文 | 反熵

2026年7月，大模型行业迎来了一轮密集发布期。

月之暗面发布Kimi K3，2.8万亿参数规模，在多项复杂任务评测中进入全球第一梯队；xAI推出Grok 4.5，强调以更低价格提供接近顶级闭源模型的能力；OpenAI则进一步调整产品策略，将旗舰模型拆分为不同版本，覆盖不同能力和成本需求。

如果把这些发布放在一起看，模型公司依然在追求更强能力，但竞争重点开始偏移。

过去，大模型竞争更多围绕参数规模、训练资源和榜单成绩展开。一家公司的实力很大程度上取决于它拥有多少GPU、投入多少资金、训练出多大的模型。但随着模型能力逐渐接近，单纯扩大规模带来的收益正在下降。xbench在最新模型评测中也指出，头部模型的最高分并没有出现明显突破，但各家都开始关注成本效率。

这背后反映出一个更深层的变化：大模型正在从“谁能训练出最大的模型”，进入“谁能用更低成本提供更强能力”的阶段。

01 参数神话开始松动

大模型行业曾经相信一个简单的逻辑：模型越大，能力越强。

2020年，OpenAI发布GPT-3，1750亿参数规模第一次让行业看到大模型的潜力。随后，GPT-4等模型不断扩大训练规模，更多数据、更强算力和更大参数量成为提升模型能力的重要路径。在这个阶段，Scaling Law几乎成为人工智能行业最重要的判断依据：只要投入更多计算资源，模型能力就会继续提升。

全球科技公司纷纷开始建设自己的大模型基础设施。OpenAI、Google、Anthropic等企业持续扩大训练规模，国内企业也在2023年之后快速进入基础模型竞争，通义千问、豆包、智谱GLM、月之暗面、阶跃星辰等企业陆续推出自己的模型产品。

当时行业关注的问题很明确：谁拥有更强的大模型？参数规模、上下文长度、多模态能力以及各种公开测试成绩，成为判断模型实力的重要指标。

这种竞争逻辑在Grok系列上体现得非常明显。

马斯克旗下xAI推出Grok 4时，大规模投入训练资源，使用大量GPU进行模型训练，希望通过更强计算能力获得领先。

这种路线并没有错。在人工智能发展早期，规模扩大确实带来了明显能力提升。

但问题在于，当所有头部企业都开始扩大投入之后，继续增加计算资源还能带来多少收益？

这个问题，正在成为行业新的讨论焦点。

模型能力依然在提升，但提升速度正在放缓。斯坦福大学AI Index报告显示，中美顶尖模型之间的性能差距已经大幅缩小，开源模型与闭源模型之间的差距也在快速收敛。当领先优势从数量级差距变成几个百分点差距，单纯依靠投入更多资金建立优势，难度越来越高。

大模型竞争开始进入新的阶段。

02 DeepSeek改变了一笔账

2025年初，DeepSeek的出现改变了行业对大模型成本的认知。

此前，训练高性能模型通常意味着巨额投入。大量GPU、昂贵的数据中心和长期研发投入，是大模型公司的基本门槛。DeepSeek给出的答案是，能力提升并不只有扩大规模这一条路径。通过模型架构优化、训练方法改进以及计算资源利用效率提升，DeepSeek实现了以更低成本达到较高性能。

更重要的是，它改变了市场对于AI模型价格的预期。DeepSeek降低API调用价格后，国内外模型厂商纷纷调整价格策略，大模型服务价格快速下降。

对于企业用户而言，这种变化非常直接。过去很多企业并不是没有AI需求，而是调用成本过高，无法大规模部署。当模型价格下降，客服系统、企业知识库、代码助手、办公自动化等场景都开始重新计算投入产出比，更多应用场景具备了商业价值。

这也是为什么2026年的模型竞争中，越来越多企业开始强调“小参数、高效率”和“低成本推理”。

Kimi K3就是其中一个代表。

它采用MoE架构，通过让模型在不同任务中激活部分参数，减少实际计算消耗。模型总参数规模可以非常大，但每次推理并不需要调用全部能力。这种设计的核心目标是能力和成本之间的平衡。Grok 4.5也体现了类似趋势，xAI强调的不仅是模型规模，更是相比竞争对手更低的价格和更高的token利用效率。

过去，大模型公司的竞争方式是不断增加投入。现在，如何把计算资源利用得更有效，正在成为新的竞争方向。

03 模型公司开始精打细算

当模型能力逐渐接近，行业竞争的评价标准也发生变化。

第一个变化是推理能力的重要性提升。

早期大模型主要解决“回答问题”。用户提出问题，模型生成答案。但随着AI进入复杂工作场景，代码开发、数据分析、科研辅助、企业管理等任务从一次问答变成了一系列需要拆解问题、调用工具、验证结果的流程。因此，模型竞争开始从“谁回答得更快”，转向“谁能够完成更复杂的任务”。

推理能力提升也带来了新的成本问题。模型思考时间越长，消耗token越多。优秀模型需要同时解决两个问题：推理要强，成本要低。这也是为什么token效率成为越来越重要的指标。

第二个变化是多模态成为基础能力。

人工智能正在从理解文字走向理解现实世界，图片、视频、声音和空间信息都成为模型获取信息的重要方式。多模态已经不再只是加分项，而逐渐成为旗舰模型的基础配置。

第三个变化是模型开始进入具体应用场景。

过去企业选择模型会关注排行榜成绩，但真正进入商业环境后，企业更关心模型能否解决实际问题：代码生成是否稳定，企业知识库是否准确，复杂流程是否能够自动执行，这些比单一测试成绩更重要得多。

模型正在从一个技术产品，逐渐变成产业基础设施。

04 模型之后，生态成为战场

大模型竞争走到今天，一个越来越明显的变化是，模型本身正在逐渐标准化。

这并不意味着模型能力不重要。基础模型依然决定了人工智能能够达到的上限。但对于企业而言，真正决定长期价值的，不只是一个领先模型，能否围绕模型建立完整生态同样重要。

这也是为什么开源正在成为大模型竞争中的重要变量。过去，闭源模式被认为更容易形成技术壁垒，企业通过更大规模训练、更强模型能力建立领先优势，其他公司很难追赶。但随着模型能力逐渐扩散，开源正在改变这种格局。

DeepSeek、通义千问等中国企业持续开放模型能力，让更多开发者和企业可以直接使用先进模型，降低了技术使用门槛，也扩大了模型影响范围。

开源的意义不只是开放代码或者参数。更重要的是，它能吸引更多开发者参与，推动更多应用基于自身模型建立。

互联网时代，操作系统竞争的关键并不只是系统本身，而是围绕系统形成的开发者和应用生态。移动互联网时代，手机厂商竞争的核心也逐渐从硬件参数转向生态体验。

大模型行业可能正在经历类似变化。模型能力越来越普及，但围绕模型的应用生态、开发者网络和行业解决方案，可能成为新的竞争壁垒。

05 大模型进入下半场

从GPT-3推动行业关注大模型，到DeepSeek重新定义成本，再到Kimi K3、Grok 4.5开始强调效率，大模型竞争正在经历一次重要转向。

早期阶段，行业比拼的是谁拥有更大的模型、更强的算力和更多的数据。现在，企业开始关注另一套指标：模型能否以更低成本运行，能否完成更复杂任务，能否进入更多真实场景。这并不意味着参数规模失去意义。大型模型仍然需要大量计算资源，也仍然是推动人工智能能力提升的重要基础。但单纯扩大规模已经越来越难形成绝对优势。

未来的大模型竞争更像一场综合能力竞争。技术能力决定模型上限，计算效率决定商业化空间，生态建设决定长期影响力。

一个月内多家头部企业密集推出新模型，表面上看仍是一场军备竞赛。但更深层的变化是，行业正在重新定义什么才是一款好模型。现在的企业开始问：谁的模型能用更低成本服务更多用户？谁能让更多行业真正用起来？谁能围绕模型建立新的生态？

大模型战争并没有结束，只是竞争规则正在变化。下一阶段，决定胜负的，可能不再取决于模型本身，而要看谁能把模型能力转化为更广泛的产业价值。