2026全球大模型竞争格局是否生变

但随着国内越来越多的模型发布后，这套叙事开始变得不再准确。

截至2026年10月27日，K3.1 Pro在Artificial Analysis Intelligence Index中获得约55分，在215个参评模型中位列全球第四。更重要的是，它的优势并不只集中在传统的知识问答，而是明显体现在Coding、金融研究、3D创作和长程Agent等更接近真实工作的任务中。

这意味着，中国模型正在从“以更低成本接近全球前沿”，转向直接参与能力上限、复杂任务和专业工作流的竞争。

差距依然存在，K3.1 Pro当然无法凭一己之力决定全球大模型的最终格局。但它的发布至少说明，过去关于中美模型、开放与闭源、能力与成本之间的一些固有判断，正在失效。

从成本追赶到能力前沿

很长一段时间里，中国大模型最突出的竞争力是性价比。

MoE架构、更激进的模型压缩、更低的API价格，以及快速跟进的开放生态，让中国模型在部署成本和开发者采用上形成优势。但在全球能力排名中，最强闭源模型仍然掌握着较为明显的领先位置。

真正值得关注的是，中国模型的竞争方式正在变化。

过去常见的组合是“能力距离前沿模型落后一代、但价格显著更低”；K3.1 Pro开始呈现出另一种可能：先进入全球前沿能力区间，再维持相对有竞争力的调用价格，同时向开放权重和完整Agent生态延伸。

这并不意味着成本优势消失，而是能力与成本开始同时成为中国模型的竞争变量。

后训练在改变算力需求

强化学习后训练并不是传统意义上“再训练几轮”。它同时包含模型生成、工具调用、奖励评估、参数更新和重复验证。其中，大量rollout生成在计算形态上更接近推理，而模型更新部分又属于训练负载。

训练和推理之间的边界因此开始模糊。

这也为国产AI芯片提供了一个新的切入点。

过去，国产AI芯片的规模化落地主要集中在推理或者跟AI不太相关的搜广推领域。超大规模预训练对单卡性能、集群互联、训练稳定性和软件生态要求极高，而推理任务更容易通过模型适配和软硬件优化逐步实现国产替代。

但后训练通常不需要从零处理数十万亿Token，其相当一部分计算又来自推理式rollout。这意味着国产芯片可以先承接推理和轨迹生成，再逐步进入SFT、DPO、GRPO和强化学习更新。根据我们的产业调研，已经有越来越多的国内的模型公司开始使用国产AI芯片做后训练了。

Token越来越便宜，AI却不一定越来越省钱

能力提升之后，大模型仍然要面对一笔经济账。

根据Jefferies的数据，过去12个月模型Token消耗快速增长，但其构建的Token Expenditure Index却从5月31日的2.04下降到9月20日至26日的0.96～1.00。原因是单位价格持续下降，用户也在向更便宜的模型迁移。

这构成了大模型行业的一个核心矛盾：使用量快速增长，不代表模型厂商收入一定同比例增长。

K3.1 Pro也提供了一个有意思的观察样本。

其API标准价格约为每百万Token输入2美元、输出10美元；Artificial Analysis测得的平均任务成本约为2.11美元。这个价格在相近能力模型中具有竞争力，但K3.1 Pro同时也是一个输出较长的模型：在Artificial Analysis Intelligence Index测试中，它生成的总输出Token约为1.5亿，高于8700万的中位数。

换句话说，单Token价格下降，并不必然意味着完成一项任务的总成本同步下降。模型如果思考更久、生成更多Token或者需要多次重试，最终成本仍可能维持在较高水平。

因此，Agent时代更有意义的成本指标不再只是每百万Token报价，而是：

完成一个有效任务，需要多少模型费用、工具调用、沙箱资源、重试次数和人工审核。

从这个角度看，K3.1 Pro的优势并不是成为市场上最便宜的模型，而是在全球前沿能力区间提供相对可控的任务成本。对于高价值的Coding、金融和工程任务，只要成功率的提升能够显著减少人工时间，稍高的Token消耗依然可能具有更好的整体经济性。

这也是大模型商业化从“卖Token”向“卖任务结果”迁移的开始。

真正的竞争正在模型之外展开

当模型需要连续运行数小时、调用多个工具并进入真实业务系统后，仅有模型API已经不够。

Agent还需要一套运行和管理系统，也就是通常所说的Harness。它负责：

• 模型可以调用哪些工具；
• 代码在哪个沙箱中执行；
• 长任务如何保存和恢复；
• 不同Agent怎样协作；
• 企业数据和权限如何管理；
• 操作过程能否审计；
• 失败后如何重试或者交给人工处理。

同一个模型接入不同Harness，最终任务成功率可能出现显著差异。模型决定智能上限，Harness则决定这些智能能否稳定进入生产环境。

这也是全球头部模型厂商正在争夺的新位置：在Agent运行中占领更多席位，而不只是API供应商。

产业链的价值正在重新分配

首先，上游算力需求不会消失，但结构会更加多元。

预训练依然需要超大规模集群，而后训练会增加rollout、验证器、沙箱、长上下文缓存和持续推理需求。高速互联、显存、存储、推理调度和集群稳定性的重要性都会上升。国产AI芯片也可能借助后训练负载，从推理市场逐步进入更多训练环节。

其次，中游的稀缺资源开始从模型权重扩展到任务环境。

高质量强化学习并不只是收集更多文本，而是建设真实、可执行、可自动验证的环境。未来模型公司的核心资产可能同时包括：

• 高质量数据；
• 训练和推理算力；
• 强化学习环境；
• 自动验证器；
• Agent Harness；
• 行业工具和数据接口。

数据告诉模型世界是什么，环境则让模型学习如何在世界里完成工作。

最后，下游应用的交付单位也会变化。

早期AI产品出售调用次数和Token；Copilot阶段出售软件席位；Agent阶段更可能按照完成的任务、处理的项目或者节省的人力定价。

这会推动Coding、金融、法律、办公和设计等专业软件重新思考产品形态，也会让模型公司、云厂商和应用厂商之间的边界变得更加模糊。