大模型不再比誰更大

# 大模型不再比誰更大：從參數競賽到效率競爭，行業迎來轉折點

2026年7月，大模型行業迎來一輪密集發佈期，多家頭部企業接連推出新產品。月之暗面發佈Kimi K3，以2.8萬億參數規模進入全球第一梯隊；xAI推出Grok 4.5，強調以更低價格提供接近頂級閉源模型的能力；OpenAI則進一步調整產品策略，將旗艦模型拆分為不同版本，覆蓋不同能力和成本需求。如果把這些發佈放在一起看，會發現一個明顯的信號：模型公司依然在追求更強能力，但競爭的重點已經開始偏移。 過去幾年，大模型行業的競爭邏輯非常清晰：誰的參數規模更大、訓練資源更多、榜單成績更高，誰就掌握優勢。一家公司的實力，很大程度上取決於它擁有多少GPU、投入多少資金、訓練出多大的模型。但隨著模型能力逐漸接近天花板，單純擴大規模帶來的收益正在下降。xbench在最新模型評測中指出，頭部模型的最高分沒有出現明顯突破，但各家都開始關注成本效率。這背後反映出一個更深層的變化——大模型正在從“誰能訓練出最大的模型”，進入“誰能用更低成本提供更強能力”的階段。 ## 參數神話開始鬆動

大模型行業曾經相信一個簡單的邏輯：模型越大，能力越強。2020年，OpenAI發佈GPT-3，1750億參數規模第一次讓行業看到大模型的潛力。隨後，GPT-4等模型不斷擴大訓練規模，更多數據、更強算力和更大參數量成為提升模型能力的主要路徑。在這個階段，Scaling Law幾乎成為人工智能行業最重要的判斷依據：只要投入更多計算資源，模型能力就會繼續提升。 全球科技公司紛紛投入這場軍備競賽。OpenAI、Google、Anthropic等企業持續擴大訓練規模，國內企業也在2023年之後快速進入基礎模型競爭，通義千問、豆包、智譜GLM、月之暗面、階躍星辰等企業陸續推出自己的模型產品。當時行業關注的問題很明確：誰擁有更強的大模型？參數規模、上下文長度、多模態能力以及各種公開測試成績，成為判斷模型實力的核心指標。 這種競爭邏輯在Grok系列上體現得尤為明顯。馬斯克旗下xAI推出Grok 4時，大規模投入訓練資源，使用大量GPU進行模型訓練，希望通過更強計算能力獲得領先。這種路線在人工智能發展早期確實有效，規模擴大帶來了明顯的能力提升。但問題在於，當所有頭部企業都開始擴大投入之後，繼續增加計算資源還能帶來多少收益？這個問題正在成為行業新的討論焦點。 模型能力依然在提升，但提升速度正在放緩。斯坦福大學AI Index報告顯示，中美頂尖模型之間的性能差距已經大幅縮小，開源模型與閉源模型之間的差距也在快速收斂。當領先優勢從數量級差距變成幾個百分點差距，單純依靠投入更多資金來建立優勢，難度越來越高。大模型競爭開始進入新的階段。 ## DeepSeek改變了行業成本賬本

2025年初，DeepSeek的出現改變了行業對大模型成本的認知。此前，訓練高性能模型通常意味著鉅額投入——大量GPU、昂貴的數據中心和長期研發投入，是大模型公司的基本門檻。DeepSeek給出的答案是，能力提升並不只有擴大規模這一條路徑。通過模型架構優化、訓練方法改進以及計算資源利用效率提升，DeepSeek實現了以更低成本達到較高性能。 更重要的是，它改變了市場對於AI模型價格的預期。DeepSeek降低API調用價格後，國內外模型廠商紛紛調整價格策略，大模型服務價格快速下降。對於企業用戶而言，這種變化非常直接。過去很多企業並不是沒有AI需求，而是調用成本過高，無法大規模部署。當模型價格下降，客服系統、企業知識庫、代碼助手、辦公自動化等場景都開始重新計算投入產出比，更多應用場景具備了商業價值。 這也是為什麼2026年的模型競爭中，越來越多企業開始強調“小參數、高效率”和“低成本推理”。Kimi K3就是一個典型代表。它採用MoE架構，通過讓模型在不同任務中激活部分參數，減少實際計算消耗。模型總參數規模可以非常大，但每次推理並不需要調用全部能力。這種設計的核心目標，是在能力和成本之間取得平衡。Grok 4.5也體現了類似趨勢，xAI強調的不僅是模型規模，更是相比競爭對手更低的價格和更高的token利用效率。 過去，大模型公司的競爭方式是不斷增加投入。現在，如何把計算資源利用得更有效，正在成為新的競爭方向。 ## 模型公司開始精打細算

當模型能力逐漸接近，行業競爭的評價標準也發生變化。第一個變化是推理能力的重要性提升。早期大模型主要解決“回答問題”——用戶提出問題，模型生成答案。但隨著AI進入複雜工作場景，代碼開發、數據分析、科研輔助、企業管理等任務從一次問答變成了一系列需要拆解問題、調用工具、驗證結果的流程。因此，模型競爭開始從“誰回答得更快”，轉向“誰能夠完成更復雜的任務”。 推理能力提升也帶來了新的成本問題。模型思考時間越長，消耗token越多。優秀模型需要同時解決兩個問題：推理要強，成本要低。這也是為什麼token效率成為越來越重要的指標。第二個變化是多模態成為基礎能力。人工智能正在從理解文字走向理解現實世界，圖片、視頻、聲音和空間信息都成為模型獲取信息的重要方式。多模態已經不再只是加分項，而逐漸成為旗艦模型的基礎配置。 第三個變化是模型開始進入具體應用場景。過去企業選擇模型會關注排行榜成績，但真正進入商業環境後，企業更關心模型能否解決實際問題：代碼生成是否穩定，企業知識庫是否準確，複雜流程是否能夠自動執行，這些比單一測試成績要重要得多。模型正在從一個技術產品，逐漸變成產業基礎設施。 ## 模型之後，生態成為新戰場

大模型競爭走到今天，一個越來越明顯的變化是，模型本身正在逐漸標準化。這並不意味著模型能力不重要——基礎模型依然決定了人工智能能夠達到的上限。但對於企業而言，真正決定長期價值的，不只是一款領先模型，能否圍繞模型建立完整生態同樣重要。 這也是為什麼開源正在成為大模型競爭中的重要變量。過去，閉源模式被認為更容易形成技術壁壘，企業通過更大規模訓練、更強模型能力建立領先優勢，其他公司很難追趕。但隨著模型能力逐漸擴散，開源正在改變這種格局。DeepSeek、通義千問等中國企業持續開放模型能力，讓更多開發者和企業可以直接使用先進模型，降低了技術使用門檻，也擴大了模型影響範圍。 開源的意義不只是開放代碼或者參數。更重要的是，它能吸引更多開發者參與，推動更多應用基於自身模型建立。互聯網時代，操作系統競爭的關鍵並不只是系統本身，而是圍繞系統形成的開發者和應用生態。移動互聯網時代，手機廠商競爭的核心也逐漸從硬件參數轉向生態體驗。大模型行業可能正在經歷類似變化。模型能力越來越普及，但圍繞模型的應用生態、開發者網絡和行業解決方案，可能成為新的競爭壁壘。 ## 大模型進入下半場

從GPT-3推動行業關注大模型，到DeepSeek重新定義成本，再到Kimi K3、Grok 4.5開始強調效率，大模型競爭正在經歷一次重要轉向。早期階段，行業比拼的是誰擁有更大的模型、更強的算力和更多的數據。現在，企業開始關注另一套指標：模型能否以更低成本運行，能否完成更復雜任務，能否進入更多真實場景。 這並不意味著參數規模失去意義。大型模型仍然需要大量計算資源，也仍然是推動人工智能能力提升的重要基礎。但單純擴大規模已經越來越難形成絕對優勢。未來的大模型競爭更像一場綜合能力競爭：技術能力決定模型上限，計算效率決定商業化空間，生態建設決定長期影響力。 一個月內多家頭部企業密集推出新模型，表面上看仍是一場軍備競賽。但更深層的變化是，行業正在重新定義什麼才是一款好模型。現在的企業開始問：誰的模型能用更低成本服務更多用戶？誰能讓更多行業真正用起來？誰能圍繞模型建立新的生態？大模型戰爭並沒有結束，只是競爭規則正在變化。下一階段，決定勝負的可能不再取決於模型本身，而要看誰能把模型能力轉化為更廣泛的產業價值。