搜索
过去三年，大模型行业至少经历了几次明显的重心切换。
最早的时候，市场看的是技术上限和想象空间。一家大模型企业只要交出足够强的新模型，就算完成了阶段性任务。
后来，评价标准转向API。模型不能只在发布会上展示能力，还要真正被开发者调用、被企业接入。性能之外，用户数、调用量和收入规模也开始变得重要。
随着模型厂商逐渐走向IPO，市场已经等不及了：收入规模有了，利润要从何而来？大模型企业如何在AI行业中攫取更大的利润？
市场的审视步步紧逼，行业竞争已从前期的技术想象力，跨入了对商业化造血能力的严苛拷问。
作为“全球大模型第一股”的智谱，在充分享受到资本市场的估值溢价和融资优势后，也必然首先面临聚光灯下更为细致的审视，承受资本和产业更多的期许。
这是一份荣耀，同样也是一份不小的压力。大模型行业尚未形成一条可以照着走的成熟路径，智谱没有现成答案可以沿用，公司需要提前对行业做出判断和资源押注。当然，这也意味着承担风险。
这份被戏称为“技术报告”的财报，也把智谱过去几年在模型、商业化和基础设施上的几次选择摆到了同一张桌面上。
01
商业化的终点不是卖API
在大模型商业化早期，开放平台和API几乎是最顺手的一条路径。API标准化程度高，开发者接入快，计费口径清楚，且能按调用持续产生收入，相比本地化部署和项目制交付更容易放大规模。
但问题也很明显。市场一直担心，只卖API的大模型公司，会不会同时受到上游算力成本和下游同质化竞争的挤压，最终变成缺少定价权的“算力批发商”。
比同行更早把API做成主要收入来源的智谱，也因此更早需要回答一个问题：大模型公司的商业模式，是否只能停留在卖调用？
智谱在财报中给出了一条相对明确的四段式路径：卖模型、卖API、卖订阅，最后卖任务结果。
这四个阶段，大致对应着大模型能力梯度的演进：Chat交付一次回答；Coding交付一段可运行的代码；Co-work交付一份可以被专业人士复核的结果；Autonomous AI交付一个可持续运行的任务。
“卖任务结果”也正在成为AI应用企业对商业化终局的共同判断。港股市场上的滴普科技、迈富时等AI应用企业，也都提出过类似设想。
对智谱来说，这条路径并不完全是纸上谈兵式的推演，公司过去几年的业务变化已经在印证。
早期，智谱的收入更多来自项目制交付和订阅制产品。此后，伴随模型能力的不断提高，特别是Coding能力越来越受到重视，API也逐渐接过收入增长的主力。
2026年上半年，智谱实现收入9.54亿元。其中，开放平台及API业务收入同比增长逾27倍，贡献近九成营收，已成为公司的业务主引擎。
这背后是用户规模、付费活跃度的同步提升。截至2026年8月，智谱MaaS平台用户数较年初增长144%，付费日活用户数则较年初增长603%，并进一步推动MaaS业务按8月收入年化计算的规模达到16亿美元。用户、付费活跃度与收入的连续增长，均表明模型能力正在转化为实际调用和规模化收入。
如果放回到四段式路径中看，智谱目前所处的位置是：公司已经进入以API为主要收入来源的阶段，订阅也开始产生收入，但距离“卖任务结果”，仍有一段路要走。
从模型能力来看，Coding已经成为相对成熟的商业化场景，网络安全开始进入Co-work验证阶段，法律以及其他专业领域则仍处于较早期。
这意味着，在新的商业模式成熟之前，API不会只是一个短暂的过渡阶段。至少在当前乃至未来一段时间里，API仍将是智谱最主要的收入来源，也需要承担起扩大收入规模、改善盈利能力的双重任务。
因此，智谱接下来必须回答的问题是：
API究竟只能做大收入规模，还是也能创造利润？
02
押注AI Infra
这既是智谱需要回答的问题，也是整个大模型行业迟早都要面对的一次检验。
截至2026年8月，智谱API平均价格上涨约101%，在收入快速增长的同时实现量价齐升。这至少说明，客户并非只会选择价格最低的模型。当模型能力达到SOTA水平，市场愿意为更高的智能支付溢价。
相应地，智谱开放平台及API业务毛利率升至24.6%，同比提升约25个百分点。
这份财报由此给出了一个阶段性的肯定答案：API并不必然是一门低毛利生意。只要模型能够为客户创造足够高的任务价值，就有机会转化为定价权。
但对资本市场而言，24.6%的毛利率还谈不上足够“性感”。无论与传统软件订阅业务相比，还是与成熟互联网平台相比，这一水平依然偏低。更重要的是，依靠SOTA能力形成的价格溢价未必能够长期维持。毕竟，没有哪家公司可以保证自己的模型始终领先。
因此，智谱率先证明API不是一个低价生意之后，还必须继续回答一个更难的问题：假如模型不再独占领先优势，要靠什么维持利润率？
对许多仍处于技术投入期的大模型公司来说，这个问题或许还可以暂时延后；但智谱已经上市，API又已经成为主要收入来源，并没有继续回避的空间。
智谱给出的解法，是通过AI Infra适配国产芯片，进而持续降低Token成本。
这条路线并不是临时起意。国产芯片适配和推理基础设施建设都需要较长周期，智谱早在规模化需求真正出现之前，就已先投入工程资源完成技术路线选择和基础设施建设。
这也是一项代价不轻的押注。2026年上半年，智谱研发支出达到21.31亿元，同比增长33.6%。在继续推进模型迭代的同时，公司还需要投入大量工程资源建设推理基础设施、适配国产芯片。
但“牛来”模型以及背后的GLM-5.3-Flash，为这项押注提供了一次阶段性验证。智谱披露，公司已经在10万张以上国产芯片组成的集群上实现规模化推理，单位Token推理成本较年初下降80%；GLM-5.3-Flash的线上服务，也由这一国产算力集群承载。
模型能力向上创造价格空间，AI Infra向下压低交付成本，一升一降，才构成API毛利率改善的完整逻辑，这也符合智谱提出的“算力乘数”理论。
对国产算力而言，智谱的这项成果同样具有意义。阿里巴巴此前披露，自研芯片已经部署于云服务且占比还会持续提升；智谱则从一家大模型公司的经营角度进一步说明，国产芯片不仅可以“跑模型”，还可能支撑规模化推理和商业运营。
03
Scaling没有停止，只是重心正在变化
AI Infra回答的是如何降低模型的推理成本，但要持续创造定价权，最终仍然取决于模型能力能否继续提高。由此，问题又回到了大模型竞争最核心的一条主线：Scaling将如何继续？
过去一年，行业围绕这一问题产生了分歧：模型能力要继续提升，究竟应该扩大基座模型和预训练规模，还是把更多资源投入后训练、强化学习以及任务环境？
智谱一度被贴上“后训练仙人”的标签，甚至让外界误以为其正在弱化预训练。但实际上，智谱从一开始便押注通用基座模型，后续的GLM-5.2和GLM-5.3也都是在同一基座上持续迭代而来。对后训练的重视，并非路线转向，而是随着模型演进，把资源投向了当前边际收益更高的环节。
智谱在业绩电话会中将模型能力的提升拆分为四个维度：基座规模、有效深度、训练深度和任务环境。
基座规模决定模型知识和能力的基本盘；有效深度决定模型能否把计算真正用于解决问题；训练深度关系到强化学习和长程任务中的能力提升；任务环境则决定模型能否在接近真实世界的反馈中不断学习。
早期的大模型竞争，主要集中在第一个维度。逻辑相对直接：模型更大、数据更多、计算量更高，能力通常也会随之提升。
但当行业进入更复杂的推理和智能体阶段，仅仅增加参数已经不足以解决所有问题。模型是否能够进行更长时间的思考，能否在任务中不断试错，是否拥有足够真实和复杂的训练环境，开始成为新的能力瓶颈。
因此，未来的Scaling不再只是横向扩大模型，而是同时向纵向和外部环境延伸。
GLM-5.3可以视为智谱对“训练深度”的一次验证。在与GLM-5.2采用相同架构、总参数量和激活参数量的情况下，GLM-5.3主要扩大了长程任务环境和后训练规模，端到端任务完成率由此提升超过50%。
按照规划，智谱未来还将继续推进下一代基座模型、长程强化学习、Loop Transformer以及大规模真实任务环境建设，并探索Fully Self Training，即让模型更多地参与生成训练数据、提出任务、验证结果和完成自我迭代。
如果这一方向能够成立，大模型训练可能逐渐形成一个新的闭环：模型进入真实任务环境，在执行过程中获得反馈，再通过强化学习和自训练提高能力，最终处理更长、更复杂的任务。
届时，决定模型竞争力的就不再只是参数规模，而是谁拥有更高质量的任务环境、更有效的反馈机制，以及更强的算力转化效率，这同样指向“算力乘数”的本质：一端降低推理成本，另一端提高能力产出。
04
总结
智谱这份财报真正提供的，并不是一家大模型企业已经跑通高利润模式的结论，而是一份先行者在商业化关键节点交出的阶段性答卷。
如果把智谱过去几年的发展路径串联起来，会看到公司的这一点特质：前置预判行业方向，提前押注资源，再以产品落地与经营数据逐步兑现。
早期押注通用基座模型，换来如今可持续迭代的模型能力；果断从项目制向MaaS/API转型，催生出调用量与营收的规模化爆发；提前投入国产算力和推理Infra，直接反映在单位Token成本下降和毛利率的改善；而Coding、Agent这些更早布局的方向，也正在从能力演示走向真实使用。
智谱此前对行业作出的判断，正在一个个落到经营结果上。
当然，在大模型这样一个尚无成熟坐标系的新兴产业中，每一次前瞻判断，都意味着要为不确定性承担风险。这份压力依然会落在作为“先行者”的智谱身上，其不能只告诉市场行业未来可能走向哪里，还必须率先用收入、毛利率和可持续的商业模式，验证这条路线确实可以向前走。
因此，接下来观察智谱，模型榜单和收入增速当然重要，但更关键的是三条主线能否共振：模型继续创造定价权，AI Infra持续释放成本空间，业务模式进一步拓展。
只有当这三条线真正合拢，智谱才真的能抢占“时间差”。
