长文档解析等高算力消耗场景，免费版继续覆盖查资料、写短文案和基础闲聊等日常需求。

字节生态为豆包商业化提供了更大的场景承接空间。豆包App负责用户入口，火山方舟承接企业API调用，扣子承接智能体搭建，即梦、剪映、CapCut承接图像和视频创作，Trae、MarsCode切入研发流程，飞书连接办公协作场景。依托字节的生态链，豆包的商业化将远不止于会员订阅与API调用，而是将模型能力转化为内容生产、广告营销、电商运营、客户服务和软件开发中的可计费工作流。

3.4.1 公司简介

智谱2019年由清华KEG实验室团队创立，2020年率先推出自研GLM架构布局通用大模型，现已形成自然语言、代码、多模态、智能体四大产品矩阵。商业化落地快速推进，客户规模、设备覆盖高速扩张，截至2026年5月，服务超12000家机构客户，覆盖4500万开发者，终端设备约8000万台，业务遍及218国。

3.4.2 技术路径：开源友好，深耕 MaaS 一体化平台

智谱保持开源开放，GLM系列基础模型高强度持续迭代。2021年发布GLM-10B，同步启动MaaS产品与商业化平台研发；2022年组建专项团队，一方面落地国内首个千亿参数闭源大模型GLM-130B，另一方面推进 MaaS 商业化平台搭建；2023年推出ChatGLM 并上线C端产品智谱清言；2024年落地GLM-4、GLM-4V、CogVideoX、GLM-4-Plus、GLM-4-Voice等多模态；2025年推出 GLM-Realtime、GLM-4.5/4.5V/4.6；2026年迭代上线GLM-5、GLM-5.1及高速版本。自GLM-4.5 开始，GLM持续在海内外权威评测稳居国内及开源赛道头部，跻身全球大模型第一梯队。

GLM-5 是智谱工程能力和长程任务能力的阶段性集大成者。2026年2月11日发布的GLM-5模型，在Coding与Agent能力上已达到当时开源领域的SOTA水平，其在OpenRouter的调用排名稳居前五，在开发者群体中维持了极高的采用率与使用频率。从各项深度评测结果来看，GLM-5在多个关键的工程指标上已经完全对齐了Claude Opus 4.5，甚至在部分复杂维度上表现出了接近或超越竞争对手的实力。随后，公司于2026年4月8日进一步发布了旗舰开源模型GLM-5.1，该版本在长程复杂任务的处理能力上实现了再度升级，进一步巩固了其技术护城河。

激烈竞争环境下的模型定价也反映了行业对GLM模型能力的认可。目前，GLM-5.1在价格上显著高于国内主流推理模型，反映出其在代码、智能体、长程任务及高速推理场景下的稀缺技术溢价。

智谱的产品业务演进路线：先用GLM原创架构建立底层能力，再通过“通用模型→多模态→反思/推理→Agent→Coding→全球MaaS平台”逐层抬升能力边界，最终把技术迭代转化为定价权、收入结构升级和开发者生态放量。2025年智谱率先完成了从Vibe Coding到Agentic Engineering的跨越。AI不再只是代码生成器，而是具备自主规划、测试与迭代能力的数字工程师。从GLM-5开始，智谱将模型能力重点放在Agentic Coding、OpenClaw等场景，产品路线转向任务式执行。

3.4.3 商业化：从项目制交付转向MaaS/API和Agent订阅

从“本地化部署”的项目制收入，转变为“云端MaaS/API+Coding Plan+Agent订阅”驱动的可持续性收入结构，收入质量及规模化能力全面改善。模型能力提升后持续提价：GLM-4.6、GLM-4.7较GLM-4.5提价50%，GLM-5较GLM-4.7进一步提价约60%，到2026年3月API整体定价较2025年末累计提升83%，但调用与用户仍在增长。智谱并未在每个阶段都追求最热的消费级爆款，而是较早确定了B端生产力场景为核心落点，围绕政企、本地部署、MaaS平台、编程和Agent逐步推进，始终强调推理、代码、工具调用、长程任务和企业可部署性。

第一阶段：以本地化部署和定制化项目夯实政企客户

公司围绕政企、金融、能源、运营商和央国企等客户，承接数据安全、私有化部署、行业知识适配和定制化开发需求。该阶段帮助智谱建立高质量客户基础和行业知识沉淀，但项目制交付较重，收入规模化和边际利润释放受到一定约束。

第二阶段：商业模式全面转向MaaS及订阅。

智谱2025年全年收入达到7.24亿元，同比增长131.9%。2026年3月API业务年化ARR已达2.5亿美元，过去12个月提升60倍。上市时，公司收入拆分为本地化部署和云端部署，2025年报调整为企业通用大模型、企业智能体、开放平台及API、技术服务及其它。Agentic AI驱动Token消耗爆发与商业化加速，模型迭代与定价权确立，实现量价齐升，开放平台及API业务已成为公司核心增长引擎。模型能力驱动的持续涨价、模型推理效率提升、算力规模效应等将推动这一业务毛利率快速提升。

企业级通用大模型：公司向企业客户提供的核心基础大模型产品本身，主要对应大模型的私有化构建与部署服务；

企业级智能体 (Agent)：在通用大模型基础上的进阶应用，是为复杂的企业场景构建的自主智能系统，以通用大模型为核心大脑，结合了企业的私有知识库和工具调用能力，具备记忆、任务规划和执行反馈机制，能够模拟人类专家的思维模式，自主理解指令、拆解任务并调用外部API工具来完成业务闭环；

开放平台及API：公司向开发者和企业客户提供的标准化云端在线服务，通过应用程序编程接口(API)、软件开发工具包(SDK)及模型即服务(MaaS)平台，将底层大模型复杂的算法能力转化为便捷的云端服务；

技术服务及其他：基于通用大模型底层技术，向开发者和企业客户提供的专业技术服务。重点包括大型模型领域的专业技术咨询、资源对接、技术交流以及协同创新支持等。

第三阶段：企业级Agent和效果交付成为后续成长方向。

智谱在2025年年报和业绩会上对未来的技术与商业化方向表述为：

从Vibe Coding走向Agentic Engineering；

从短任务Agent走向Long-horizon Tasks；

从对话接口走向LLM-OS / Autonomous OS。

智谱的中长期成长在于“智能上界”、LLM-OS和Token出海。公司提出“AGI商业价值 = 智能上界 × Token消耗规模”，持续领先的模型能力是公司获取高价值客户、建立定价权和实现长期增长的根本驱动力。未来的计算平台将不再是App的堆叠，而是由Agent矩阵构成的LLM-OS，在该范式下，大模型将成为智能的调度者，直接理解用户意图、拆解长程任务并调度全栈资源。智谱不仅局限于国内市场，还通过“主权 AI”模式向海外输出国家级大模型基础设施。

3.5.1 公司简介

MiniMax是国内较早系统布局全模态大模型并以全球化为核心战略的AI公司。公司成立于2021年，由闫俊杰博士与貟烨祎女士联合创立，并于2026年1月在香港联交所主板上市。公司产品体系覆盖文本、语音、视频、音乐等多模态能力，并逐步向Coding、Agent 和 AI-native Workspace 等生产力场景延伸。截至2025年底，MiniMax累计服务逾2.36亿个人用户，覆盖200余个国家及地区，企业及开发者客户超 21.4 万；2025年全年收入7,903.8万美元，同比增长158.9%，其中超过70%来自国际市场。

3.5.2 技术路径：强化全模态能力，落地AI原生产品

MiniMax已成功构筑起具备全球竞争力的全模态大模型矩阵。

M系列大语言模型：采用高效 MoE 架构，并引入“交错思维”推理框架，使模型能够在百万 token 级长上下文中交替进行推理与行动，覆盖编程、复杂工具调用和自动化办公等任务。最新版本在多步骤任务执行中具备较强稳定性和自我纠错能力，并将推理成本压低至每秒 100 token 输出连续工作一小时约 1 美元，为企业级和消费级 Agent 应用提供高性价比选择。

Hailuo系列视频生成模型：Hailuo 2.3在训练与推理效率上较前代进一步提升，核心优势在于复杂动态、物理规律和细节控制能力。模型可较好处理体育动作、镜头运动、人物微表情等高难度场景，并原生支持 1080P 高清画质和多样艺术风格，有助于降低影视、广告和短视频内容生产门槛。

Speech系列语音交互模型：该系列通过可学习编码器提取音色特征，降低对发音词典和繁琐转录的依赖，支持高相似度音色复刻、多语种语音合成和情感控制。最新 Speech 2.6支持40多种语言，可还原口音、语调和情绪变化，并将响应延迟降至接近实时水平，适用于智能语音助手、实时通信和高频交互场景。

Music系列音乐生成模型：支持用户通过自然语言控制音乐风格、人声音色和乐器编排，覆盖流行、爵士、摇滚等多种曲风及复杂演唱技巧。最新版本单次可生成最长5分钟的完整曲目，并在人声质感、空间混音和伴奏编排上持续优化，可应用于有声书配乐、游戏音频、数字人互动和大众娱乐创作场景。

MiniMax消费者端产品包括Talkie/星野、海螺AI、MiniMax Agent和MiniMax语音，企业端产品包括MiniMax开放平台与其他基于AI的定制化企业服务。

Talkie（国际） / 星野（国内）是全球热门的AI原生互动平台，用户可以高度自定义虚拟角色（智能体）的外观、性格和语音，并与具备记忆、情绪动态的虚拟角色进行极具沉浸感的情感互动与共创。用户日均使用时长超70分钟；截至2025年9月止九个月平均MAU 2,005万，付费用户139万，付费转化率约6.9%。

海螺AI全面集成了Hailuo-02视频模型的旗舰创作平台。它为内容创作者、广告主等提供直观易用的工具，支持实时生成高分辨率、视觉冲击力强的图像和视频。2025年前三季度平均MAU达565万（较2024年全年均值217万增长约160%），截至2025年底累计生成视频逾6亿个，付费用户31.1万，是增速最快的产品线，每MAU收入约为Talkie的3.5倍。

MiniMax开放平台面向全球企业客户和开发者提供的可扩展AI服务平台。客户可借助标准化的API接口（涵盖文本、语音、视频、音乐及MCP API），将MiniMax的全模态大模型能力直接集成到自身的智能终端、医疗、文旅、金融等行业应用中。截至2025年底，累计服务21.4万企业及开发者客户，其中高净值付费客户（单期API消耗≥50美元）2,500家。

3.5.3 商业化：原生消费端订阅+开放平台API

MiniMax已形成AI原生产品与开放平台双引擎收入结构。AI 原生产品收入占比从 2023 年的 22% 提升至 2024 年的 71%，2025 年仍维持在 67%；开放平台及其他基于 AI 的企业服务收入占比则从2024年的29%回升至2025年的 33%。

公司客户和开发者数量明显扩张且高度全球化。截至2025年末，累计服务超过 200个国家及地区的逾2.36亿名个人用户，以及21.4万家企业客户和开发者。2025 年全年公司73.0%收入来自中国内地以外市场，说明Talkie、海螺 AI、语音与视频生成等产品已经具备较强全球化变现能力。

MiniMax正从 AI 陪伴和内容消费延伸至 Agent、Coding 和办公生产力场景。随着 M2、M2.5 等模型在 Coding、复杂 Agent 和多步骤任务执行能力上提升，公司商业化开始从多模态内容消费进一步进入软件工程、办公自动化和 AI-native Workspace 等高价值场景。2026 年 2 月，M2 系列文本模型平均单日 Token 消耗量已增至 2025年12月的6倍以上，其中 Coding Plan消耗量增长超过10倍；M2.5 将复杂 Agent 每小时运行成本压低至约1美元，Hailuo 2.3 Fast 则将批量创作成本最高降低约50%。

4. 投资建议&风险提示

投资建议

全球大模型产业技术高频迭代，今年开始全面商业化提速，会员订阅转化随模型能力提升而加速，Coding与Agentic场景落地驱动API调用激增，生态赋能逐步实现多维度全方面变现，大模型本身成为成长最快的赛道，从“吞金兽”转变为“印钞机”的奇点临近。

AI算力基础设施是大模型发展的基本保障，成为制约大模型能力迭代和收入放量的关键因素；AI Infra及MaaS云服务厂商助力AI算力和应用场景落地效率提升，也将持续分享AI产业成长红利。

风险提示

前沿技术路线收敛缓慢及工程化落地不及预期风险：尽管大模型与Agent架构持续迭代，但底层技术路线尚未完全收敛，不同厂商在训练策略、评测标准及多模态对齐方法上存在显著差异。若核心算法在复杂业务场景下的稳定性、长上下文推理效率或自主规划能力未能如期突破，可能导致产品体验与商业化预期出现落差。此外，从实验室Demo到工业级高可用系统的工程化转化周期较长，数据治理、系统耦合及算力调度等环节的瓶颈可能拖慢整体产业化节奏，使得技术红利向生产力转化的效率不及市场乐观预期。

企业端AI预算释放迟缓及合规风险：企业对数据隐私、系统安全性要求极高，若AI Agent在核心业务流中的容错率未达预期，可能导致企业端AI采购预算释放滞后。此外，AI生成内容的版权争议、数据确权及多国监管合规政策的变化，均可能对行业发展造成阶段性扰动。

AI算力基础设施产业链供给不及预期风险：全球AI算力存力供给紧张，可能制约大模型的商业化发展。当前大模型产业链仍处于高投入期，上游算力租赁成本高企、中游基础模型API陷入价格竞争、下游应用层付费转化率低等问题并存。

感谢实习生李英华对本篇报告的贡献！

AI-Big data-Cloud 

刘玉萍

liuyuping@cmschina.com.cn

周翔宇

zhouxiangyu@cmschina.com.cn

孟   林

menglin@cmschina.com.cn

扫描下方二维码

关注“招商计算机团队”微信公众号

免责声明： 

本微信号推送内容仅供招商证券股份有限公司（下称“招商证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，招商证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。

完整的投资观点应以招商证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被招商证券认为可靠，但招商证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。

在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下招商证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。

本微信号推送内容仅反映招商证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。

本微信号及其推送内容的版权归招商证券所有，招商证券对本微信号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。