中国大模型供给与厂商研究：厂商类型划分与差异化布局全解析（精华版）

厂商类型划分与差异化布局全解析 概览标签：人工智能、中国大模型 ChinaLarge Language Model Industry中国の大規模言語モデル産業 1报告提供的任何内容（包括但不限于数据、文字、图表、图像等）均系头豹研究院独有的高度机密性文件（在报告中另行标明出处者除外）。未经头豹研究院事先书面许可，任何人不得以任何方式擅自复制、再造、传播、出版、引用、改编、汇编本报告内容，若有违反上述约定的行为发生，头豹研究院保留采取法律措施、追究相关人员责任的权利。头豹研究院开展的所有商业活动均使用“头豹研究院”或“头豹”的商号、商标，头豹研究院无任何前述名称之外的其他分支机构，也未授权或聘用其他任何第三方代表头豹研究院开展商业活动。报告提供的任何内容（包括但不限于数据、文字、图表、图像等）均系头豹研究院独有的高度机密性文件（在报告中另行标明出处者除外）。未经头豹研究院事先书面许可，任何人不得以任何方式擅自复制、再造、传播、出版、引用、改编、汇编本报告内容，若有违反上述约定的行为发生，头豹研究院保留采取法律措施、追究相关人员责任的权利。头豹研究院开展的所有商业活动均使用“头豹研究院”或“头豹”的商号、商标，头豹研究院无任何前述名称之外的其他分支机构，也未授权或聘用其他任何第三方代表头豹研究院开展商业活动。 头豹研究院头豹研究院 研究目的与观点摘要 ➢中国大模型产业正从模型发布密集期进入供给分层与商业化验证阶段，厂商竞争重点由参数规模、榜单表现和单点模型能力，转向推理成本、系统集成、数据治理、复杂场景交付和业务价值兑现。本报告从厂商类型、能力结构、开闭源路线和竞争格局演化四个维度展开研究，重点回答中国大模型供给侧由哪些类型厂商构成，厂商竞争能力如何变化，开源与闭源路线如何影响商业化路径，以及产业成熟后利润和定价权将向哪些节点转移。 1.厂商能力：厂商能力的核心是否仍是模型参数和通用榜单？ 不是，模型能力决定入场资格，工程化交付和场景价值决定商业化上限。 随着头部基础模型能力差距收窄，参数规模、通用榜单和单点交互质量只能决定厂商是否进入客户评估名单，已不足以解释商业化结果的分化。企业客户真正采购的不是单一模型，而是一套能够接入私有数据、嵌入业务系统、满足合规要求并产生可验证ROI的智能化系统。因此，厂商能力正在从“模型能力”转向“模型能力工程化变现能力”。这一能力主要体现在三方面：软硬协同决定单位推理成本、高并发服务效率和算力有效转化率；系统集成决定模型能否进入企业IT、数据和工作流体系；复杂场景交付决定厂商能否在医疗、金融、工业、科研等高价值场景中形成持续收入。 供给格局：当前中国大模型厂商的供给格局如何划分？2. 中国大模型供给不是简单收缩，而是从厂商数量扩张转向供给结构分层。 中国大模型供给主体可归纳为三类：云厂商、大模型原生厂商和场景生态型模型厂商。这一划分的重点是不同主体掌握的资源禀赋和价值捕获位置不同。云厂商依托算力、云资源、企业客户和开发者生态，更接近模型服务的平台化入口；大模型原生厂商依托模型架构、算法迭代、Agent和多模态能力，更接近技术创新和开发者心智；场景生态型模型厂商则依托既有业务中的数据、场景、终端入口和客户关系，把模型能力嵌入原有业务流程。前沿基础模型受资金、算力、工程和数据门槛约束，将向云厂商、大型平台和少数AI原生头部集中；但开源模型、云托管、私有化部署、微调、蒸馏和端侧适配会降低模型服务供给门槛，推动行业模型、应用模型和场景模型持续扩散。3. 路线博弈：开源与闭源路线的商业化差异是什么？ 开源扩大生态覆盖，闭源保留高价值利润池，中国厂商大概率走向双轨制和混合变现。 开源与闭源的差异，本质上不是技术路线差异，而是价值优先在哪个环节被捕获。闭源路线强调将高价值模型能力保留在自有平台内；开源路线则强调先扩大开发者覆盖、模型装机量和生态影响力，再通过云托管、官方API、私有化部署、调优服务、模型蒸馏和行业交付回收价值。因此，中国头部厂商大概率不会走向纯开源或纯闭源，而是走向“分层开放、混合变现”的双轨制。基础模型、成熟能力或轻量模型开放给社区，以扩大生态覆盖和企业选型入口；旗舰模型、企业级能力、高成本推理服务和平台化能力则留在自有体系内，用于承接高价值调用、企业客户和持续服务收入。4. 竞争演化：产业成熟后，厂商的竞争结构和利润分配将如何变化？ 长期利润不取决于“是否有模型”，而取决于厂商能否占据算力、平台、入口和行业交付等强定价权节点。 产业成熟后，长期利润和定价权不会持续停留在单一通用模型层。随着模型供给增加、开源模型扩散、API价格下探和基础能力差距收窄，通用模型会逐渐从技术稀缺品转为基础能力，模型层单位利润将持续承压。真正能够沉淀长期利润的节点，将向更接近稀缺资源、客户入口和业务结果的位置迁移。算力基础设施掌握高端算力供给和推理成本控制能力；MaaS/云平台掌握模型调用、部署、治理、合规、安全和企业客户关系；应用入口掌握用户流量、交互数据和产品体验；行业解决方案掌握业务流程、行业数据和可验证ROI。 内容目录 ◆厂商能力与产品体系 •大模型厂商的供给方类型与能力分工•高并发推理需求下，软硬协同如何影响厂商能力？•系统集成将如何影响厂商能力？•厂商向复杂场景延伸的产品能力如何评估？ ◆开源与闭源竞争路线 •厂商开源与闭源的商业化差异是什么？•厂商开源/闭源战略切换的真实考量是什么？•开源和闭源模型厂商的竞合关系是怎样的？ ◆供给演化与竞争结构 •高资金和高技术门槛下，模型的供给将怎样演化？•边缘计算与端侧模型会创造哪些新生态位？•产业成熟后，利润和定价权将向哪些节点转移？ ◆头豹业务合作介绍 ◆方法论与法律声明 ◆前沿模型：指在模型规模、推理能力、多模态能力、代码能力、Agent能力或综合评测表现上处于行业领先水平的模型。前沿模型通常需要较高训练成本、算力资源、工程团队和数据体系支撑。◆MaaS（ModelasaService）：模型即服务。指厂商通过云平台或模型平台向客户提供模型调用、部署、调优、评测、知识库、Agent编排和运维等服务。MaaS是大模型商业化的重要承接方式。◆API调用：指客户或开发者通过接口访问模型能力，并按照调用量、输入输出Token数量、并发规格或服务等级付费。API调用是闭源模型和平台型模型服务的典型收入来源之一。◆Token：大模型处理文本时的基本计量单位，可以理解为模型输入和输出内容被切分后的片段。模型API通常按照输入Token和输出Token数量计费，因此Token价格会直接影响企业使用成本。◆MoE（Mixture of Experts）：混合专家模型。指模型内部包含多个专家网络，在推理时根据任务动态激活部分专家，从而在保持较大总参数规模的同时降低单次推理计算量。MoE常用于提升模型性能与推理效率之间的平衡。◆KVCache（Key-ValueCache）：注意力机制中的键值缓存。大模型在长文本生成和多轮对话中会缓存历史上下文信息，以减少重复计算。KVCache管理能力会影响显存占用、长上下文处理能力、并发吞吐和推理成本。◆高并发推理：指大量用户或企业系统在同一时间向模型发起请求，要求模型在稳定延迟和可控成本下持续响应。高并发推理对算力调度、显存管理、芯片互联、推理引擎和平台稳定性提出较高要求。◆推理引擎：指负责模型推理任务执行、请求调度、批处理、显存管理和加速优化的软件系统。推理引擎效率会影响模型响应速度、并发吞吐、资源利用率和企业部署成本。◆算力有效转化率：指厂商将底层芯片、集群和云资源转化为实际模型服务能力的效率。算力有效转化率越高，单位推理成本越低，厂商越能在价格竞争中维持盈利能力。◆SLA（ServiceLevelAgreement）：服务等级协议。指服务提供方对系统可用性、响应时间、稳定性、故障恢复等指标作出的承诺。在大模型企业级部署中，SLA反映模型服务能否满足生产环境要求。◆TCO（TotalCostofOwnership）：总拥有成本。指企业部署和使用大模型过程中产生的全部成本，包括模型调用、算力资源、数据治理、系统集成、运维、安全合规和人员投入等。◆RAG（Retrieval-Augmented Generation）：检索增强生成。指模型在回答问题前先从企业知识库、文档库或外部数据库中检索相关信息，再结合检索结果生成回答。RAG常用于企业知识问答、客服、文档分析和合规场景。◆知识内化：指通过预训练、微调、强化学习或领域数据训练，将专业知识、行业规则、诊疗指南、工艺流程等深度嵌入模型能力中，而不是仅依赖外部提示词或临时检索。 Chapter1厂商能力与产品体系 ❑大模型供给侧已从单一模型厂商竞争，演化为多类型主体共同参与的分层格局。云厂商依托算力、云资源、企业客户和开发者生态，把大模型作为云服务能力的延伸；AI原生厂商依托算法迭代、模型架构、Agent和多模态能力形成技术差异；硬件厂商通过芯片、终端和边缘设备控制模型入口；行业厂商则依托垂直数据和行业Know-how，推动模型能力进入医疗、金融、工业、教育等场景。 ❑厂商竞争的关键正在从“是否拥有模型”转向“能否把模型能力稳定、低成本地转化为业务价值”。软硬协同决定单位推理成本和算力有效转化率，系统集成决定企业落地效率和生产环境稳定性，复杂场景交付决定厂商能否进入高价值业务流程。 大模型厂商的供给方类型与能力分工 •中国大模型行业正在形成三类厂商的供给格局：云厂商、大模型原生厂商和场景生态型模型厂商 大模型三种典型厂商 中国大模型厂商的主要分类 场景生态型模型厂商 云厂商 大模型原生厂商 从既有业务场景切入大模型，例如终端设备、智能汽车、教育、办公、营销、内容生成等。 依托云计算、算力资源、企业客户与平台生态，围绕通用模型、模型开发平台、私有化部署和行业解决方案构建供给体系。 以模型研发、推理效率、Agent能力和多模态能力为核心，围绕旗舰模型、API调用、应用产品和开发者生态构建商业化路径。 ◼当前中国大模型供给方按资源禀赋可划分为三大类型。云厂商更接近平台化入口，大模型原生厂商更接近模型与Agent创新，场景生态型模型厂商则通过“模型+场景+数据+渠道”强化原有业务壁垒。 ◼AI原 生 厂 商 以 模 型 迭 代 速 度、推 理 成 本 控 制 和Agent能力争夺技术心智。它们短期更容易获得开发者和C端用户关注，但长期仍需要在订阅、API收入、Agent产品或垂直场景中证明商业闭环。 ◼云厂商把模型能力转化为云资源消耗、API调用、企业开发工具和应用生态。大模型的价值是放大云平台的客户黏性和算力消耗。 大模型厂商的供给方类型与能力分工 •中国大模型行业正在形成三类厂商的供给格局：云厂商、大模型原生厂商和场景生态型模型厂商 ◼场景生态型模型厂商布局大模型，并不只是参与通用基础模型的正面竞争，而是将既有行业中的数据、算法、算力、场景入口或客户资源转化为模型能力与商业化优势。 在高并发推理需求与业务落地压力下，对厂商能力的关注将从技术转向业务视角的复合指标 ◼在“三类厂商”并存的供给格局下，厂商竞争不能只用模型参数、榜单成绩和单次推理成本衡量。云厂商的优势在算力、平台和企业交付；大模型原生厂商的优势在模型迭代、产品创新和开发者生态；场景生态型模型厂商的优势则来自既有业务中的数据、算法、终端入口和客户场景。 ◼当ScalingLaw边际效益递减，基础模型能力趋同化加速，技术视角的孤立指标将无法解释商业结果的分化。系统工程化交付能力，包括私有化部署周期、复杂生产环境的稳定性保障、全生命周期TCO，正成为B端采购的核心决策依据。这要求评估框架从"单点交互质量"升级为"系统级SLA达成率"，从"理想实验室条件"切换到"复杂生产环境适配度"，从"通用基准跑分"转向"业务场景ROI验证"。 ◼同时，缺乏垂直场景工程化封装能力的厂商，在复杂场景交付中将面临成本与场景适配的双重压力。如Ki