中国LLM竞争进入规模、Agent集成与成本曲线并重阶段

概览

本报告整理野村中国互联网团队与中国领先大语言模型厂商专家的电话会要点。专家认为，中国LLM竞争将围绕三条主线展开：继续扩大模型与算力规模、深化模型和Agent工具链的一体化、强化系统级token经济性。DeepSeek虽未上市，但被专家视为处于这些趋势交汇点的代表性玩家，目标是在缩小与海外前沿模型能力差距的同时，保持结构性低成本和更低token价格。

核心观点

核心观点是，未来LLM竞争优势将从单一模型能力转向模型、Agent工具链、真实用户交互和成本曲线的综合系统能力。参数规模仍重要，但边际收益下降；更可靠的工具调用、长周期任务执行、自动评测和高质量训练信号提取将决定迭代速度。DeepSeek通过注意力与内存管理优化、KV-cache下沉至NvMe SSD、提高基础设施利用率以及使用国产加速器，有望把成本优势转化为价格优势和开发者渗透。

分析框架

报告采用专家访谈和行业趋势归纳方式，围绕模型规模、产品形态、成本结构、海外采用和开源策略五个维度分析中国LLM生态。其判断主要来自专家对DeepSeek成本、ARR、用户结构、模型发布节奏和开发者工作流的估计。

方法论与常识提炼

• 行业竞争分析模型规模与效率权衡

  参数规模边际收益下降

  报告认为模型仍会继续扩展至多万亿参数，但单纯堆参数的收益正在下降，竞争将更多依赖架构效率、后训练效率、内存管理和长任务表现。

• 产品与数据飞轮模型-工具链一体化

  Agent工作流数据飞轮

  模型嵌入Agent工具链后，任务轨迹、工具调用、用户修正、执行失败和真实工作流可反哺训练与产品优化，使优势从基础模型转向集成系统。

• 单位经济模型系统级token经济性

  推理成本与token定价

  专家以缓存命中率、推理成本和售价估算DeepSeek贡献毛利，说明低成本推理能力可能支撑其价格领导力。

• 商业模式分析开源分发杠杆

  开源降低采用门槛

  开源策略可能压低直接商业化空间，但可扩大海外触达、支持多云和多硬件部署，并削弱闭源模型维持高API溢价的能力。

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

  非上市LLM公司，报告中的核心讨论对象

  优势

  成本曲线低、token价格具备竞争力、开发者采用较强、开源策略利于分发、可通过Agent工作流形成数据飞轮。

  劣势

  大企业渗透仍相对有限，V4发布延后显示Agent工具链仍需调试和优化，直接商业化可能受开源策略拖累。

  对比

  相较Claude Code或Codex等海外产品，DeepSeek可能先在持续代码生成与执行等token密集型环节形成互补，而非全流程替代海外前沿模型。

  风险

  能力差距收窄不及预期、国产加速器部署效率不及预期、价格下降压缩利润、海外监管或客户数据要求影响采用。

• 海外闭源前沿模型提供商

  DeepSeek的对标和潜在价格压力对象

  优势

  复杂推理、规划、架构设计和高可靠性任务中仍具高端定价防御力。

  劣势

  在可被低成本模型承接的执行层和高token消耗任务中，API溢价可能面临压力。

  对比

  开发者可能先用海外高端模型完成规划和复杂推理，再切换至DeepSeek进行持续代码生成与执行。

  风险

  任务路由普及后，优质但昂贵模型的token份额可能被更低成本模型分流。

• 中国互联网与新媒体行业

  本报告覆盖行业

  优势

  具备大规模用户场景、应用数据和开发者生态，利于模型产品迭代和Agent落地。

  劣势

  模型能力、算力集群、基础设施互联和产品化可靠性仍需持续投入。

  对比

  中国LLM玩家正尝试以成本效率和开源扩散，与海外前沿模型形成差异化竞争。

  风险

  纯参数扩张边际收益下降、商业化价格战、技术领先周期缩短、监管和跨境数据要求。

关键数据

• 报告日期2026-07-27报告首页显示日期为27 July 2026。
• 下一阶段参数规模里程碑约3万亿参数专家认为约3tn parameters是中国LLM下一阶段较实际的里程碑。
• DeepSeek混合推理成本低于每百万token人民币0.8元估算假设60%缓存命中率，且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混合售价约每百万token人民币1.3元专家据此推算推理贡献毛利率约40%。
• V4代际价格下降约75%专家称即便V4代际价格降幅约75%，DeepSeek仍可维持约40%的推理贡献毛利。
• DeepSeek ARR约5.20亿美元专家估算截至2026年6月DeepSeek ARR约为USD520mn。
• 海外市场ARR贡献约47%至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。
• 单代模型领先周期由约6个月缩短至3至4个月AI-in-the-loop、自动评测、LLM-as-a-Judge、多模型打分和教师模型反馈加速模型迭代。

影响与含义

对投资研究的含义在于，AI模型厂商的竞争评价应从单纯能力榜单转向系统级商业化能力：谁能以更低成本承接更多token密集型任务，谁能通过Agent产品沉淀专有数据，谁能在开发者生态中形成分发优势。低成本开源模型可能不会完全替代海外前沿模型，但可在代码生成、执行和高频token消耗环节获得份额，并对闭源模型API定价形成压力。

风险

• 报告主要基于专家访谈，DeepSeek成本、ARR和用户结构为专家估计，未必等同于公司披露数据。
• 低价策略可能扩大采用，但也可能压低行业利润率和直接商业化空间。
• 开源策略有助于分发和生态扩张，但可能削弱API收费和闭源溢价。
• Agent工具链若调试和可靠性不足，可能影响专业软件开发和知识工作场景落地。
• 模型领先周期缩短可能导致单一模型代际优势难以长期维持。
• 海外采用可能受到数据控制、合规、地缘政治和企业采购流程影响。

后续跟踪

• DeepSeek V4正式发布节奏、Agent工具链稳定性和面向专业开发者的产品体验。
• 中国LLM是否如专家预期迈向约3万亿参数及相应算力集群、超节点、高速互联和光网络建设。
• DeepSeek实际token售价、缓存命中率、推理成本和贡献毛利率变化。
• 海外开发者采用是否从个人和中小团队扩展至大型企业。
• 开发者是否形成“海外高端模型做规划、DeepSeek做执行”的分层使用习惯。
• 开源模型对闭源模型API价格和token份额的压力是否扩大。
• AI-in-the-loop、自动评测、LLM-as-a-Judge和教师模型反馈在模型迭代中的实际效果。