ARTICLE · 1400830
100亿次下载之后,国产开源模型靠什么赚钱?
100亿次下载,是一个足够醒目的数字。
11月21日,《人民日报》再次报道,我国人工智能开源大模型全球累计下载量突破100亿次。不过,追溯工信部公开材料,这一里程碑在今年7月20日的新闻发布会上就已公布。
因此,今天讨论它,更有价值的问题是:经历大规模传播之后,国产开源模型的生意做到了哪一步?
当开发者可以下载模型权重,模型企业靠什么获得回报?当同一个模型被多家平台提供,推理收入由谁获得?对企业用户而言,拿到模型之后,还需要为什么付费?
这些问题,需要把技术传播、实际使用和商业兑现分开来看。
先把数字分清楚:下载、调用和收入,分别说明什么
把近期相关数据放在一起,国产开源模型的扩散已经有了几个可以观察的层次。
资料来源:工信部、《人民日报》、阿里巴巴官方材料。
这里有两个容易被忽略的区别。
第一,统计对象不同。全国累计下载量、单个模型家族下载量和一家平台的周调用量,不能直接相加,也不能据此计算完整市场份额。尤其不能拿11月披露的单一厂商下载量,除以7月已经公布的全国累计里程碑,得出11月的占比。
第二,行为含义不同。下载说明模型进入了获取、试用或部署环节;调用说明模型参与了计算;付费说明客户愿意为服务购买一次;续费和利润,才进一步反映持续商业价值。
一个模型可以被反复下载,也可以在下载一次之后,长期服务大量用户。一个应用可以消耗很多词元,却只完成少量任务。一个项目也可能已经收款,但后续维护持续亏损。
因此,这些数字需要共同观察。传播规模、使用深度和经营结果,各有各的证据。
100亿次下载很重要,但不能换算成100亿个用户
模型下载量到底怎么计算?不同平台有自己的规则。
以Hugging Face为例,其官方说明是:通过指定文件的请求统计模型下载,默认规则涉及config.json等文件,请求方式包括GET和HEAD。需要排除自动化流水线下载、区分权重与配置文件、对下载者去重时,可以进一步使用细粒度日志分析。
这提供了一个重要提醒:公开下载指标需要结合具体计数规则解释,不能天然当作独立用户数。
但也不能把Hugging Face的规则,直接套到工信部公布的100亿次汇总数字上。本文核对到的工信部材料没有展开这一总量的跨平台汇总及去重方法,不能自行补齐统计定义。
对企业来说,模型下载背后的行为可能差别很大。
研发人员拉取模型做横向测试,属于技术评估。运维系统为新的部署环境获取文件,属于服务准备。模型被用于建立长期运行的内部系统,才进入更稳定的应用阶段。
这几种行为都有价值,但和商业收入之间的距离不同。
下载量的意义,首先在于降低后续采用的门槛:更多开发者熟悉模型接口,更多工具完成适配,更多企业可以在已有成果上继续开发。
这种积累有机会缩短下一次选型和开发的时间,也可能让模型进入更多产品。但要判断是否形成生意,还需要继续追踪正式上线、持续使用、付费和续费。
平台调用已经提供了使用证据,还需要继续看收入结构
相比下载,平台词元调用更接近正在发生的计算活动。
11月22日核对OpenRouter排行榜时,页面标示使用数据更新至11月21日,其“近30天”榜单中,部分模型的数据如下。这里是滚动30天口径,不能当作11月自然月累计。
注:以上为部分条目;同一厂商的不同模型版本分别列示。数据仅覆盖OpenRouter平台,属于2026年11月22日读取的动态页面快照。
这说明,在这一平台覆盖的应用和开发者群体中,国产模型已经承担了相当规模的计算工作。
不过,词元量还需要经过几层转换,才能变成收入与利润。
首先,要看价格。同样数量的输入词元与输出词元,可能采用不同单价;缓存、批处理和免费额度,也会改变实际账单。
其次,要看任务结构。一次长文档分析和多次短文本分类,可能产生相近的词元量,但背后服务的任务数量、业务价值和成本结构不同。
还要看收入归属。模型研发方、实际提供推理的服务商、聚合平台和应用开发商,可能分别参与服务。一次调用发生在哪个平台,不能直接证明全部收入进入模型研发方。
进一步看利润,还要扣除推理资源、系统运维、获客、客户支持等投入。
所以,词元规模是观察使用的重要窗口。要评价商业质量,还需要付费调用占比、有效价格、重复采购、客户留存以及服务毛利等信息。
本文所核验材料,没有给出与全国100亿次下载完全对应、统一口径的付费客户数和收入数据。现阶段可以确认传播与使用的规模,商业兑现需要沿具体企业和业务继续拆解。
开放权重之后,哪些环节仍然可以收费
理解开源商业化,需要沿着客户采购的内容往下看。
开发者获取了权重,依然可能需要有人把模型稳定运行起来,把企业资料整理到可用状态,把结果接进业务系统,并对后续服务负责。

图1:开放模型商业服务分工示意。环节可由同一主体承担,不代表固定收入分成。依据AWS、AI Singapore等公开案例分析整理。
以上为商业模式分析,不代表所有相关企业已经实现盈利,也不表示模型研发方与服务商之间存在统一分成方式。
一个直接案例是AWS。它在2025年9月18日宣布,将四款Qwen3开放权重模型作为完全托管、无服务器的服务提供,包括代码模型、通用推理模型与32B稠密模型。
这件事说明,企业即使能够获取权重,仍然可能选择托管服务,因为客户还需要现有采购体系、部署环境、访问控制和日常运行支持。
对模型研发方而言,第三方平台提供服务,意味着模型进入更多分发渠道。对平台而言,模型能力可以成为自身服务的一部分。至于具体收入分配,不能从“已经上线”反推,仍需看商业协议和财务披露。
这里还有一个决定商业回报的变量:谁直接拥有客户关系。
如果客户通过云平台采购,通常会首先关注平台的账单、服务承诺和运行环境。如果客户购买的是行业软件,日常接触的可能是软件服务商。底层采用哪个模型,可能会随着性能、价格和供应条件变化而调整。
由此可以作出一个商业判断:模型得到广泛采用,有利于扩大生态影响,但收入能否回到研发方,还取决于它是否拥有可收费的服务入口,以及客户是否持续选择这些服务。
这种判断同样适用于中小服务商。仅仅把一个开放模型包装成聊天页面,客户比较价格和更换供应商的成本可能较低。把它接入订单处理、质量核查、资料归档等稳定流程,并持续积累可复用的行业能力,才更容易形成后续服务需求。
开源降低了获得通用能力的成本,也让客户有更多选择。服务商需要把收费内容落到可以说明、可以交付、可以验收的工作上。
阿里巴巴11月2日关于达喀尔青奥会的官方材料,也把专有云基础设施和Qwen开放权重模型放在同一应用体系中,说明赛后当地企业和开发者可通过相关云平台使用其AI能力。
这提供了一种观察角度:开放模型可以与基础设施、平台服务共同进入客户场景。至于这个项目带来多少AI收入、下载贡献了多少订单,公开材料并未给出,不能把项目全部价值归因于模型开源。
模型价格降下来后,行业数据为什么仍有价值
看新加坡的SEA-LION项目,能更清楚地理解通用模型与本地需求之间还隔着什么。
其官方模型目录列出了基于Qwen、Gemma、Llama等不同底座的模型。AI Singapore介绍,SEA-LION的数据工作已经分享超过1万亿词元,覆盖13种东南亚区域语言及地方方言,同时建设本地评测和数据协作平台。
AI Singapore还列出NCS、Good Bards等采用方:前者和后者利用区域语言适配与开放资源,为客户构建多语言平台和服务。相关材料展示了采用场景,没有披露对应合同收入。
这个案例值得关注的地方,在于它围绕当地语言和使用习惯,继续投入数据、评测和应用建设。
通用语言能力,并不自动等于理解当地混合语言表达;能够读懂一份文档,也不自动等于识别某个行业中有效的业务口径。
把这个逻辑放到企业经营中,同样成立。
同一个客户,在销售系统、订单系统和财务系统里,名称可能不同。同一个“收入”指标,可能分别指下单金额、确认收入和实际回款。同一份制度,旧版本和新版本可能同时存在。
如果这些问题没有处理,模型即使推理能力足够,也可能基于错误资料生成一份语言流畅的结果。
因此,数据服务的价值,需要体现在具体任务中:识别依据来自哪里、确认采用哪个版本、统一指标口径、明确可访问范围、留下结果与来源的对应关系,并持续更新。
这也给数据企业划出了一条更可检验的商业路径。客户愿意持续购买的理由,应当能够体现为更少的错误、更快的处理、更清晰的追溯,或者更稳定的业务交付。
文件整理了多少页、知识库装入多少条,可以衡量工作量;结果是否改善,仍要用真实任务检验。
具体到一个跨系统经营分析项目,这类工作至少要落实在四个环节。
先统一对象,让同一客户、同一商品和同一组织在不同系统里能够对应。再统一指标,把统计期间、退货处理、税费和收入确认规则讲清楚。随后管理版本和权限,确保模型检索到适用资料,并按当前用户的授权范围返回内容。最后建设评测集,用真实问题检查答案、依据和计算结果。
这些环节各自解决不同问题。只清洗文本,未必能统一收入口径;只增加文档,未必能找出有效版本;只让模型回答得更像专家,也未必能证明结果正确。
对数据服务商而言,更有说服力的交付方式,是保留问题、引用资料、处理规则、输出结果与人工验收之间的对应关系。这样,客户可以判断改善发生在哪一步,也能在资料更新之后重新验证。
算一笔完整的账:模型费翻倍,任务总成本也可能下降
假设一家企业每月需要完成2000份同类业务资料整理任务。两种方案最终都交付2000份验收合格的结果,区别在于首轮通过率、数据维护投入和返工数量。
以下全部是为解释成本结构而设定的情景参数,不是厂商报价、企业实绩或行业平均值。
设人工时间价值为每小时60元,即每分钟1元;首轮通过的任务,每份复核1分钟;首轮未通过的任务,每份额外用10分钟人工处理至合格。后者10分钟包含完成该异常任务所需的处理与验收时间。
计算:方案A首轮通过1400份、异常600份;方案B首轮通过1800份、异常200份。总成本为模型、数据、运维及上述人工时间折算之和。一次性建设投入暂不计入;真实采购决策还需按适当期限分摊。
在这组假设下,方案B的模型费用增加100%,数据维护投入也增加100%,系统运维投入增加50%,但首轮异常任务减少400份。
人工处理与复核合计节省60小时,按设定费率折算为3600元;抵消模型、数据和运维合计增加的2200元后,总成本下降1400元,降幅14%。
这里没有证明“贵的方案一定更好”。它说明,判断价格是否划算,需要把质量改善与完整投入一起测量。
也不能把节省的时间折算金额,直接写成企业当月少发了多少工资。只有这些时间能够减少实际支出、承接更多工作,或带来其他可验证收益,才会进一步影响现金和经营结果。
更关键的是,70%到90%的通过率提升是情景假设,实际项目必须测试。增加数据投入能否提升结果、提升多少,也要由证据回答。
对采购方,更有用的比较方式是:给不同方案同一批真实任务,采用相同验收标准,记录所有失败、重试、复核和纠错时间,再计算每份合格结果的成本。

图2:方案A到方案B的月度成本变化。全部为本文情景测算;人工时间按60元/小时折算,未计一次性建设费。
这组测算还可以继续往下推,找到投入是否划算的边界。
保持方案B每月4800元的模型、数据和运维投入不变,按同样的人工处理时间计算,首轮通过率每提高1个百分点,就有20份任务从10分钟异常处理变成1分钟正常复核,合计节省180分钟,按假设费率折算为180元。
因此,方案B首轮通过率需要达到约82.2%,总成本才能与方案A的10000元持平。在80%通过率下,它每月需要10400元;在90%通过率下,才降至8600元。
如果再假设方案B相对于方案A新增一次性建设投入24000元,按24个月平均分摊、暂不考虑残值和融资费用,每月还要增加1000元。在90%首轮通过率下,完整月度成本变成9600元,较方案A节省4%;持平所需的通过率也提高到约87.8%。
以上仍然是同一情景的推算。它提示采购方,把上线建设费用漏掉,会高估节省幅度;把通过率改善当成承诺而没有验证,也会误判投入回报。

图3:方案B首轮通过率与月度总成本的关系。两条持平边界约为82.2%和87.8%;建设费按新增24000元、24个月分摊计算。
政策支持开源,也支持数据与应用服务形成产业
从政策方向看,开源、数据供给和应用服务之间,也存在明确连接。
国务院2025年8月21日印发的《关于深入实施“人工智能+”行动的意见》(国发〔2025〕11号),在第八项提出加强高质量数据集建设、支持数据标注和数据合成等技术;第十项提出培育人工智能应用服务商,发展模型即服务、智能体即服务;第十一项提出支持开源社区,促进模型、工具、数据集等汇聚开放。
这些安排涉及的是完整应用体系:底座能力更容易获取,数据供给持续改善,应用服务把能力带进具体场景。
对数据分析、数据整合与数据治理企业而言,可以由此识别与自身能力相匹配的业务方向,例如为特定任务建设数据集、统一跨系统指标、维护专业知识,以及提供可重复执行的评测服务。
但政策方向不能替代客户需求,也不能直接证明任何一个项目有利润。服务商仍然需要回答:谁负责预算,改善哪个业务指标,交付内容能否被验收,以及下一年客户为什么继续购买。
如果所有价值都只能在第一次演示中体现,后续又依赖大量人工维护,这门生意的可持续性就需要重新核算。
下一阶段,看哪些数字更接近商业结果
对模型企业,下载量之外,可以继续披露或追踪模型进入正式生产系统的情况、自有付费服务的持续使用、可归因的客户转化,以及服务收入覆盖投入的能力。
对平台和技术服务商,需要关注任务成本、资源效率、故障与异常处理、客户支持投入,以及续费之后的服务毛利。
对数据企业,更重要的是数据更新能否带来可测量改善,已经完成的工作能否复用,以及维护成本是否随着项目增加而失控。
项目毛利和持续服务毛利,也值得分开看。首次建设项目可能包含接口开发、数据整理和人员培训;后续服务则要承担资料更新、问题响应、模型升级和运行监测。如果前期报价没有覆盖持续工作的投入,客户越多,团队负担也可能越重。
更有价值的复用,体现在相同数据结构、业务规则和评测方法能够服务下一位客户,而不是每来一个客户都从头做一遍。服务商需要记录哪些工作可以标准化,哪些仍然必须定制,并分别核算工时。
对企业用户,则可以把采购问题具体化:这项任务是否高频,验收标准是否清楚,数据是否可用,处理结果能否追溯,模型或服务商更换后能否继续运行。
实际试点时,可以先选一批覆盖日常情况和异常情况的真实任务,将合格标准写在测试之前,再让候选方案分别完成。不能等看到结果之后,才临时放宽标准。
记录也要覆盖完整过程:正常任务用了多少时间,错误发生在哪个环节,人工修改花了多久,同一个问题是否反复出现。把复杂任务单独记录,可以避免大量简单任务掩盖关键场景的缺陷。
试点之后,再把同一套任务用于版本升级和数据更新后的检查。这样,企业采购到的服务才能持续接受验证,续费决策也有了可以比较的依据。
还需要在具体模型版本上确认使用条件。例如Qwen3官方仓库列示开放权重采用Apache 2.0许可;DeepSeek-R1官方仓库说明其代码与权重采用MIT许可,同时提示蒸馏模型涉及原始底座的许可。
100亿次下载记录了国产模型大规模进入开发体系的过程。
当模型被广泛获取之后,商业竞争会继续发生在每次实际使用中:数据是否准确,服务是否稳定,异常是否有人处理,客户能否以可接受的成本拿到合格结果。
谁能够持续把这些事情做好,谁才更有机会把模型的传播规模,转化为可重复的收入。
资料来源与数据口径
资料截至2026年11月22日。动态平台数据为当天读取快照。商业模式判断为本文分析;成本测算均为明确标注的情景,不属于企业实绩。
〔1〕工信部:2026年上半年工业和信息化发展情况新闻发布会,2026年7月20日
〔2〕人民日报:国产大模型引领全球开源生态,2026年11月21日
〔3〕Alibaba Brings Cloud and AI to the First Youth Olympic Games in Africa,2026年11月2日
〔4〕Hugging Face:Models Download Stats
〔5〕OpenRouter:AI Model Rankings
〔6〕AWS:Qwen3 models are now available fully managed in Amazon Bedrock,2025年9月18日
〔7〕SEA-LION:Models
〔8〕AI Singapore:SEA-LION Inspires Community to Build AI Solutions That Solve Real-World Challenges in Southeast Asia
〔9〕国务院关于深入实施“人工智能+”行动的意见,国发〔2025〕11号
〔10〕Qwen3官方仓库:License Agreement
〔11〕DeepSeek-R1官方仓库:License














































































