四个月从 7.3% 冲到 30.9%:开源权重模型吃下企业三成 Token,选型逻辑彻底变了
Databricks 基于上万家企业的匿名用量发布 AI Index:开源权重模型的 Token 份额在四个月内从 7.3% 升到 30.9%。与此同时,OVHcloud 发布首个开源模型家族 Olala,用欧洲公共超算训练、8GB 显存即可运行;微软与 UC Berkeley 开源 TokenEconomizer,让编码智能体成本下降 18.4% 到 30.9%。本文拆解开源权重模型逆袭的动因、真实成本与企业选型新逻辑。

- 开源权重模型占企业 Token 份额(2026 年 11 月)
- 30.9%
- 四个月前同一口径的份额,区间翻约四倍
- 7.3%
- OVHcloud Olala mini 可运行的最低显存
- 8GB
- TokenEconomizer 让编码智能体下降的成本区间
- 18.4%–30.9%
要点速览
Databricks 基于 Unity Gateway 上 1 万多家企业的匿名用量发布 AI Index,每周更新。
该指数显示,开源权重模型占企业 Token 份额从 7 月的 7.3% 升至 11 月的 30.9%,四个月翻约四倍。
OVHcloud 于 2026 年 11 月 17 日发布首个开源模型家族 Olala,首发 Olala mini 7A1B:7B 参数、每请求激活 1B,采用 Apache 2.0 许可。
Olala mini 在三家欧洲公共超算上从零训练,8GB 显存即可运行;Qwant 采用后回答快约 20%、运行成本降到约三分之一。
微软研究院与 UC Berkeley 开源 TokenEconomizer,从仓库历史会话提炼经验,277 个修 bug 任务成本下降 18.4% 到 30.9%。
开源权重模型的驱动力是成本、可控性与合规三重因素,而非单纯的「免费」。
开源不等于零成本:推理运维、可观测性、模型升级与安全合规,构成真实的总体拥有成本。
黄鹂鸟视角:多模型混用成常态,企业需要统一网关、成本看板与可替换的架构来驾驭复杂性。
本期三大主角
企业用量趋势、欧洲主权模型与统一底座——理解混模时代的三层视角
开源权重(Open Weight)
企业用量口径 · 四个月吃下企业三成 Token
- 份额 7.3% → 30.9%
- 基于万家匿名用量
- 成本、可控、合规三重驱动
Olala mini 7A1B
OVHcloud · 欧洲公共超算训出的主权模型
- 7B 参数、1B 激活
- 8GB 显存可运行
- Apache 2.0 许可
企业大模型应用平台
黄鹂鸟科技 · 驾驭多模型混用的复杂性
- 统一网关与成本看板
- 按场景路由模型
- 可替换架构与审计
从 7.3% 到 30.9%
开源权重模型份额跃升与相关工具成熟的节奏
- 2026 年 7 月
Databricks AI Index 口径下,开源权重 Token 份额约为 7.3%
- 2026 年 10 月
多家企业加速引入开源权重模型,份额持续攀升
- 2026 年 11 月 16 日
微软与 UC Berkeley 开源 TokenEconomizer,编码智能体成本显著下降
- 2026 年 11 月 17 日
OVHcloud 发布首个开源模型家族 Olala,Qwant 披露采用效果
- 2026 年 11 月
AI Index 显示开源权重份额升至 30.9%,四个月翻约四倍
- 2026 年 11 月 18 日
本文拆解逆袭动因、真实成本与企业选型新逻辑
7.3% 到 30.9%:一个季度翻四倍意味着什么
一组来自真实企业环境的数据,正在改写人们对开源模型的印象。Databricks 基于其 Unity Gateway 平台上一万多家企业的匿名用量,发布了周更的 AI Index。其中最能说明趋势的一项:开源权重模型占企业 Token 消耗的比例,从 7 月的 7.3% 上升到 11 月的 30.9%。
四个月,从不足一成到接近三分之一,份额翻了约四倍。这不是某个实验室的 Self-report,而是来自大量企业真实调用的行为数据——它的分量,比一场发布会的口号要重得多。
这意味着企业用模型的逻辑正在变。过去,选模型几乎是「闭源旗舰一家独大」;现在,开源权重已经占据相当可观的日常用量,尤其在高频、低成本、可私有化的场景里。
当然要注意口径。这组数据来自 Databricks 自家平台,反映的是其客户结构的分布,不能直接等同于全行业。但它至少揭示了一个明确方向:开源权重不再是少数极客的玩具,而是企业生产环境里的现实选项。

不止「免费」:企业转向开源权重的三重动因
很多人以为企业拥抱开源模型只是为了省钱。真实原因要复杂得多,大致可归纳为成本、可控性与合规三重动因。
成本是最直观的一层。开源权重意味着无需按 Token 向厂商付费,在高频调用场景里,长期节省相当可观。尤其当模型能力差距缩小,「够用且便宜」的开源方案对预算敏感的团队极具吸引力。
可控性是关键的一层。开源模型可以私有化部署,数据不出内网,行为可以定制,版本可以锁定。对那些经历过 API 涨价、服务中断、接口变更的团队来说,「把命运握在自己手里」本身就是价值。
合规则是硬约束的一层。在金融、医疗、政务等领域,数据出境与第三方处理受到严格限制;开源模型本地部署,为满足合规要求提供了可行路径。三重动因叠加,才有了份额的跃升。

Olala mini:欧洲超算训出的「主权模型」
与份额数据相呼应的,是 2026 年 11 月 17 日 OVHcloud 发布的首个开源模型家族 Olala,首发型号为 Olala mini 7A1B。它最鲜明的标签是「欧洲主权」——从零开始在三家欧洲公共 supercomputer(Jupiter、MeluXina、Jean Zay)上训练。
官方将约合 700 万欧元的公共算力支持视为项目关键。这背后是一个更宏观的诉求:欧洲希望减少对美国实验室模型的依赖,拥有自己可控的 AI 基础能力。 trainer 成本三年下降约 20 倍,让这种「自建」重新变得可行。
技术规格上,Olala mini 采用 7B 参数、每请求激活 1B 的 MoE 架构,激活参数分布在每层 256 个专家中;混合注意力结合 Differential-TPA 与 Mamba-3,使用 BF16 格式。官方称在 RTX A4500 上吞吐 160 tokens/s,即使无 GPU 的普通处理器也能达到 50 tokens/s。
模型的落地效果已有早期样本。欧洲搜索引擎 Qwant 将其用于「闪答」功能,OVHcloud 称回答速度提升约 20%、运行成本降到约三分之一。这是一个来自真实产品的部署经济学例证。

7B 参数只激活 1B:MoE 如何把成本打下来
Olala mini 的「7A1B」命名,透露了它省钱的核心:7B 是总参数量,代表模型的知识容量;1B 是每次请求实际激活的参数,决定单次计算量。两者之间的巨大落差,正是稀疏 MoE(混合专家)架构的威力所在。
在 MoE 架构里,模型被拆成许多「专家」,每次只唤醒与当前问题相关的少数几个。Olala mini 每层有多达 256 个专家,每次只激活其中一小部分。这样既保留了大模型的能力储备,又把单次推理的成本压得很低。
8GB 显存即可运行,是这种设计最直观的成果。它意味着模型能跑在很多消费级显卡甚至边缘设备上,为本地部署和离线场景打开了空间。
路线图上,OVHcloud 计划年底前推出 1.1 版把上下文扩展到 128K,再往后推出超 100B 参数、面向企业智能体、云运维与网络安全的专用型号。可见「小而省」只是起点,构建完整的能力矩阵才是目标。

TokenEconomizer:省成本不止靠换模型
开源权重份额的攀升,还有一个容易被忽略的推手——围绕模型的「省 Token」工具在快速成熟。微软研究院与 UC Berkeley 开源的 TokenEconomizer 就是典型。
它的思路很聪明:从智能体在同一代码仓库的历史会话里提炼笔记,裁掉用不上的工具,在卡住时提示换一种方法。换句话说,它不换模型,而是让智能体「更聪明地用」模型,少走弯路、少烧 Token。
效果也拿得出手:在 277 个修 bug 任务上,成本下降了 18.4% 到 30.9%。这个降幅与换用更便宜模型所能带来的收益相当,却不需要牺牲模型能力。
这两条路径——换开源模型、优化调用方式——其实是互补的。前者降低单价,后者减少用量,相乘之后才是完整的降本。对企业来说,只盯着模型单价而忽视用量优化,是常见的误区。

换模型降单价,优化调用降用量——两者相乘才是完整的降本,只盯单价是常见误区。
开源不等于免费:总体拥有成本的真实账本
开源权重模型的份额高歌猛进,但「开源即免费」是一个需要澄清的误解。模型权重可以免费下载,但把它稳定跑在生产环境里,是一笔实打实的投入。
第一项是硬件与运维。即使模型能跑在 8GB 显存上,规模化服务仍需要服务器、电力、散热和专职运维人员。这些成本不会因开源而消失。
第二项是工程适配。模型要跑得快,需要推理框架优化、量化、批处理调度、负载均衡;要跑得稳,需要监控延迟、错误率、输出质量。这些都需要工程投入。
第三项是升级与安全。模型会迭代,漏洞会暴露,依赖会变更。企业需要持续跟踪上游、评估升级、修补风险,这是一项长期的人力承诺。
把这些算进来,总体拥有成本(TCO)才是决策依据。开源在很多场景下依然更划算,但理由应该是「可控、可定制、长期成本更优」,而不是想当然的「免费」。

多模型混用成常态:企业选型逻辑怎么变
开源份额 rising 的直接后果,是企业环境里模型越来越多。云端有闭源旗舰,本地有开源模型,还有针对特定任务的小模型与决策模型。多模型混用,正在成为常态。
这带来了新的复杂性。不同模型有不同的接口、计费方式、能力边界和数据策略;不同部门可能各自选型,形成孤岛。管理这些复杂性,成了比「选哪个模型」更重要的命题。
选型逻辑也随之改变。过去是「选一个最强的」,现在是「按场景组合」:高难任务用旗舰,高频任务用开源,敏感数据用本地,简单任务用小模型。没有哪个模型能通吃所有场景。
这意味着企业的核心能力,从「拥有某个模型」转向「驾驭多个模型」——统一接入、智能路由、成本看板、灵活替换。谁能管好这个模型矩阵,谁就能真正享受开源红利。

黄鹂鸟视角:用统一网关管好混模时代
从开源份额攀升到多模型混用,我们看到的趋势与企业 AI 落地的实践高度契合:复杂性上移,底座的价值凸显。当模型越来越多,统一的底座就成了刚需。
第一是统一接入。企业大模型应用平台把闭源旗舰、开源模型、本地小模型接入同一网关,屏蔽接口差异,让业务侧无需关心背后是谁在服务。
第二是智能路由与成本看板。按任务类型、成本预算、数据敏感度自动分配模型,并把每一次调用的成本计量清楚——这是在混模时代控制账单的关键。
第三是数据与知识沉淀。用数据治理平台保证输入数据可信,用知识库管理系统沉淀行业知识,让无论哪个模型都能获得一致、可靠的上下文。
第四是治理与弹性。权限、审计、人工复核点必须到位;架构要支持随时替换模型,避免被任何一家厂商锁定。
一句话总结:开源权重模型的崛起,把「用哪个模型」变成了一道多选题;而把它们管好、用好、算清账,靠的是统一网关、成本看板与可替换的架构底座。

开源让「用哪个模型」成了多选题——把它们管好、用好、算清账,靠的是统一底座。
从份额到价值:开源权重会走向哪里
份额从 7.3% 升到 30.9%,是一个值得记录的拐点。但对企业管理者而言,比「份额涨了多少」更重要的,是判断这股趋势会不会持续、会把选型逻辑带向何方。看清方向,才能避免在快速变化的市场里做出短视的决定。
第一个判断是:能力差距的收窄是根本驱动力。企业之所以敢用开源模型,是因为它在越来越多的任务上「够用了」。当能力差距缩小到可接受范围,成本、可控与合规这些原本次要的因素就会上升为主要考量。只要这个趋势不变,开源份额的提升就有扎实基础,而非一阵风。
第二个判断是:垂直与专用模型会成为新增量。Olala 的路线图已经透露端倪——面向企业智能体、云运维与网络安全开发专用型号。通用大模型解决了「有没有」,下一步就是「专不专」。那些深耕特定行业、特定场景的模型,很可能成为开源生态里增长最快的部分。
第三个判断是:商业模式仍在探索。开源权重如何变现,是整个行业都在回答的问题。有的靠云服务,有的靠企业支持与订阅,有的靠生态与硬件。模式未定,意味着机会与风险并存——企业享受红利的同时,也要留意上游项目的可持续性,避免押注一个难以为继的社区。
第四个判断是:治理与合规仍是最大变量。开源带来可控性的同时,也把安全、许可、内容合规的责任更多转移到了使用者身上。EU AI Act 之类的监管框架逐步落地,对模型的文档、透明度与可追溯性提出要求。能否满足这些要求,会直接影响开源模型在 regulated 行业的渗透速度。
把这些判断合起来,对企业的启示就清晰了:把开源权重当作长期选项来布局,而不是短期套利;把重点放在「驾驭模型」的能力建设上——统一网关、成本看板、数据治理与知识沉淀。这些能力不随某个模型的兴衰而贬值,反而在模型越多、选择越多的环境里越值钱。
还有一层容易被忽视的工作,是许可与合规的审查。开源权重不等于可以随意商用,不同模型采用的许可协议差异很大:有的宽松允许商用与再分发,有的附带使用范围限制或伦理条款。企业在引入之前,应当让法务与合规团队逐条核对许可文本,确认在自己的使用方式下没有越界,尤其当模型要嵌入对外提供的产品或服务时。把这一步做在前面,能避免业务跑起来之后才发现的合规隐患。
最后是能力建设。工具再好,也需要人来驾驭。企业需要培养一批既懂业务、又理解模型能力边界的复合角色,他们负责设计评测样本、解读调用数据、判断什么时候该换模型、什么时候该优化流程。这类能力不会因为某一款模型流行或过时而失效,反而在模型越来越多、选择越来越复杂的环境里愈发稀缺。从这个角度看,布局开源权重的最大价值,不在于省下眼前的账单,而在于借此建立起一支能持续驾驭技术变化的团队。

把开源当长期选项布局,把精力放在驾驭模型的能力上——这些能力不随模型兴衰而贬值。
把趋势落成系统
文中反复强调的前提——数据在线化、流程结构化——正是下面这些系统在解决的事
常见问题
据 Databricks 发布的 AI Index,该指数基于其 Unity Gateway 平台上一万多家企业的匿名用量、每周更新。数据显示开源权重模型的 Token 份额从 7 月的 7.3% 升到 11 月的 30.9%。这反映的是该平台客户结构,不代表全行业精确占比。
看懂了趋势,下一步是选对系统
告诉我们你的行业、团队规模和最想自动化的环节,我们从 866 条产品线里帮你匹配合适的管理系统, 或按需求定制开发——并为 AI 接入预留好规范的数据接口。
7×24小时在线

把文章里的思路,落成你的系统方案
留下行业与业务规模,我们免费给出针对性的选型建议与实施路径
服务保障
- 免费需求分析
- 按行业匹配系统
- 实施方案透明
- 7×24 技术支持



