中国战略新兴产业融媒体记者 陈虹江
据每日经济新闻，OpenRouter最新数据测算，上周（10月19日至25日）全球AI大模型总调用量为188万亿Token，环比增长14.63%。全球调用量排名前五均为中国AI大模型。DeepSeek V4.1-Flash-1017位居第一，周调用量达33. 6万亿Token，环比增长801%。
在上周上榜的AI大模型中，中国AI大模型周调用量达93.54万亿Token，环比增长18.14%；同期美国AI大模型周调用量为22.47万亿Token，环比增长29.44%。中国大模型周调用量连续二十六周超过美国，稳居全球首位。
以DeepSeek为代表的中国AI大模型公司阶段领先是来自产品技术、成本、体验、开源策略?还是在国内外的行业市场环境、相关政策差异下“长”出来的？
01 从“会聊天”到“会干活”
DeepSeek的登顶，表面看是调用量的成绩，底层是技术路线的进步。
早期大模型在工作场景中的应用，主要停留在“生成辅助”层面。撰写初稿、补全代码、翻译文本。其本质是一个高效的文本生成器，用户需要提供明确的指令和上下文，模型输出一段文本供人工进一步加工。
2026年以来，这一边界正在被突破。技术进步最显著的方向，是从对话能力转向Agent能力。模型不再只是“回答问题”，而是开始“操作计算机完成任务”。
智谱GLM-5.1、MiniMax M3、阶跃Step 5、字节豆包2.1 Pro 等新一代模型，都在工具调用、终端操作、代码生成等Agent能力上做了重点投入。Terminal-Bench（终端操作）、ProgramBench（编程任务）、BFCL（工具调用）等基准测试上的分数持续提升，意味着模型开始具备“读文件、跑命令、调试程序、生成项目”的实际生产力。
麦肯锡《The State of AI 2026》全球调研中指出大型企业（年收入超10亿美元）在至少一项业务职能中规模化部署AI智能体的比例，从2025年的27%跃升至 2026年的40%。其中约31%的大型企业已在规模化部署软件编码智能体。聊天机器人仍是当前部署最广泛的AI应用形态。
另外，百万级Token的上下文窗口，让模型可以一次性读完一个代码仓库、一份十万字合同、一整本书。当模型能“看到”完整的项目结构，它的Agent行为就从“单步操作”进化到“多步规划”。
在具体工作场景中，Agent智能体已经落实到多个领域。
在软件工程领域，传统的工作流是 “需求分析、架构设计、代码编写、测试调试”。大模型的引入，使得代码编写和测试调试环节的执行成本大幅降低，开发者的注意力配置从“代码实现”向“架构设计与质量评审”转移。
在内容生产领域，文案撰写、报告初稿、竞品分析整理等“格式化认知劳动”被模型高效完成，内容工作者的角色从“创作者” 转变为 “编辑与策展者” 负责调性把控、事实核查和价值判断。
在数据分析领域，数据提取和初步统计的自动化，使分析师的工作重心从 “数据获取"”转向“数据解读与业务洞察”。这符合信息系统研究中的经典判断：当数据获取成本趋零，数据解释的价值上升。
02 用“构架创新”绕开“堆算力”
DeepSeek在新版本打出的口号，精准切中了开发者社区的痛点。从写代码到做项目，AI编程的门槛被进一步拉低。新版本在“终端操作”和“软件逆向”两个维度上的进步最为显著，模型不再只是“写代码的助手”，而是开始具备“操作计算机完成任务”的Agent能力。
这次升级是“无感切换”。开发者无需修改任何代码，无需承担额外成本，即可在原有API入口获得能力更强的模型。这种“免费升级+性能跃升”的组合，直接触发了调用量的爆发式迁移。
清华大学智能产业研究院院长张亚勤指出，DeepSeek并不是通过“蒸馏 ”别人的模型来实现的。它在算法和架构上有很多创新，比如MLA结构、MoE专家混合，还有KV Compression 等等。创新点非常多，绝不仅仅是借鉴现有方法。
全球大模型行业最早探索MoE的不是中国公司。Google的Switch Transformer、Meta的Mixtral都做过尝试。但真正把MoE做到“高性价比”并跑通商业闭环的，是中国公司。
两年前，MoE还是大模型领域的小众路线。到2026年，中国头部大模型公司纷纷看向了MoE。
智谱GLM-5.1是一个典型案例：总参数量7540亿，但推理时只激活约400亿参数，超过94%的参数在每次推理时处于“休眠”状态。用一个通俗的比喻：一个公司有256个专家顾问，每次开会只叫最懂当前议题的8个人来，而不是把所有人都拉到会议室。这种设计让GLM-5.1在保持庞大知识容量的同时，把单次推理的计算成本压到极低。
阿里巴巴通义千问Qwen3.5则是：397B总参数、17B激活，采用MoE与线性注意力（Gated Delta Networks）混合架构，原生支持视觉-语言多模态，语言和方言支持从119种扩展到201种。MoE在这里不再只是“省算力”的工具，而是与新注意力机制结合，成为提升模型效率的底层框架。
元脑Yuan3.0 Ultra则在MoE的专家调度算法上做了创新：1010B 总参数、68.8B 激活，提出 Layer-Adaptive Expert Pruning（LAEP）算法，在预训练阶段就对专家进行自适应剪枝，进一步提升了训练和推理效率。
MiniMax、阶跃星辰 Step 系列、字节豆包Seed系列，也都选择了MoE路线。央广网在2026年初的行业观察中总结道：MoE架构、多模态融合、超长上下文理解功能几乎成为标配，评估模型也从“参数越大越好”转变为“运行越高效越好”。
中国大模型的技术进步，还受益于独特的开源生态。Hugging Face 2026 春季报告显示，全球41%的大模型下载量来自中国研发的模型。DeepSeek、Qwen（通义千问）、GLM 等模型持续开源，形成了巨大的全球开发者社区。
开源不是“只投入、无回报”，而是技术进化的加速器。全球开发者在使用过程中发现 bug、提出改进建议、贡献微调方案，这些反馈回流到模型团队，反过来推动模型快速迭代。OpenRouter平台上开源模型词元处理比例从年初的 34%跃升至65%，超过500家机构从专有模型切换到开源模型。这个过程中，中国模型团队获得了海量真实场景的反馈数据。
算法-框架-硬件协同设计是另一个关键。中国公司不是在英伟达提供的软件栈上做 “应用层优化”，而是从算子级、通信库级、集群调度级全链路重新设计。当别人还在用标准CUDA框架跑训练时，国内大模型团队已经在自定义FP8算子、优化AllReduce通信、调整GPU集群拓扑。这种深度优化的结果是：同样的GPU 数量，中国公司能跑出更高的利用率。
技术架构决定了模型能否提高效率，那么市场竞争决定了这种效率能否被用户感知。
03 为什么中国大模型市场能跑出来？
价格差决定了Token消耗量级。 同一笔API预算，买GPT-5.5可能只够跑几亿Token，买DeepSeek Flash能跑出几十亿甚至上百亿Token。虎嗅网算过一笔账：DeepSeek V4 Flash 处理一个标准任务约0.02美元，同档美国模型要2.75美元，差出100多倍。
北京物联网智能技术应用协会副会长、中关村大数据产业联盟副秘书长颜阳对Token定价逻辑指出：Token 是模型处理信息的计量单位，用户实际购买的是以Token计量的智能服务。不同模型处理同一段内容，词元数量和解决问题的能力都不同，不能像 “一度电”那样去比价。 他提出Token定价受成本、供需和价值三方面影响：成本端含芯片折旧、电力与研发回收；供需取决于高峰拥堵与资源紧张；价值则看模型能否解决复杂问题、提供稳定服务。
针对中外价格悬殊，颜阳提醒不能简单说 “中国便宜、国外贵”，比较须做到同任务、同质量、同服务条件。他指出中国优势在于开放模型生态活跃、应用场景丰富，但高端算力可获得性和大规模稳定服务能力仍是短板。“开源让更多人有机会提供智能，算力决定能够提供多少智能，应用决定这些智能值多少钱。”他强调，中国应把成本优势进一步转化为效果优势和服务优势。
成本底座不同。中国大模型的成本优势，还体现在上游算力基础设施的布局上。华龙证券研报指出，中国西部低廉的绿色电力成本是重要的底层支撑。在“东数西算”工程的推动下，贵州、内蒙古、宁夏等西部地区建设了大量数据中心，利用当地丰富的风电、光伏等绿色电力资源，大幅降低了算力的单位用电成本。
另外，国产算力芯片的逐步成熟也在降低国产GPU的进口成本占比。虽然DeepSeek的训练仍主要依赖英伟达H800芯片，但在推理端，国产芯片的适配和优化正在取得进展。当训练成本已经被架构创新压缩到极低水平，推理端的成本优化空间就更大。
在上游成本优势的基础上，大模型厂商展开了激烈的“卷成本”，而美国市场缺乏降价动力。中国头部模型厂商，DeepSeek、MiniMax、智谱、阶跃星辰，不约而同走MoE 架构+极致工程优化路线，每一家降价都倒逼其他家跟进，整个行业的成本曲线持续下移。而美国市场是OpenAI和 Anthropic两家占大头，都瞄准高毛利企业客户，没有强烈的价格竞争压力。直到中国模型进入美国市场，OpenAI才在今年连续两轮降价。
东方财富证券研报写到，DeepSeek今年以来经历了“降价-峰谷计价-整体上调”的三步演化，结合海外市场近一年从“普降”到“旗舰涨价”再到“分层促销”的定价变化，标志着国产模型有望从粗放式价格战转向高质量竞争。
下游应用端的“人口基数”差异。 中国有海量中小企业和个人开发者，微信、飞书、钉钉等平台触达亿级用户，AI应用场景从编程助手到文档处理到智能客服全面铺开。火山方舟平台上已有110万企业和个人用户，年调用量超万亿Token的企业达200家。而美国模型主要服务少数大型企业客户，客单价高但调用频次和用户基数有限。
一句总结，美国模型走的是 “精品高毛利”路线，服务少数大客户；中国模型走的是 “普惠大规模”路线，靠极低成本覆盖海量用户和场景。调用量是 “薄利多销”的结果，不代表模型能力全面超越，但在AI基础设施早期阶段，规模本身就是护城河。
从政策层面看，中国在推应用，美国在管安全。10月23日国务院办公厅对外发布的《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》部署了6个方面18项主要任务。指出拓展新兴领域人工智能就业新空间，培育中小微企业稳岗扩岗新动能，创造人工智能领域就业创业新模式，加快开发人工智能领域新职业。完善人机协同下的劳动者权益、灵活就业社保和收入分配机制。建立 AI 就业影响监测体系和风险应对机制。
在6月上旬美国总统特朗普签署了“促进先进人工智能创新与安全”行政令。该行政令是特朗普政府在“创新优先”与“国家安全关切”之间妥协的产物。行政令明确对前沿模型网络不设强制许可或预先批准，但保留对其能力的评估机制。美国人工智能企业在公开发布前沿模型前，需“自愿”向政府提供模型并进行“前置安全评估”。
