国产大模型为什么能便宜十倍？| 巴伦科技

据瑞银测算，中国头部模型的训练成本或仅为海外龙头的十分之一。

在近日的媒体分享会上，瑞银证券中国互联网行业分析师熊玮表示，境内外投资者去年末以来反复问她同一件事：中国模型一直很便宜，究竟该如何理解这种定价差异，以及中国模型行业是怎么实现更低成本的。

在熊玮看来，中国模型在训练与推理两端都具备系统性的成本优势，这一优势具备长期性，也是决定中国厂商能否在全球竞争中获取更多企业预算份额的核心变量。

熊玮表示，“便宜”实际包含两件事，且在财务报表分属不同科目：训练成本通常反映在研发费用中，属于OPEX（运营费用）；推理成本进入营业成本，直接决定毛利率。“这是两个对于理解模型行业财务来说不同的成本项。”

训练一端，“从公开数据看，中国头部模型的训练成本跟海外龙头相比，可能只有她们的1/10。”推理一端，“中国模型的API定价，基本上是海外可对标的模型平均定价的10%到20%。”

熊玮强调，这一定价并非建立在补贴或厂商让利之上。结合公开数据与专家调研，中国模型厂商在API业务上仍能实现20%至40%的毛利率，“比美国同行要低一些，但仍然是非常健康的毛利水平。”

从目前产品价格来看，Anthropic旗舰模型Claude Fable 5的API标准定价为每百万输入token 10美元、输出50美元，定价被视为国产高端的Kimi K3为3美元与15美元，约为海外可对标模型的三成。

那么效率究竟从哪里来？

训练环节，熊玮坦言，中国模型的整体参数规模仍明显小于美国同行，任务量天然较低。但在此之外，架构设计与GPU使用效率上确实积累了大量算法层创新。

她更强调策略重心的差异。她提到，美国实验室投入了相当比例纯探索性的研发算力，这类支出在中国厂商中比例要低得多；更关键的是，美国厂商设计训练路径时往往更看重绝对性能的提升，中国厂商则更看重性能提升与成本效率的平衡。叠加国产与进口算力的客观约束，训练策略自然向成本与性能的平衡倾斜。

第二项来源是开源生态。DeepSeek、智谱、月之暗面在每一代模型之后均有研究成果发表，先进方法在各实验室之间扩散较快，熊玮将其形容为“天然的大家手拉手一起往前推进科技进步的环境优势”。相较之下，美国头部模型基本闭源，竞争者之间并不清楚对方的架构与实验路径，“也使得她们在进步方面有一点各自为营的感觉”。

推理端的优势，她认为有三方面。第一层是模型架构：以MoE（混合专家架构）的激活参数比例为例，单次推理任务实际激活的参数量，中国主流模型普遍处于个位数至10%区间，美国模型估计在15%至30%，同一任务的实际计算量并不在同一量级。

第二层是工程与serving（推理服务）层，据瑞银调研，行业推理端的GPU利用率大致在40%至50%，而中国最领先的厂商通过针对自有集群的调度算法优化，可提升至70%以上。

第三层是基础设施，包括更低的电力与数据中心配套成本；长周期看，国产芯片的发展将使更多推理任务得以迁移。

供给端的效率能否转化为商业优势，取决于需求端的选择机制。

熊玮认为这一机制在过去数月已发生变化。今年早些时候，行业普遍推崇token maxxing（用量最大化），鼓励尽可能扩大token消耗；随着AI账单问题显现，企业的预算管理思路转向了ROI驱动的资源分配。

与此同时需求正在分层。复杂度高、价值量大的任务交由第一梯队模型，规模大、重复性强、对ROI敏感的任务转向性价比更优的选项。“更加复杂、更分层的模型需求，天然使得中国厂商的性价比优势在企业端选择的时候是一个更加被看重的因素。”

第三方平台数据印证了这一趋势。

开发者聚合平台OpenRouter数据显示，中国开放权重模型的token调用份额已从2025年初的不足2%升至今年5月的45%以上；同期Anthropic的token份额约12%，其美元收入份额仍维持在46%左右。

也有质疑指向成本优势的实际成色。比如有用户反馈，开源模型在部分复杂任务上推理消耗的token量更大，单价便宜但用量高，单个任务的成本优势未必如定价优势那么明显。熊玮认为，最新模型定价约为海外性能可对标的30%，叠加token使用量之后，任务成本的差距虽然变小，“但仍然还是有一些成本优势”。她表示，这也是中国模型厂商需要进一步优化的方向。

在被问及开源路线能否持续时，熊玮表示：“开源的本质就是牺牲掉一些变现的上行空间，换取更大的用户adoption（采用）。”她补充提到，中国公司算力本就不足，“真的闭源了，拿什么算力来支持蓬勃的需求呢”。是否转向闭源，需跟随市场需求、商业化目标与产业链供给动态判断。

熊玮将下半年的观察框架归纳为模型性能、变现与token ROI三项。

性能上，头部厂商维持一个半月至两个月一轮的密集发布节奏。她承认判断持续领先者难度较高，但观察到领先者的优势正在自我强化：全球厂商集体押注coding，而coding具备天然的数据飞轮效应，coding Agent一类产品又提升了用户黏性。

变现上，她认为AI coding的能力外溢已开始破圈，从工程师向更广义的知识型工作者扩展。他特意提示的另一条赛道是多模态：全球注意力集中在文本模型，但“多模态赛道反而是中国厂商相对来说有优势的”，全球视频生成模型最好的位置目前由中国公司占据。

算力是这一阶段的主要约束。“算力需求是远大于算力供应的，”熊玮表示，“基本上所有的模型厂还是在说自己算力是不够的。”从调研看，模型厂商当期收入更多受限于可分配给推理的算力规模，“如果有了更多的算力，其实有更多的推理需求是可以被满足的”。

对中国云厂商的资本开支，她表示行业共识仍是加大投入，但相比美国同行，中国厂商在规模与增速上更为审慎，管理层对ROI的重视程度更高。“我们一直在强调，我们不认为中国行业有AI泡沫，就是因为大厂的投入一开始就遵循了更加看重ROI、更加稳扎稳打的节奏。”

K3此前的发布也引发了对上市模型公司竞争前景的担忧，相关个股近期剧烈波动。

熊玮未评论个股，但指出全球模型行业目前仅有两家上市公司，上市时间不足七个月，股价波动性天然较高，二级市场仍处于学习阶段，估值中枢的形成是动态过程。现阶段交易明显momentum-driven（动能驱动），“当有好的催化剂发生，股价的波动就向上；当有行业的疑问出现，导致对于竞争担忧变大，可能近期的momentum就向下。”她认为这并不构成对长期基本面的重新判断。

至于识别领先者的指标，她给出的答案是模型发布的track record（过往记录）。在她看来，预判风险较高，但历次发布所呈现的能力路径与迭代节奏，可侧面印证一家公司的组织效率、资本利用与人才储备。“模型公司就是要看模型能力”，这仍是行业的第一性原理。