一家机器人公司的总经理在做周度经营复盘时，AI从企业邮箱里找出各大区周报，汇总营收，交叉核对销售、排产与供应链信息，还发现了一个容易被忽略的问题：两个区域团队正在向同一客户分别报价，存在撞单风险。
完成这些工作的，是本地运行的星火X2.6-4B；而且分析结论可以追溯到原始邮件，内部经营数据无需出域。
另一项采购合同审查任务，则走了不同的路径：端侧先解析文件、识别并脱敏敏感信息，经用户确认后，将脱敏文本加密上传云端；云端完成法规比对和跨条款风险分析，再把结果传回本地，输出风险汇总与修订文档。
这是10月22日第十届科大讯飞全球1024开发者节上的两段演示。
主论坛发布的星火X2.6及全新“云+端”端云一体方案，由此呈现出一个比模型参数更值得关注的变化：AI正在从“有什么能力”，转向“该用什么能力完成这项任务”。
2026科大讯飞全球1024开发者节开幕
端与云的边界，不再由“轻任务在本地、重任务上云”简单划定，而要同时考虑模型能力、数据权限、响应速度和部署成本。
这也是企业采用AI时越来越现实的需求。客户不需要在“全部上云”和“全部本地部署”之间二选一，而是希望系统能找到合适的执行路径：能在本地完成的，不必反复请求云端；需要更强能力的，也不能为了节省调用而勉强留在本地。
而在讨论端云分工之前，Token本身的经济逻辑已经先发生了变化。
2026年上半年，价格战一度将行业推向极端：通义千问主力模型输入价直降97%，腾讯混元以轻量模型免费开路，小米MiMo系列最高降幅触及99%，DeepSeek将V4-Pro价格永久锁定在原价的四分之一。
但Token价格并非只朝一个方向走。10月23日，中国信通院人工智能所等机构联合发布《大模型词元服务性能监测报告（2026年）》显示，国内大模型归一化平均服务价格已从2025年下半年的6.8元/千词元升至13.46元/千词元，涨幅接近100%；部分头部厂商在2026年3月一度报出不足0.01元/千词元的低价后被迫回调。大规模补贴性低价整体上开始退潮，说明“以低于成本的价格换调用量”作为一项长期策略本身并不可持续。
另一边，国家数据局数据显示，国内日均Token调用量已从2024年初的约1000亿，涨到2026年3月的140万亿，两年多时间膨胀一千多倍。
Token调用量暴涨
一边是价格先雪崩、后回调，一边是用量疯涨。这样的变动，比任何技术新闻都更早地宣告了一件事：AI厂商单纯卖Token的生意，到头了。 当Token从算力奢侈品变成水电煤，它就不再是护城河，只是人人都有的基础设施。而当补贴性低价退潮，粗放消耗Token的模式更不可能长期成立。
但一个反直觉的现实是：无论Token单价是降是升，企业的AI落地成本并没有显著下降。真正烧钱的从来不是Token单价，而是把一个任务从头做完的那一整套开销——材料要读、需求要拆、工具要调、结果要验、不对要重来。调用次数和上下文越堆越长，哪怕单个Token再便宜，完成一件完整业务的总账依然居高不下。
所以“省Token”跟省电省水不是一回事。
它省的不是单价，而是那一整套流程里被浪费掉的部分：不必要的云端请求、重复的上下文计算、无效推理导致的返工。这本质上不是省钱技巧，而是一道成本结构题。
Token只是计量单位，任务才是经营单位。星火X2.6与端云一体方案的观察价值，也不只是“能省多少Token”，而在于它能否让模型能力、资源投入与业务需求真正匹配。
大模型能力提升，给AI落地打开了可能性。但能不能长期使用、能不能扩大部署，往往取决于另一件事：这种能力能否以可承受的成本持续提供。
对于需要交付行业产品的厂商，这个问题尤其直接。演示可以集中资源完成，日常服务却需要应对大量并发、长时间运行，以及不同客户的软硬件环境。模型越深入业务，工程效率就越难绕开。
科大讯飞给出了自己的解决方案。
星火X2.6云端采用总参数293B、激活参数30B的MoE架构，上下文能力拓展至百万Token；端侧则以4B轻量化模型承接本地任务，两者通过端云协同调度层连接。
这套架构要成立，必须同时解决两件事：云端提供更强能力时，不能让资源消耗失控；端侧规模更小，也要具备独立完成任务的能力。
云端的优化，主要体现在训练和推理环节。
面对长短任务混合训练带来的资源阻塞，讯飞采用适配国产平台的长程任务动态并行训练技术，对不同任务进行差异化调度。据讯飞官方披露的评测结果，在自身测试条件下，超长上下文训练效率提升约4倍。
星火X2.6首次基于全国产算力实现代码和智能体能力突破
推理侧，则结合国产异构算力分布式推理与四层KVCache技术。后者可以理解为对上下文计算结果进行分层存储：经常使用的放在更快的存储介质，不常使用的转移到其他层级，减少重复计算，同时缓解高速显存压力。
按照讯飞官方披露的评测结果，相关优化使国产芯片集群推理效率提升4.5倍，KVCache命中率从63%提高到95.7%。
全国首个国产化算力平台——飞星一号
这些指标不直接等于客户成本按同样比例下降，却说明了一点：AI降本不仅靠价格竞争，也靠减少每项任务背后的资源浪费。
端侧模型的能力，则决定端云分流是否真正有意义。
如果小模型只能做问答和摘要，遇到业务任务仍需把大部分工作转交云端，那么所谓端云协同，更多只是增加了一个入口。只有端侧能够读取材料、规划步骤、调用工具并完成执行，才有可能实质性减少对云端的依赖。
为此，讯飞在云端构建了代码和智能体教师模型池，端侧模型通过能力感知路由自动判断任务需求，并采用“端侧模型能力感知的自适应迭代后训练算法”，根据端侧能力动态选择教师模型、调整学习内容，以针对能力短板进行学习。据讯飞官方披露的评测结果，星火X2.6-4B在智能体（Agent）任务上的覆盖度达到41.9%，后续目标是提升至60%以上。
对国产AI而言，这也意味着自主可控之后还有下一道关口。自主可控保障供给与技术路线的主动权，工程优化则决定这些能力能否被更广泛地使用。
前者让企业有选择，后者让选择具有经济可行性。
即便云端足够强、端侧已经能干活，协同效果也不会自动产生。
哪些任务留在本地？端侧能力不足时如何升级？哪些信息允许上传？结果不确定时，应该在哪一步交还给人工？这些问题共同构成任务调度。
这类判断一旦出错，节省就可能变成新的负担。端侧能力不足却坚持执行，会增加返工与复核；简单任务频繁上云，则会引入不必要的调用、传输和等待。
端云协同的价值，不是让本地处理比例尽可能高，而是让任务尽可能少走弯路。
正如刘庆峰所说，用端云一体化来解决大模型安全性与极致性价比之间的矛盾。
讯飞端云一体协同方案支持端侧独立执行、云端独立执行和端云协同三类路径。其中，协同又包括“云指导端”和“端云分工”。
“云指导端”尤其能说明，数据的位置与能力的来源不必完全一致。例如，在满足保密要求、不向云端暴露敏感内容的前提下，可以由云端提供通用任务拆解与分析方法，再由端侧读取本地材料、执行具体步骤。企业借用的是云端的规划能力，而不是把原始资料交出去。
为了提高这类判断的准确性，讯飞把任务路由本身纳入训练：同一任务尝试不同执行路径，再根据结果评价形成反馈，迭代调度策略。据讯飞官方披露的结果，端云路由准确率从81.2%提升至96.1%。
相比单模型跑分，这个指标关注的是另一种能力：系统是否知道自己应该调用什么资源。
它也意味着，AI产品的竞争正在向系统层面延伸。
模型提供能力，调度决定能力如何被使用。对于数据高度敏感的业务，本地处理可能具有更高优先级；对于复杂推理密集的业务，云端占比也可能更高。合理的方案，应当从客户的任务结构出发，而不是先确定一个端云比例，再要求业务迁就。
因此，判断一套端云系统是否有效，最终仍要回到三个问题：结果质量有没有下降，完成任务的综合成本有没有改善，超出能力边界时能不能及时升级或交还人工。
厂商有动力减少Token消耗，原因并不难理解。
在设备采购、软件授权、年度服务包等模式下，收入往往先被合同确定，推理和服务成本却持续发生。每一次无效调用、每一轮重复处理，都可能侵蚀项目利润。提高资源效率，是产品能够长期运营的条件。
但客户的关注点不同。客户为结果付费，而不是为Token比价。
学校不会因为产品少调用几次云端就续购，企业也不会仅因模型参数更小就增加预算。它们关心的是：教师是否少做了重复劳动，员工是否少搬运了数据，业务是否更快完成，风险是否更容易被发现。
厂商节省的是资源，客户购买的是工作方式的改善。两者之间，需要完整的业务流程来连接。
教育场景能够说明这种差别。
星火智能批阅机M50将扫描、客观题批改、基础学情统计放在本地，减少教学业务对远程云端的依赖。“讯飞星光”超级AI教师助手则进一步覆盖备课、教研、答疑和家校沟通。据发布会披露的调研数据，其5分制满意度为4.7分，上线近一个月产出精品教学资源超过10万份。
星火智能批阅机M50
这些数据体现了使用反馈，但产品能否持续减负，还要看前后环节是否衔接：批改得到的学情，能否用于下一次备课？错题识别之后，能否形成针对性练习？教师是否仍要在多个系统之间复制粘贴？
如果流程没有连接，新增一个AI工具，也可能意味着新增一项操作。
法律场景提出的要求则不同。
讯飞晓法超级法律助手覆盖案情梳理、证据校验、诉讼策略推演和文书起草，核心不只是生成速度，而是材料处理合规、结论可以追溯、专业人员便于复核。对于这类业务，安全与可核验性不是额外功能，而是进入工作流程的前提；最终的专业判断仍由人作出。
医疗也有相似逻辑。
据发布会披露，讯飞医疗参与建设的影像云平台累计服务量达2.6亿次，安徽地区AI辅诊结果医生采纳率超过75%，广西、安徽等地院端影像资料共享率达到40%以上。
讯飞医疗参与建设的广西医保影像云平台
影像共享不能直接证明端云大模型的效果，却提示了一种更实际的价值标准：技术最终要减少业务中的障碍。对患者而言，跨院就诊能否方便调阅资料、能否减少不必要的重复检查，比底层调用多少Token更重要。
到了企业办公环境，这个问题会进一步放大为个人效率与组织效率之间的差距。
一个员工用AI写报告更快，不代表部门决策更快；开发人员生成代码更快，也不代表产品交付周期同步缩短。如果审批、数据、权限和岗位协作仍然割裂，单点提效就难以转化为整体产出。
讯飞星帆WinWork数字员工平台试图处理的，正是这一层问题：通过搭建企业本体，将业务规程、数据库与专家经验组织起来，使数字员工在既有权限和规则下参与任务规划与执行。
发布会披露，相关研发场景中，AI带来的个人提效可达60%—80%，传统模式下企业端到端业务提升仅为20%—30%；依托WinWork串联多岗位协作后，组织整体提效可提升至50%以上。此外，端云协同方案可节约约44%的Token消耗，平台规划提供80余类开箱即用数字员工。
这些比例仍需结合具体场景、基线与统计口径理解。相比数字本身，更值得关注的是评价对象的变化：从某个人完成一个动作有多快，转向整项业务能否更顺畅地结束。
这也是AI产品商业化更难、却更有价值的一步。
单点功能容易展示，跨岗位协作才真正考验交付能力，因为它涉及企业自身的数据、制度和责任边界。模型必须进入这些真实约束，才能从辅助工具变成稳定的生产能力。
科大讯飞这些尝试，最终落到“以国产AI创造社会价值”这一归宿，让服务民生刚需、赋能千行百业不再是AI圈里的一句空话。
当模型调用越来越容易，企业使用AI为什么仍然不简单？
因为拿到模型能力，只完成了应用建设的一部分。开发者还要处理数据治理、任务编排、部署适配、安全控制、行业知识与效果评测。这些工作往往不如模型演示直观，却决定产品能否上线、能否维护，以及出了问题由谁处理。
刘庆峰在大会上提出的“Token就是Solution”，更适合被理解为一种交付目标：厂商提供的不应止于模型输出，还应尽可能缩短从调用接口到完成业务的距离。
科大讯飞董事长刘庆峰
为了打造开放繁荣的开发者生态，科大讯飞提供从模型调用到应用开发的多层次支持。
星辰TaaS平台尝试将模型调度、智能体引擎、工程工具与行业方案封装起来，减少开发者重复搭建基础能力的工作。从商业角度看，这一步关系到AI厂商能否跨越一个长期存在的矛盾：客户需要贴合自身业务的方案，厂商又不能让每一个项目都从头定制。
如果每进入一家企业，都要重新梳理数据、重建流程、反复调试，模型推理省下来的成本，可能很快被实施与运维支出抵消。只有把可复用的能力沉淀为工具、模板和标准接口，同时保留必要的行业适配空间，规模化交付才有可能成立。
因此，星火X2.6与端云一体方案所尝试建立的，是一条相互衔接的路径：底层优化降低能力供给成本，端侧模型扩大本地执行范围，任务路由协调端云资源，行业产品再把这些能力接入具体流程。
“省Token”不是少用AI，而是减少无效的能力调用，让资源投入与业务价值更加一致。
从这个意义上说，科大讯飞试图把竞争焦点从“模型有多大”移向“任务完成得怎样”。而这条路径的真正考验，也正在从发布会转向真实业务中的持续使用与规模化交付。
