开源模型赢了 Token 流量，Anthropic 赚走了大部分钱

2026年7月17日

核心事件

Decagon CEO Jesse Zhang 指出，尽管开源模型在企业 AI 支出中的占比下降，但这并非因为开源模型失败，而是因为整个企业 AI 市场仍处于成熟曲线的早期。前沿模型（如 Anthropic 的 Opus 4.8）通过占据新应用早期验证阶段，维持了市场主导地位，而开源模型则越来越多地主导生产部署。

关键数据与事实

Decagon 的工作负载分布：
- Decagon 约 90% 的工作负载运行在开源模型上，而非 OpenAI 或 Anthropic 的模型。
- 选择开源模型的主要原因并非成本，而是为了满足生产环境中对低延迟的需求（如客服 AI 智能体），以及需要对小模型进行大规模微调以满足特定任务的质量标准。
Vercel AI Gateway 仪表盘数据（过去一周）：
- DeepSeek 的 Token 处理量升至第一，占总 Token 流量的 三分之一以上。
- 智谱（推出 GLM-5.2）跃升至第四名。
- Anthropic 占据平台 AI 总支出的 半数以上。尽管近期因价格上涨导致其支出份额略有下降，但降幅不明显。
OpenRouter 数据：
- 使用量：DeepSeek V4 Flash 每周处理约 5.3 万亿 Token，是目前最明显的赢家。Anthropic 的 Opus 4.8 每周处理略高于 2 万亿 Token。
- 成本对比：Opus 4.8 的平均 Token 成本大约是 V4 Flash 的 23 倍。
  - Opus 4.8：每百万 Token 平均成本约为 1.37 美元。
  - V4 Flash：每百万 Token 平均成本仅为 0.06 美元。
- 支出推算：尽管 Opus 4.8 的 Token 使用量明显低于 V4 Flash，但鉴于巨大的价格差距，它很可能仍然占据了平台大部分模型支出。
Dario Amodei (Anthropic CEO) 的观点：
- 在 AI 领域，开源是一个“干扰项”或“伪命题”。
- 业内通常将大模型称为“开放权重”而非真正的“开源”，因为用户看不到内部运行机制，也无法像传统开源软件那样由社区共同修改和迭代。
- 他更关心模型是否足够好，能否在重要任务上击败竞争对手，而不是模型是否开源。
- 开源不等于免费，企业仍需花钱在云端运行推理，并需要专业团队进行部署和优化。

深度辨析：双层模型经济的形成

1. 为什么企业转向开源模型？

低延迟需求：在生产环境中，延迟直接决定产品可用性。例如，客服 AI 智能体每轮回复等待 8 秒是不可接受的。
定制化微调：开箱即用的小模型达不到客户要求的质量标准，只有针对特定任务进行大规模微调才能满足要求。
自托管优势：企业对自托管模型更加放心，且开源模型允许他们按照实际需求进行微调，这是前沿模型实验室基本不提供的组合。

2. 为什么前沿模型依然赚钱？

应用生命周期理论：
- 早期验证阶段：当一个新的应用场景刚刚出现时，企业不知道问题最终会呈现什么形态，因此愿意为通用模型的强大智能支付溢价。
- 成熟部署阶段：当应用场景充分成熟，企业了解输入数据分布、模型行为及失败模式后，通用智能反而成了额外负担。此时，企业更需要体量最小、速度最快、经过专门微调的模型。
市场增长过快：可被 AI 覆盖的任务市场增长太快，即便成熟场景迁移到开源模型，顶级模型仍能依靠新应用的早期验证维持地位。
复杂场景无法替代：部分应用场景本身足够复杂，无法完全被价格更低的模型替代。

3. 开源 ≠ 免费

模型体量庞大，企业仍需支付云端推理费用。
需要专业团队进行部署和优化，确保模型快速、稳定运行。
前端模型实验室不提供“小模型+深度微调”的组合，迫使企业必须使用开放权重模型来实现这一目标。

结论

开源模型和企业级前沿模型并非简单的竞争对手，而是 AI 应用生命周期中的两个阶段。

开源模型：凭借“小模型+深度微调”的优势，越来越多地主导生产部署，赢得 Token 流量。
前沿模型（如 Anthropic）：凭借强大的通用智能，继续主导应用发现和新场景验证，赚走大部分收入。

正如 Jesse Zhang 所言：“开源模型支出占比下降，并不是因为开源模型正在失败，而是因为整个企业 AI 市场仍处于成熟曲线的最早期。”这种双层模型经济可能会成为 AI 产业中相对稳定的结构，但迁移过程会比很多人预想的更漫长。