Anthropic股東最新報告，曝光企業市場最吸金中國模型

11 月 3 日，矽谷老牌風投 Menlo Ventures 發布了今年的《企業 AI 現狀報告》。

為了摸清企業今年到底花了多少錢，Menlo 委託 Morning Consult 在 9 月問了近 400 家美國企業的 AI 決策者，這些人經手的 AI 開支超過 40 億美元。按 Menlo 的測算，截至今年 9 月，美國企業花在 AI 部署上的錢已經到了 1768 億美元，是一年前 330 億美元的 5.4 倍。

在這份寫給矽谷看的報告裡，有一組數字。美國企業花在開源模型上的生產開支，中國模型占了近九成。其中 Kimi 一家 61%，後面是 DeepSeek 15%、GLM 11%、Qwen 3%。西方開源模型裡排第一的 Meta Llama，只有 7%。

寫報告的 Menlo Ventures，是 Anthropic 的重要股東，2024 年領投了它 7.5 億美元的 D 輪。

除此之外，把 Kimi 託管在伺服器上賣給美國企業、今年年化收入剛剛突破 10 億美元的頭號推理雲 Fireworks AI，是 Menlo 投的；每週處理 160 萬億 token 的模型路由平台 OpenRouter，是 Menlo 投的；報告專門點名、在 Kimi K2.5 上訓出 Composer 2 的 Cursor，也是 Menlo 投的。

如果只看報告數據，你會覺得閉源巨頭和開源陣營早該拼個你死我活，太平洋兩岸的模型也該涇渭分明，但大人看利弊，小孩才分陣營。

除了這些數據、利益關係，動察 Beating 更想弄明白的是，為什麼偏偏是 Kimi，成了美國企業在閉源旗艦之外最捨得掏錢的那個選項？

返工的價錢

要看懂 Kimi 的這個「61%」，得先了解今年美國企業在 AI 上花錢的怪癖，越便宜的模型，越沒人用了。

過去兩年，行業裡最流行的判斷是推理成本每年降九成，企業遲早會把工作流切到便宜的小模型上。各家實驗室也確實把小模型越賣越便宜。

結果恰恰相反。

從 2025 年第三季到 2026 年第三季，Haiku、Luna 這類小型閉源模型在企業市場的 token 份額從 29% 掉到 13%，跌去一半還多。單價最貴的前沿旗艦，token 份額從 18% 漲到 42%，支出份額從 35% 漲到 63%。

一年前，美國企業最常用的主力還是輸入 3 美元、輸出 15 美元（每百萬 token，下同）的 Claude Sonnet 4.5，和 1.25 美元、10 美元的 GPT-5。到了今年秋天，大家卻排著隊換成了更貴的旗艦模型。

精明的美國公司，為什麼突然不圖便宜了？

原因很簡單，用模型幹活的，從人變成了 Agent。

今年 2 月，OpenRouter 上由 Agent 發起的流量正式超過了人類；到 9 月底，平台上 80% 的 token 都是 Agent 在後台自己跑出來的，半年多漲了 37 倍。在 773 億美元的企業 AI 應用支出裡，76% 集中在編程和企業 Agent 上。

Agent 幹活和人類使用 AI 不是一個邏輯。

一個編程 Agent 接下任務，往往要在代碼庫、終端和沙盒之間連跑四五十個回合：讀文件、調工具、跑測試、看報錯、再改代碼。

長鏈條任務中，錯誤的代價是按乘法累積的。單步準確率 99% 的模型連跑 50 步，順利交差的機率大約六成；換成單步 95% 的模型，50 步跑完不翻車的機率不到 8%。

於是企業很快就明白了，現在買模型看的不應該只是價目表上的掛牌單價了，更要看把事情一次辦妥的總花銷。

想通這一點，開源模型今年的處境也就好理解了。

過去一年，開源模型的 token 份額從 11% 漲到 19%，調用量是一年前的 22.5 倍；拿到的支出份額卻從 6% 掉到 4%。原因是大多數開源模型捲進了價格戰，平均單價跌到原來的三分之一不到，只剩每百萬 token 0.13 美元，不到閉源模型綜合均價的五分之一。

開源模型幹了近五分之一的活，只從桌上分走了二十五分之一的錢。

Kimi 的 61%，恰恰是因為它沒跳進 0.13 美元的陷阱裡。

標準件

今年 7 月 16 日，月之暗面發布 2.8 萬億參數的 Kimi K3，官方 API 定價是輸入 3 美元、輸出 15 美元，和一年前的閉源旗艦 Sonnet 4.5 同價，也是上一代 K2.6 的三倍多。10 月 23 日推出的 K3.1 Pro 降到了 2 美元和 10 美元，仍然在旗艦檔位。

在一個均價 0.13 美元的開源市場裡按旗艦標價，底氣首先來自模型本身在長上下文、原生多模態和編程上的成績。

但光有跑分不夠。

開源模型的權重是公開的，在推理雲的下拉菜單裡換一個模型，只需要改一行配置。美國企業的採購憑什麼為它多付錢？

這裡藏著開源模型走出實驗室後最令人頭疼的一個工程問題。

為了數據合規和延遲，大多數美國企業不會把代碼和文檔直接發往海外伺服器，而是去買 Fireworks、Together 或亞馬遜 Bedrock 這類本土雲的託管服務。但在過去一年裡，矽谷的工程團隊頻繁發現，某款開源模型在官方演示裡聰明絕頂，可一旦接進自家的生產環境、走第三方推理雲的接口調用，它在幾十輪連續工具調用後就會莫名其妙地變笨。

原因就在於，推理雲是一門極講究顯卡週轉率的生意。一張卡同一秒鐘能塞進多少個請求，直接決定了雲廠商當季的毛利。為了省顯存、搶吞吐速度，不同平台往往會在後台對萬億參數的 MoE 模型做不同的量化壓縮，或者簡化工具調用的解析模板。

平時聊天，這點精度縮水看不出來；放進幾十步環環相扣的 Agent 循環，偏差就足夠讓模型選錯專家、寫壞格式，把整條工作流跑崩。

客戶衝著模型的招牌買單，然後任務翻車，黑鍋最後還得原廠來背。

Kimi 很聰明，它沒有發聲明去跟哪家雲廠商掰扯，而是直接開源並持續運營一套供應商精度核驗工具。

早在 K2 時期，它就開源了 K2 Vendor Verifier，用同一套測試去比對各家推理雲和官方 API 在工具調用上的表現。今年 4 月發布 K2.6 時，這套工具升級為 KVV（Kimi Vendor Verifier），測試項包括長上下文下的工具調用回歸樣本、JSON schema 校驗、對畸形調用的拒絕、百萬 token 級的長記憶測試，以及 113 個編程 Agent 任務。各家推理雲跑出來的成績，以表格形式掛在 GitHub 上。

哪家雲廠商為了省機器偷偷降了精度，開發者在看板上一眼就能看出來。

為了把 KVV 的分數對齊到 Kimi 官方 API 的水平，矽谷的推理雲廠商不得不反過來找 Kimi 的工程師一起捉蟲。

Fireworks AI 的工程團隊後來專門發文復盤，講他們如何聯合 Kimi 團隊修補底層解碼護欄、清理多輪對話裡的冗餘字段，最終把託管接口的工具調用表現打磨到了原廠水平。

大多數團隊做開源，是把權重往網上一放，剩下的看造化。月之暗面卻把嚴苛的品控手腕搬到了開源世界裡，我不收你的門票，但我得管著你怎麼把菜端上桌。

這一下打在了企業採購最敏感的神經上。對矽谷的技術負責人來說，KVV 把散落在各家機房裡的非標品，重新校準成了原廠認證的標準件。

四分之三

如果只有託管質量，Kimi 充其量是個好用的外援。報告裡點到的另一個名字，揭開了它在海外的第二層價值，它就是 Cursor。

Menlo 寫到，今年做後訓練的 AI 開發者比例從 6% 漲到了 10%。最典型的案例，就是 Cursor 在 Kimi K2.5 上訓出了 Composer 2，由 Fireworks 提供強化學習階段的推理。

Menlo 的數據把獨立應用公司的處境照得一清二楚，今年 1768 億美元的企業 AI 支出裡，Anthropic、OpenAI 和 Google 三家實驗室拿走 1227 億美元，佔 69%，一年前是 50%。其中，實驗室自家的應用就拿走了 400 億美元。

單看 340 億美元的編程賽道，Claude Code 和 Codex 兩款產品吃下 240 億美元，佔了 70%。

應用公司越成功，越能幫上游證明這個市場足夠大，而市場一旦被證明足夠大，握著模型和算力的上游就越有理由親自下場。繼續只當二道販子，遲早要被上游壓死。

今年 1 月初，Cursor 內部開了一場被稱為「War Time」，創始人 Michael Truell 要求全員加速自研模型。

可應用公司想往上走談何容易，Cursor 手裡有幾百萬程序員每天寫代碼、改文件、跑終端的真實交互軌跡，這是做強化學習最好的燃料，但它手裡只有幾萬張 GPU，沒有百萬張卡，也沒時間從頭花大半年去訓一個萬億參數的預訓練底座。

除此之外，Cursor 開內部會的幾天後，Anthropic 就收緊了規則，不再允許第三方編程工具用個人訂閱帳號登入調用。

唯一的活路，是去開源世界裡借一副好身板，把好鋼全部用在後半程的強化學習上。

3 月 19 日，Cursor 發布 Composer 2，定價輸入 0.5 美元、輸出 2.5 美元，正好是當時 Claude Opus 4.6 的十分之一。Cursor 的 Lee Robinson 後來説，最終模型消耗的算力裡，只有約四分之一來自基座，剩下的都花在 Cursor 自己的訓練上。

這改寫了應用公司挑開源模型的標準。

以前大家挑開源模型，像挑一件買回家直接穿的成衣，誰在公開榜單上多考兩分就選誰。但在 Cursor 隨後公開的 46 頁技術報告附錄裡，研究團隊寫道，他們在評估候選基座時，團隊有意不看編程 Agent 類的跑分，理由是這類榜單對最終效果的預測力更弱，因為 Agent 和長程任務能力會在強化學習階段被大幅改變。

不少模型為了發榜當天好看，在出廠前就已經塞滿了針對特定題庫的精調，權重空間被擠得像一塊吸飽了水的海綿；外人看着分數高，可是買回來想往裡再灌三倍的強化學習算力，模型很快就會出現能力坍塌。

Cursor 直接把候選模型拉到自家工地上試工。

他們只測三件事，底層的編碼知識儲備、一個文件被連續修改幾十次之後的狀態追蹤能力，以及模型在 Cursor 私有大型代碼庫上的 perplexity。

測試之後 Kimi K2.5 留了下來。報告給的理由是綜合表現強，以及在 Cursor 自己的基礎設施上跑得夠高效。經過持續預訓練和強化學習，Composer 2 在 Cursor 自家的評測集 CursorBench 上從基座的 36.0 漲到 61.3，超過了 Claude Opus 4.6 的 58.2。

5 月，Cursor 又在同一個 K2.5 基座上推出了 Composer 2.5。

這段從春到夏的突圍，給矽谷留下了一個樣本，對最頂尖的應用公司來説，開放權重模型不再是省錢的平替，而是少數能拿過來、在上面繼續砸錢訓練自有資產的起點。

茶水錢

Cursor 把基於 K2.5 訓出的 Composer 2 推給自己的用戶，美國企業在生產環境裡調用 Kimi，接住這些流量的，主要是 Fireworks、Together 這樣的美國推理雲。

把 Kimi、Fireworks 和 Cursor 擺在一起，能看到一種很有分寸感的分工。

換一家急於證明商業化能力的公司，看到自己的模型在矽谷受歡迎，第一反應往往是去舊金山租辦公室，高薪挖一批企業銷售，直接去敲美國大客戶的門，把中間的差價全揣進自己兜裡。

月之暗面沒有這麼幹。

2025 年 7 月，Menlo 在年中報告裡也寫過，美國企業不願意直接調用中國公司的 API，是開源模型份額停滯的原因之一。這道合規與信任的門檻，靠銷售飛去加州磨破嘴皮子是跨不過去的。

與其硬撞那堵牆，不如把前面的肉讓給美國本土的合作夥伴。Kimi 的工程團隊在模型上線前後配合 Fireworks 等平台把推理引擎調順，美國企業把合約簽給美國雲廠商，數據留在美國機房。

正因為月之暗面沒有伸手去做生意，Fireworks 才願意賣力推 Kimi，Cursor 的工程師也才敢把當家產品建在 K2.5 的權重上。大家都有錢賺的時候，這事兒才能成氣候。

至於月之暗面自己的收入問題，它把規矩寫在了 K3.1 Pro 的許可證裡。

企業內部部署、做研究，或者拿去微調做自己的產品，都不用打招呼。要坐下來談的只有兩種情況，一是拿它做模型託管，對外提供推理或微調服務，連續 12 個月收入超過 2000 萬美元的，得先和月之暗面另簽協議；二是終端產品月活過億或月收入超過 2000 萬美元，要在界面上明顯地標出模型名。通過月之暗面官方產品或認證推理夥伴使用的，不受這兩條約束。

8 月，路透社報導，月之暗面正在和微軟、亞馬遜、谷歌商談 K3 相關服務的收入分成，要價最高 30%。

不到一個月，美國時間 9 月 18 日，亞馬遜把 K3 放上了 Bedrock。全球標準檔的價格和月之暗面官方一樣，3 美元、15 美元，分成比例沒有公開。

微軟的路徑繞一些。K3 在 7 月底就進了 Microsoft Foundry，但當時是 Fireworks 在背後跑推理，Foundry 只負責接入。美國時間 11 月 5 日，微軟在自家部落格上宣布 K3.1 Pro 正式上架 Foundry。

用老輩生意人的話講，這叫小路隨便走，大路交茶水錢。一百家裡有九十九家還在試錯的初創公司，Kimi 不收一分錢；等誰真跑成了一年幾千萬美元的大買賣，再按規矩坐下來談。

清楚哪部分錢眼下不該自己賺，有時候比知道怎麼賺錢更考驗定力。

黑貓白貓

把視線從這 61% 的切面拉遠一點，今年秋天的這組數據之所以耐人尋味，是因為它呈現了大模型產業在磨合三年之後，自然生長出的一種新關係。

兩年前，矽谷關於行業終局的爭論非黑即白，一派認為閉源旗艦會通吃一切，應用公司遲早淪為薄薄一層介面；另一派相信開源會把智能變成免費的自來水，讓所有模型公司都賺不到錢。

到了 2026 年，兩幅圖景都沒有成真。

Anthropic 和 OpenAI 依然拿走了美國企業大模型 API 支出的 86%。華爾街投行審一份跨國併購合約，藥企做一次零容錯的文獻排查，依然會毫不猶豫地為最貴的閉源旗艦付費。流向開源的預算，也沒有變成廉價算力的比拼場，反而向 Kimi 這樣接近前沿的模型聚攏。

開源與閉源之間，不再是一道非此即彼的戰壕。在複雜任務的催化下，兩者之間長出了一片寬闊的交界地帶。

在這片交界地帶裡，許多重度使用 Kimi 的矽谷公司，同時也是 Anthropic 和 OpenAI 的大客戶。產品早期，它們用最強的閉源模型跑通形態、驗證需求；等某條長鏈條工作流被驗證成立、調用量開始指數級放大，或者像 Cursor 那樣攢夠了獨有的交互數據、要把行業經驗訓進權重裡時，它們就會轉身去找那個離前沿最近、又允許自己深度改造的開放基座。

過去，模型公司和應用公司之間，一個賣 API，一個買 API 模型公司一旦自己做應用，雙方立刻變成零和博弈的對手。

而現在，應用公司在開放模型上投入四分之三的算力繼續訓練，成了「半個模型公司」；模型開發者的影響力，也不再只看賣出了多少 token，還要看有多少別人的核心產品，是從它的權重裡長出來的。

Menlo 報告發布的第二天，11 月 4 日，月之暗面按時在 Hugging Face 放出了 Kimi K3.1 Pro 的完整權重。按月之暗面自己公布的成績，它在衡量編程 Agent 實戰能力的 Terminal-Bench 4.0 上拿到 65.7%，高於 GPT-6 Astra 的 58.2%，離 Claude Opus 5.5 的 66.4% 只差 0.7 個百分點。

對把產品管線押在開源基座上的美國團隊來說，這 0.7 個點，以及從 K2、K2.5、K2.6 到 K3、K3.1 Pro 每隔幾個月就往前挪一步的節奏，比任何開源口號都讓人安心。後訓練出來的專用模型，每隔幾個月就得跟著前沿重訓一次。選一個基座，等於同時選了這家公司未來一年的迭代速度。

在舊金山，大概沒有哪家創業公司會在路演 PPT 第一頁寫「我們的底座來自中國」，大模型的原產地依然是個敏感詞。

可只要回到每天都在運轉的伺服器機房裡，回到工程師盯著螢幕等 50 輪 Agent 循環跑通的深夜，所有的口號都會讓位給實用主義。誰能抓到耗子，誰就是好貓。

當大洋彼岸的應用公司真正需要一個經得起折騰的夥伴時，抬起頭，就能看見它早就站在那裡。

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。