国产大模型「量价背离」：七成调用量只换来三成收入，开源模型如何走出「赔本赚吆喝」

2026 年 11 月，一篇来自证券时报的观察把国产大模型最不愿直视的一面摆上了台面：我们拿下了极高的调用量，却没拿到等比例的商业收入。用行话说，这叫「量价背离」——量很大，价很低，收入和流量严重不匹配。

具体数字来自高盛的一份报告：OpenRouter 平台数据显示，开源权重模型在 9 月第二周处理了 72% 的 Token 流量，但只获得 27% 的平台总支出。也就是说，全行业约七成的活儿是中国模型在干，可标价算下来的钱，只分到约三成。

再看调用侧。OpenRouter 统计 2026 年 10 月 19—25 日当周，该平台全球总调用量 188 万亿 Token，其中中国大模型周调用量达 93.54 万亿，连续二十六周稳居全球首位。量是真的猛，但钱没跟着来。

这组数据之所以刺眼，是因为它戳破了一个幻觉：很多团队以为「调用量高 = 商业成功」。现实是，在开源与价格战的双重稀释下，流量正在变成一种「廉价的基础设施」，而不是利润本身。

更耐人寻味的是定价策略。以 11 月 4 日发布的腾讯混元 Hy4 为例，它在引入视觉理解、电脑操作等全新能力的同时，定价却与此前 preview 版本保持一致：输入 6 元、输出 18 元每百万 Token，缓存命中仅 0.3 元。能力大幅升级，价格纹丝不动。

这不是一家的心血来潮，而是头部厂商的某种默契。「加量不加价」背后，是大家心照不宣的共识：在开源模型的红利窗口里，先用低价把开发者和调用量圈住，比立刻赚钱更重要。谁先涨价，谁就可能把流量让给对手。

从开发者视角看，这当然是好事——用更少的钱，用更强的模型。但从产业视角看，这把整个行业的利润空间压得极薄。当「便宜」成为唯一卖点，厂商就失去了靠差异化收费的筹码，最终陷入「越卖越多、越卖越亏」的怪圈。

黄鹂鸟在服务企业客户时也常碰到类似心态：客户一来就问「哪个模型最便宜」。我们的回答往往是——先算清楚你这调用量对应的真实成本结构，再看要不要为某些能力多付一点钱。便宜不是目的，划算才是。

量价背离不是偶然，而是几条主线叠加的结果。第一条是开源换生态位。国产大模型普遍选择开源权重来抢占开发者心智、建立社区，阿里千问三年开源超 470 款模型、全球下载 40 亿次、衍生 33 万多个，就是这套打法的极致。开源带来调用量，却不直接带来收入。

第二条是 API 价格战。当头部厂商都把 Flash 类低价模型当作引流入口，单位 Token 价格被一路压低。DeepSeek V4.1-Flash-1017 单周 33.6 万亿 Token 登顶全球第一、环比增长 801%，背后是极低门槛催生的海量调用，但单价也薄如纸。

第三条是能力同质化。当各家模型在通用问答、代码、摘要上的差距 shrinking，客户没有为非通用能力多付费的理由，自然选最便宜的那个。没有差异化，就没有定价权。

第四条，也是最容易被忽视的：大量企业选择私有化自部署。它们下载开源权重自己跑推理，根本不经过任何 API 计费通道。这部分「免费」的调用量巨大，却完全不进入厂商的收入表——量在，钱不在。

对模型厂商而言，继续在 Token 单价上内卷，只会把路越走越窄。真正的利润池，在「卖 Token」之外的位置：行业解决方案、私有化部署、Agent 服务、合规托管、数据增值。

行业方案是第一个出口。通用模型便宜，但「懂行」的模型值钱。谁能把金融、医疗、制造的规范与流程学进去，做成开箱即用的行业能力，谁就能向 B 端收更高的钱。这正是 Hy4 把金融分析单独做厚的逻辑。

私有化与合规托管是第二个出口。对政企客户，数据不出域是硬约束。能提供安全、可控、可审计的私有化交付，远比按 Token 收费更有议价空间，也更能绑定客户。

Agent 服务是第三个出口。客户买的不是「一次回答」，而是「把一件事办成」。当模型能跑通长链路任务、能调用工具、能交付成果，收费单位就应该是「任务」或「结果」，而不是「Token」。这会从根本上改写商业模型。

站在企业这一侧，量价背离其实是好事——你正处在一个模型又强又便宜的窗口期。但便宜不等于可以乱花，真正要做的，是把成本管起来、把选型做对。

第一件事，是建立统一网关。当你的团队同时调用多家模型、多个版本，如果没有一个面板能看到「谁在调、调了多少、花了多少、效果好不好」，成本就会像漏水的水龙头一样悄无声息地流走。统一网关让每一次推理都可观测、可审计。

第二件事，是多模型路由。不同任务适合不同模型：简单摘要用低价 Flash，复杂推理用旗舰，私密数据走私有化。把对的任务派给对的模型，整体成本能降一大截，也不被单一厂商绑定。

第三件事，是别为用不上的能力买单。很多团队一上来就追最强模型，结果 90% 的调用只是做摘要和分类。用分层策略把大部分流量导到性价比模型，把旗舰留给真正难的任务，钱就花在刀刃上。

我们把上面这些思路落到一个朴素结论：Token 成本不该是事后看账单才发现的惊喜，而应该是事前可预测、事中可观测、事后可优化的基础设施。这恰恰是企业大模型应用平台该解决的问题。

在具体落地上，我们建议企业先做三件事：一是把模型调用集中到一个网关，统一鉴权与计量；二是给每个业务线、每个场景打上成本标签，让「哪块在烧钱」一目了然；三是建立质量回看，把「花了钱但效果差」的调用识别出来、逐步替换。

这听起来不像「上 AI」那么性感，但恰恰是 AI 能从 demo 走成生产的分水岭。很多项目死于「模型很聪明、账单很惊人」，根源就是缺了成本治理这一层。

黄鹂鸟的做法是：先把网关与计量铺好，再谈场景。顺序对了，模型越用越省；顺序错了，模型越用越慌。

如果你是一家中小企业，面对「量价背离」不必焦虑，反而该把它当成红利。当前模型又好又便宜，正是低成本试错的好时机。关键是别被两种极端带偏：一是「全用最贵的」，二是「全用最便宜的」。

我们的建议很具体：先用托管式平台跑通一两个高频场景，验证 AI 到底帮不帮你省钱或赚钱；等调用量起来了，再用统一网关把成本看清楚；确有数据合规要求，再考虑私有化。三步递进，风险最小。

在选型上，别迷信单一厂商的跑分。拿你自己的真实材料去测三家，看谁的性价比和稳定性更适合你。开源权重模型的崛起，恰恰给了你「随时换」的自由，善用这种自由。

最后一句大实话：AI 项目的成败，往往不取决于你用了多强的模型，而取决于你有没有把成本、数据、流程这三件事想明白。模型会一直降价，想明白的团队才能一直受益。