企业AI进入分流时代:中国开源模型赢得市场

过去一周，三组看起来互不相关的数字，拼出了今年企业 AI 市场最重要的一张图。

第一组来自美国电信巨头 AT&T：这家公司每天处理约 450 亿 token，其中约 40% 的 AI 工作负载已经运行在开放模型上——今年 5 月这个比例还只有 20%——公司定下的目标是一年内提到 70%。第二组来自开发者云平台 Vercel 的 AI 网关：8 月份流过网关的 token 里，56% 已经由开放权重模型贡献，而去年 12 月，这个数字只有 7%。八个月，翻了八倍。第三组来自巴黎：10 月 6 日，法国 Mistral 发布了 1.05 万亿参数的开放权重旗舰 Large 4，官方定位直接写成"美国或欧洲之外最好的开放权重模型"——这句拗口的定语翻译过来就是：冲着中国开源阵营来的。

金融时报报道原文：美国企业拥抱更便宜的开放模型，硅谷之外的公司正在采用中国方案

三组数字指向同一件事：企业 AI 支出正在从"全量调用最强闭源模型"，切换到"按任务难度分流"的新架构。 最难的活继续交给最贵的旗舰，大量重复、规则明确、容错边界清晰的活，流向便宜一个数量级的开放模型。而在这条承接迁移的赛道上，最活跃的一批玩家来自中国。

这个转变的分量，可以和云计算早期的"混合云"类比：当年企业也是从"全部自建机房"走到"核心系统自建、弹性负载上云"，不是谁取代谁，而是负载按特性各归各位，整个行业的成本结构随之重写。今天发生在模型层的是同一出戏，只是节奏快得多——云计算的那个转变花了十年，模型分流只用了一年不到。这篇文章把这张账单算清楚，然后给企业主一份可以直接动手的"分流体检"清单。

三组数字，拼出同一张图

先看 AT&T，这是目前公开资料里最完整的企业分流样本。首席数据与 AI 官 Andy Markus 的解释很直白：在每天 450 亿 token 的调用量级下，成本已经成为模型选择里非常关键的变量——如果一个任务能从昂贵的闭源模型迁到开放模型，同时准确率没有明显下降，公司自然会迁。据《金融时报》报道，迁移带来的成本节省最高达到 80%；另一个口径里，把推理路由到更便宜的开源模型之后，整体成本也降了约 56%。不管按哪个口径，对一家这个体量的大公司来说，都是千万美元级别的年度科目。

更值得注意的是迁移的方式。AT&T 不是下载一个开源模型直接用，而是拿自己的专有数据对开放模型做调优——用的是英伟达 Nemotron 等开放底座。负责管理 10 万名员工 AI 工具的副总裁 Mark Austin 给出了实测结论：调优后的开放模型，效果"和 Anthropic、OpenAI 等厂商的旧版闭源模型持平，甚至更优"。公司内部的用法已经自动分层：代码生成这类复杂任务仍用顶尖闭源模型，代码摘要这类轻量工作全部改用开源。

金融时报据Vercel数据制图：开放模型token占比已过半，支出占比仅14%

把三组数字放在一起看，它们分别覆盖了"分流"的三个证据维度：AT&T 是单一大企业的深度样本，证明分流在超大规模场景算得过账；网关数据是全行业的宽度样本，证明分流不是个案而是普遍行为；财报电话会的提及量是认知样本，证明分流已经从工程决策上升为董事会议题。三个维度互相印证，趋势就不再是预测，而是既成事实。

第二组数字说明了这不是一家公司的偶然选择。Vercel AI Gateway 每个月在企业应用和模型厂商之间路由数十万亿 token，它的生产指数报告是目前观察企业真实用量的最佳窗口：开放权重模型的 token 占比从去年 12 月的 7% 涨到今年 8 月的 56%，首次超过所有闭源模型的总和。同一时期，网关上平均 token 成本降到不到五个月前的一半，8 月单月每 token 价格下降 23.2%，已经是连续第三个月下降。

第三组是舆论侧的印证。AlphaSense 统计，今年 8、9 两个月，美国企业在财报电话会和投资者会议上提到"开放权重"或"开源"模型的次数，同比增加了 6 倍。讨论者已经从科技公司扩散出去——PNC 金融、物流公司 CH Robinson、工业巨头西门子，都在公开谈开放模型。连 Tinder 的 CTO 都出来算账：公司 AI 支出今年 1 月估算全年 100 万美元，到 7 月变成了年化 1000 万美元，半年十倍，于是开始把普通用户请求转给开放模型。Coinbase 报告节省约 50%。

一张账单，两个世界

不过，把这张账单读全，需要看到它的另一面：token 份额和金额份额，正在向相反方向运动。

还是 Vercel 网关的数据：开放权重拿走了 56% 的 token，但 Anthropic 一家仍保留网关支出的 64%；FT 据同一数据源制图算得更直接——开放模型 token 占比过半，支出占比却只有 14%。翻译过来就是——开放的模型吃掉了基线负载，闭源的旗舰守住了高价值场景。网络上的概括更形象："开放模型吃掉 token，闭源模型拿走预算。"还有开发者晒出过一张更极端的榜单：开放权重模型合计占了约八成 token，其中 DeepSeek 一款模型就占近三分之二，但到了按金额排行的花费榜，前排依然是闭源旗舰——两根曲线朝着相反方向走，画出的正是分流的形状。

这个背离恰恰是"分流"二字最精确的定义。企业不是不再买贵的模型，而是不再用贵的模型干便宜的活。网关数据里的两个细节把这种行为拍得清清楚楚：Anthropic 最强模型 Fable 5 一个月内失去了支出份额的三分之二，而价格减半的 Opus 5 份额涨了三倍——客户没有离开，只是挪了位置。谷歌的 Gemini 3 Flash 五个月里失去 95% 的 token 份额，流失的流量一半去了更便宜的模型，另一半去了贵九倍的 Opus 5——中间档被两头挤干，任务按价值各归各位。

价格差到底有多大？拿本周刚发布的 Mistral Large 4 做一次实算。它的 API 定价是每百万输入 token 1.36 美元、输出 4.18 美元，上线前两周限时五折。一次 1 万输入加 2 千输出的典型请求：用 Mistral Large 4 折后约 1.1 美分，用 Claude Sonnet 5.5 约 4 美分，用 GPT-6 Astra 要约 20 美分。同一个请求，最高价差接近 20 倍。 当你的调用量是每天几百亿 token 时，这个差距就是财报上的科目；当你的调用量是一家普通企业的每天几百万 token 时，这个差距就是"AI 项目能不能算过来账"的分水岭。

同一次请求的价格实算：Mistral Large 4约1.1美分，Sonnet 5.5约4美分，GPT-6 Astra约20美分

Mistral Large 4 预览版成绩单：智能指数38.4，网络安全单项进入全球前五

谁在接住这波迁移：中国阵营是主力

迁移去了哪里？这是对中国企业主最重要的问题。

据《金融时报》报道，当前开放权重模型市场里，最活跃的一批玩家来自中国。OpenRouter 等聚合平台上，按 token 调用量排名靠前的模型里，中国实验室的开放模型占据醒目位置；DeepSeek、智谱这些名字，已经开始出现在美国企业重算 AI 成本的账单里。受益名单拉出来是一整串：Meta 的 Llama、阿里的千问、智谱的 GLM、DeepSeek 的全家桶——但论增速和话题度，中国厂商明显是主力。这个局面放在三年前很难想象：美国企业的降本需求，最终由中国公司的开放模型来满足，全球 AI 的成本曲线，很大程度上是中国厂商在往下压。

Mistral 本周的发布，从侧面印证了中国阵营的位置。Large 4 的规格确实凶悍：1.05 万亿总参数、490 亿激活的细粒度 MoE 架构，每个 token 只激活约 4.7% 的权重——这是它能按中端价位卖万亿级模型的原因；原生多模态，官方口径百万 token 上下文，在自家欧洲数据中心用 3800 块最新一代 GPU 从零训练了约两个月，支持 160 多种语言。最扎眼的成绩在网络安全：Cybench 拿到 93%，CyberGym 端到端 82%，进入权威榜单网络安全指数的全球前五——而多个闭源前沿模型在这项测试上因为拒绝回答，得分接近零。但比规格更有信息量的是它的定位话术："美国或欧洲之外最好的开放权重模型"。一个欧洲公司发布新模型，对标对象不是美国旗舰，而是中国开源——全球开放模型的重心在哪，不言自明。权重 10 月底开放下载，届时自托管阵营又多一个选项。同一天，美国 Reflection 也发布了 5010 亿总参的编码模型并承诺本月开源——开放权重的"非中国战线"第一次摆出像样的兵力，这恰恰说明赛道的热度。

法国 Mistral 发布万亿参数开放权重旗舰，官方对标对象是中国开源阵营

中国阵营的领先不只是模型本身，还有商业模式的纵深。闭源厂商的生意是"最先进的模型按次收费"，模型本身就是商品；中国开放模型玩家的打法丰富得多——DeepSeek 用地板价 API 收 token 费，阿里把千问开源带动云和算力销售，智谱一边开放权重一边进入海外云厂的付费结算体系。模型即入口，生态即生意。这种结构差异决定了双方对"分流"的态度：闭源厂商天然希望你所有任务都用它的旗舰，开放阵营不介意你只在合适的任务上用它——因为它的生意不靠单次调用撑起来。资本也在加注：本周有消息称 DeepSeek 正推进至少 800 亿元融资，腾讯、宁德时代参与。对国内企业主来说，这意味着一件事：你用国产开放模型搭的架构，背后是一个有人持续投入、不会突然断供、也不靠拿捏你赚钱的阵营。

再把镜头拉高一层看趋势的方向：开放模型吃掉的是"量"，闭源旗舰守住的是"价"，而量的扩张速度远快于价的防守能力——网关里开放权重 token 占比八个月从 7% 到 56%，按这个斜率，年底前很可能走到七成以上。对企业来说，这不是"要不要跟进"的选择题，而是"早跟进还是晚跟进"的时间题：早做分流的企业，每早一个季度就把成本曲线压低一截，省下来的预算正好投到上下文建设、数据治理这些真正拉开差距的地方去。

对中国企业主的另一层含义：供给红利就在家门口

把视线从"美国企业在干什么"收回到"你能用上什么"，这波分流潮对国内企业主还有一层更直接的含义。

第一，全球最激烈的开放模型竞争，主场在中国。DeepSeek、智谱、千问、Kimi 几家的旗舰开放模型，参数规模、上下文长度、许可证宽松程度都在第一梯队，API 定价却是全球地板价——同样的分流架构，美国企业做要跨语言、跨时区、跨合规地接中国模型，你做只需要注册一个账号。第二，竞争的激烈程度保证了降价趋势不会停。网关数据里"连续三个月单月降价两成以上"的曲线，主要驱动力就是开放模型之间的贴身肉搏——Mistral 万亿旗舰本周入场，只会把这根曲线压得更陡。第三，生态外溢正在加速。模型调用量越大，围绕模型的工具链、微调服务、行业插件、懂行的工程师就越多，这些外溢红利最先兑现的市场就是国内。

换句话说，美国企业是在"重算账单"时发现中国模型，而你是站在供给最充足、价格最便宜、服务最贴身的市场里做分流——同样的动作，你的成本更低、选项更多、见效更快。这是今年中国企业 AI 落地少有的、纯粹的顺风局。

企业主的分流体检：三步把账单拆开

说完格局，落到你的公司。参照 AT&T 的方法论，分流不需要换供应商、不需要大项目，三步就能起步。国内企业的条件其实比美国企业更好：开放模型的主力阵营就在本土，API 便宜、文档是中文的、出了问题找得到人，微调的服务生态也完整——同样的方法论，在国内落地的摩擦力更小。

第一步，把 AI 调用按任务分级，而不是按部门分级。 拉出过去一个月所有 AI 调用的清单，按三个标准给每个任务画像：出错的代价高不高、规则是否明确、重复频率高不高。三角都偏"低风险"的任务——摘要、分类、格式转换、初稿生成、代码补全——是迁移的第一梯队；高价值、低容错、强推理的任务——复杂分析、关键决策支持、对外正式内容——继续留在旗舰模型。AT&T 内部就是这么分的：代码生成留给顶尖闭源，代码摘要全走开源。

任务三层分流：旗舰层守高价值，开放层接高频任务，微调层沉淀独门场景

第二步，挑一个高频任务做对照实验。 选一个月调用量最大的"低风险"任务，用同一批真实输入，分别跑现在的闭源模型和候选开放模型，用同一套验收标准打分——不是主观感觉，是"这份摘要能不能直接发""这个分类和业务口径对不对得上"。跑两周，你会得到两个数：质量差距和成本差距。绝大多数企业会发现，三成到五成的任务根本用不着旗舰模型。

第三步，高频场景上量后，考虑用专有数据微调。 这是 AT&T 方法论里最容易被忽略、也最有价值的一步：当某个场景的调用量足够大、需求足够稳定，用企业自己的数据微调开放模型，特定任务上效果可以做到比肩甚至超过闭源——而且微调出来的模型是你的资产，不被任何厂商的调价和停服绑架。这一步需要一定的工程能力，可以放在第二批做，也可以找专业团队共建。

三个提醒

第一，别把 token 份额当成终局。 56% 的 token 流向开放模型，但 64% 的支出仍在 Anthropic 手里——高价值场景的溢价能力依然牢固，闭源旗舰在最复杂的推理、最长的上下文、最严的工具链上仍有真实壁垒。对你的意义是双面的：一方面别指望"全换开源"一步登天，旗舰模型在最难的 20% 任务上仍然值那个价；另一方面，如果你的供应商拿 token 份额的叙事劝你"全面迁移"，那是在用行业趋势推销单一方案。分流的要义是各归各位，不是一边倒——谁会劝你一边倒，谁就是在把你的账单当成他的收入。

第二，价格口径要自己核，分母要用"验收通过的任务数"。 以 Mistral 这次的发布为例，官方公告和定价文档里同时出现了两组价格，第三方实测的上下文窗口只有官方口径的一半——这不是个例，是行业常态。便宜不一定真便宜：单次调用价低，但如果同一任务需要更多重试、更长链路、更多人工修订，总账可能反超。做预算时，真正有用的分母不是 token 数，而是验收通过的任务数。

第三，开放模型的合规账要提前算。 开放权重不等于随便用：各家许可证对商用范围、月活规模、衍生品发布的约束都不一样，接之前逐条确认。另外值得留意的一个风向：美国国会已有委员会在调查"中国开源模型的采用"——这反过来提醒国内企业，用海外模型同样存在政策不确定性。把模型选型里的合规因素权重调高，把推理部署的位置、数据出域的路径在架构设计时就想清楚，比事后整改便宜得多。

本周就可以做的三件事

一，拉出上个月的 AI 账单，做第一次分流体检。 按"出错代价、规则明确度、重复频率"给所有调用任务打分，把任务分成"必须旗舰"和"可以开放"两堆。多数企业第一次做这个动作，都会发现自己把至少三成的账单花在了用错了地方的模型上。

二，挑最大的一项"可以开放"任务，跑一次对照实验。 不用换系统，同一批真实输入、两个模型、一套验收标准，跑两周。记下质量差距和成本差距两个数——这两个数就是你和供应商下次谈价时手里最有分量的牌。如果实验结果好，别急着全面切换，先把这一个任务的流量切过去跑稳一个月，用生产环境的真实表现验证实验室结论，再谈第二、第三个任务。

三，把"路由能力"写进供应商评估表。 下次评估任何 AI 供应商或服务商，加三个问题：你的方案支不支持多模型路由和按任务分流？能不能让我用自己的数据微调，微调出的模型归谁？如果我以后要把负载迁走，数据、配置、微调权重能不能带走？架构上不支持的，等于把你锁死在单一流向里——在分流时代，这是最大的隐性成本。供应商的答案，比演示里的跑分更能预测这套系统三年后的总账。

结语

过去一年，企业 AI 的叙事换了三次关键词：先是"哪个模型最聪明"，然后是"谁的价格最低"，现在变成了"哪个任务该用哪个模型"。AT&T 把四成负载迁出闭源、网关数据八个月翻八倍、财报会议提及量涨六倍——这些数字合起来只说明一件事：分流不再是省钱技巧，而是标准架构。

往深一层看，这也是 AI 行业走向成熟的标志。任何技术从尝鲜期进入生产期，都会经历同一个动作：从"买最好的"变成"买合适的"。服务器如此，数据库如此，云服务如此，现在轮到了大模型。会算账的企业开始把模型当成可以组合的生产要素，而不是需要站队的信仰——这恰恰是技术红利开始大规模兑现的前奏。

对中国企业来说，这张图里还有一个额外的利好：全球企业重算 AI 成本的这波浪潮，最大的承接方是中国的开放模型阵营。你身边的国产模型，正在成为全球企业的"省钱选项"——这意味着生态会更繁荣、工具链会更成熟、懂行的工程师会更多，你搭在上面的每一分投入都会被这波浪潮推着走。

模型选型正在从"信仰题"变成"算术题"。账单就在那儿，分流的方法论 AT&T 已经蹚出来了——剩下的问题是：你的第一次分流体检，安排在哪一天？