中国大模型竞争进入“规模、智能体集成、成本优化”并行阶段
AI 摘要卡
中国大模型竞争进入“规模、智能体集成、成本优化”并行阶段
野村专家电话会认为，中国 LLM 厂商的下一轮竞争将由多万亿参数扩展、模型与智能体工具链深度集成、以及系统级 token 经济性共同驱动，DeepSeek 在低成本和开发者采用上具备突出位置。
- 中国 LLM 可能迈向约 3tn 参数规模，但单纯扩大参数的边际收益正在下降。
- 模型竞争重点正在从单一模型能力转向模型、工具调用、智能体执行和真实工作流反馈形成的一体化系统。
- 专家估算 DeepSeek 2026 年 6 月 ARR 约 USD520mn，其中海外市场贡献约 47-48%。
- DeepSeek 混合推理成本估计低于 CNY0.8/百万 tokens，混合售价约 CNY1.3/百万 tokens，推理贡献毛利率约 40%。
- 低成本开源模型可能在 token 密集型执行层获得更高使用量，并对海外闭源模型 API 溢价形成压力。
研报解读
概览
本报告总结野村中国互联网团队与一位中国领先 LLM 厂商专家的电话会。核心观点是，中国大模型竞争正从单纯模型参数竞赛，转向计算规模、模型与智能体工具链集成、系统级推理成本优化、以及真实用户交互数据飞轮的综合竞争。DeepSeek 被视为处在这些趋势交汇点上的代表性厂商，其低成本架构、开发者导向的海外增长和开源策略可能改变全球 LLM 定价与使用结构。
核心观点
报告认为，中国 LLM 仍会继续扩展模型规模，约 3tn 参数可能成为下一阶段实际里程碑，但参数规模的边际收益正在下降。长期竞争力将更多取决于后训练效率、内存管理、可靠工具调用、长周期任务表现和模型智能体系统集成。DeepSeek 延迟 V4 正式发布部分反映其仍需在 agent-harness 层进行调试与优化，其目标是形成类似 Claude Code 或 Codex 的集成式产品，覆盖专业软件开发和更广泛的知识工作任务。
分析框架
报告采用专家访谈与行业趋势分析方法，从模型规模、工具链集成、成本结构、海外采用、开源策略和竞争周期变化六个角度评估中国 LLM 产业演进。分析重点不是传统财务估值，而是通过推理成本、售价、ARR、海外收入占比和用户结构等指标判断 DeepSeek 及中国 LLM 厂商的竞争位置。
方法论与常识提炼
参数扩展与效率优化并重
报告认为多万亿参数模型仍是中国 LLM 的发展方向，但竞争力将越来越取决于架构效率、后训练效率、内存管理和长任务执行能力。
model-harness integration
模型与工具调用、任务轨迹、用户纠错和执行失败反馈结合后，可形成专有数据飞轮，使竞争优势从单一模型迁移到集成式模型智能体系统。
推理成本、售价与贡献毛利
报告用每百万 tokens 的推理成本和售价衡量价格竞争力，并指出 DeepSeek 通过缓存、注意力和内存管理、NVMe SSD KV-cache offloading、国产加速器部署等方式降低成本曲线。
标的映射与对比
研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。
- DeepSeek报告核心讨论对象，未上市
- 优势
- 具备价格性能优势、较低推理成本、开发者导向海外增长、开源分发能力，以及通过架构和基础设施优化降低成本曲线的能力。
- 劣势
- 大型企业渗透仍相对有限；V4 延迟发布显示 agent-harness 层仍需调试和优化；直接商业化可能受开源策略拖累。
- 对比
- 相较 Claude Code、Codex 等高端海外模型工具，DeepSeek 可能更多切入持续代码生成和执行等 token 密集型环节，而不是完全替代复杂规划和高可靠推理任务。
- 风险
- 模型能力差距、产品集成进度、海外合规与客户信任、价格竞争、训练和研发成本未计入推理毛利估算。
- 海外 frontier modelsDeepSeek 的对标和互补对象
- 优势
- 在复杂推理、可靠性和高质量任务完成方面仍有溢价空间。
- 劣势
- 高 API 定价可能在低成本开源模型普及后受到压力。
- 对比
- 报告描述开发者可能先用 Claude Code 或 Codex 进行规划、架构设计和复杂推理，再切换至 DeepSeek 执行高 token 消耗的代码生成和落地任务。
- 风险
- 若用户更习惯在工作流中按任务路由模型，闭源模型在执行层 token 份额可能被低价模型侵蚀。
- 中国 LLM 开发商行业趋势受益群体
- 优势
- 可能受益于更大计算集群、supernodes、高速互联、光网络和国产加速器部署。
- 劣势
- 参数扩展边际收益下降，单代模型领先时间缩短，竞争周期加快。
- 对比
- 竞争优势将从单独模型能力转向集成模型智能体系统、自动评估和真实工作流训练信号。
- 风险
- 算力供给、模型调试、成本控制、商业化路径和开源对收入转化的影响。
关键数据
- 下一阶段中国 LLM 参数规模里程碑约 3tn 参数专家认为这是中国 LLM 的下一 practical milestone。
- DeepSeek 估算 ARR约 USD520mn截至 2026 年 6 月的专家估算。
- DeepSeek 海外市场收入贡献约 47-48%海外用户集中在欧洲和美国，其次为日本、韩国和澳大利亚。
- DeepSeek 混合推理成本低于 CNY0.8/百万 tokens假设 60% cache-hit rate，不包括模型训练算力、训练相关人员费用和其他研发成本。
- DeepSeek 混合售价约 CNY1.3/百万 tokens对应估算推理贡献毛利率约 40%。
- DeepSeek V4 代际降价幅度约 75%报告称即便明显降价，DeepSeek 仍可维持约 40% 推理贡献毛利率。
- 单代模型领先周期约 3-4 个月专家认为已从约 6 个月缩短，AI-in-the-loop 是主要驱动因素之一。
影响与含义
报告的投资含义在于，LLM 产业价值可能从单纯模型参数和闭源 API 溢价，逐步转向成本曲线、工具链集成、真实工作流数据和开发者生态。DeepSeek 这类低成本、开源、开发者导向模型不一定完全替代海外 frontier models，但可能在 token 消耗更高、价格敏感度更强的执行层获得大量份额，从而压低全球推理服务价格并重塑模型分层使用方式。
风险
- 单纯扩大参数的边际收益下降，可能削弱规模化训练带来的竞争优势。
- DeepSeek 的成本和毛利估算不包括训练算力、训练相关人员费用和其他研发成本，不能直接等同于完整公司毛利率。
- 低价和开源策略可能提升采用率，但也可能压制直接商业化收入。
- 大型企业客户渗透仍有限，海外增长目前更偏开发者和中小项目团队驱动。
- 模型领先周期缩短至约 3-4 个月，行业竞争加速可能提高持续研发压力。
后续跟踪
- DeepSeek V4 的正式发布时间、agent-harness 稳定性和产品形态。
- DeepSeek 海外 ARR 增长、海外收入占比和大型企业客户渗透变化。
- 每百万 tokens 推理成本、售价和价格调整节奏。
- 开源模型对闭源 API 溢价和全球模型定价的压力。
- AI-in-the-loop、LLM-as-a-Judge、多模型评分和 teacher-model feedback 在模型迭代中的应用速度。
- 国产加速器、NVMe SSD KV-cache offloading、光网络和高利用率基础设施对成本曲线的影响。