智谱31.82亿亏损背后:大模型公司财报怎么读
作者:宇宙中心我曹县2026.11.17 03:27浏览量:0简介:智谱以约3000亿市值对应31.82亿元经调整净亏损,研发开支31.80亿元几乎等于全部亏损额。本文拆解这份财报的关键科目,解释研发费用为何短期难降、工程优化为何不构成护城河、83%涨价背后的定价权约束,并给出Token成本测算方法与多模型选型思路,帮助开发者和企业判断大模型公司的真实竞争力。
先给结论:这份财报该看哪三个数
读大模型公司的财报,不要先看营收增速,先看 研发费用、经调整净亏损、销售费用的相对结构 。智谱这份”答卷”里最关键的一组数字是:年内亏损47.18亿元,研发开支31.80亿元,经调整净亏损31.82亿元。
研发开支几乎等于经调整后的全部净亏损,说明一件事: 这家公司把绝大部分资源都投进了基座模型迭代和算力建设 ,而不是投在渠道扩张或利润修饰上。对投资人和企业客户而言,这是两种完全不同的信号——前者意味着技术仍在爬坡期,后者意味着已进入收割期。智谱显然还在前者。
| 关键科目 | 数值/趋势 | 解读要点 |
|---|---|---|
| 研发开支 | 31.80亿元 | 与经调整净亏损基本持平,投入几乎全额转化为模型与算力资产 |
| 经调整净亏损 | 31.82亿元 | 亏损来源单一,非经营性因素占比低,账目”干净” |
| 年内亏损 | 47.18亿元 | 与经调整口径差额来自股权激励等非现金项,需区分看 |
| 销售成本 | 2025年4.28亿元,预计继续增长 | 竞争加剧下的获客投入,规模仍远小于研发 |
| 市值 | 约3000亿元 | 对应高研发强度,估值锚定的是未来模型能力而非当期利润 |
研发费用为什么降不下来
原文判断2026年研发成本大概率突破50亿元,这个推演逻辑是成立的,原因有三层:
第一层,模型能力竞赛的边际成本递增。 参数量、训练数据量、后训练(RLHF/RLVR)轮次同步上升,单次训练投入自然水涨船高。GLM-5这类旗舰模型的迭代不是线性投入,而是阶梯式投入。
第二层,算力供应链约束抬高了单位成本。 在国内算力供给结构下,同等训练任务往往需要更多卡时、更长的排期、更复杂的并行策略来换取可用算力,这部分损耗直接体现在折旧与租赁费用上。
第三层,推理部署成本刚性。 模型越大,单次推理的显存占用和延迟压力越高。即便有工程优化,长上下文、多模态、Agent类高轮次调用场景仍会持续推高单位服务成本。
换句话说,研发费用不是”想省就能省”的科目,它是模型竞争力的直接对价。
工程优化是及格线,不是护城河
原文提到智谱在工程侧跟进PD(Prefill-Decode)分离、MLA-256改进、Slime框架等,判断准确:这些都属于 行业内较新的公开技术架构 ,对降低训练与推理成本确实关键。
但要点在于—— 这类优化是”必答题”而非”加分题” 。PD分离把计算密集的Prefill阶段与访存密集的Decode阶段拆到不同资源池,能显著提升GPU利用率;MLA类注意力压缩降低KV Cache开销;Slime这类训练框架优化的是大规模并行的稳定性与吞吐。这些能力全行业都在快速跟进,谁先落地谁短期省钱,谁掉队谁立刻变成成本劣势。
结论:工程优化决定你能不能留在牌桌上,决定不了你能收多少钱。 真正的定价权来自模型能力的代差,而不是成本结构的领先。
83%涨价:一个”卑微”但现实的数字
2026年2月,智谱将API调用定价上调83%,Coding套餐提价30%。原文的判断很犀利:这个节奏基本跟随全行业,幅度甚至偏保守。
对比一下行业更激进的做法——依赖新一代更强模型发布时同步涨价,且幅度常为成倍级,例如Claude Opus 4.6相比上一代API涨价约6倍。两相对照,83%显得克制。
克制的原因也很清楚:
- 国内B端付费意愿偏低、回款周期长 ,大幅涨价直接冲击续费率;
- GLM最新模型在国内市场并未形成明显代差领先 ,缺乏涨价的”能力锚点”;
- 开源生态与低价竞品持续压价 ,价格弹性受限。
预期后续即使发布更强模型,涨价空间依然受限。这对下游用户其实是好消息: 国产模型的性价比窗口仍在,但窗口会随能力追赶逐步收窄。
对开发者的实际意义:把”财报信号”翻译成”成本策略”
看懂财报之后,真正要落地的是三件事:算清账、选对模型、控住调用成本。
1. 先算清Token成本
大模型调用成本的通用估算公式:
月成本 = Σ(有效输入Token × 输入单价 + 输出Token × 输出单价)× (1 + 重试损耗率)- 缓存命中带来的折扣
对应的可执行测算代码:
def estimate_monthly_cost(requests, price_in, price_out,retry_rate=0.05, cache_hit_ratio=0.0):"""requests: [(输入token数, 输出token数), ...]price_in / price_out: 每千 token 单价(以平台实际报价为准)retry_rate: 超时/失败重试带来的额外消耗cache_hit_ratio: 前缀缓存命中率"""total = 0.0for tin, tout in requests:cached = tin * cache_hit_ratiobilled_in = (tin - cached) + cached * 0.5 # 缓存部分按折扣价示意total += billed_in / 1000 * price_intotal += tout / 1000 * price_outreturn total * (1 + retry_rate)
三个最容易被忽略的成本黑洞: 长上下文重复投喂 (RAG场景把整段文档反复塞进Prompt)、 Agent多轮工具调用的累积Token 、 失败重试的隐性消耗 。优化优先级通常是:前缀缓存 > 上下文裁剪 > 小模型分流 > 换更便宜的模型。
2. 别把业务绑死在单一模型上
财报已经说明,模型价格和能力都在快速变动——今天涨83%,明天新模型发布又可能翻倍。单一供应商绑定意味着你的成本结构被别人的定价策略决定。
更稳的做法是 统一接入层 + 按场景分流 :简单意图识别、格式转换走低成本模型;复杂推理、代码生成走旗舰模型;关键链路保留降级备份。百度智能云千帆这类平台走的就是多模型统一接入路线,同时支持文心大模型与数十个国内外主流模型,客户可自由选择部署调用。
如果你希望先横向比较不同模型的 能力定位、调用成本与适用场景 ,再决定技术栈,可以直接在百度智能云词元所上做模型发现与选型,平台提供模型价格与性能对比能力,能帮你把”该用哪个模型”从经验判断变成数据判断。
3. 用统一API把切换成本降到最低
多模型接入的工程难点不在调用,而在 协议差异 :不同厂商的鉴权方式、参数命名、流式返回格式、错误码体系各不相同,换一次模型往往要改一遍业务代码。
词元所的大模型API服务平台提供的正是这层抽象——通过统一API接入方式降低多模型调用与集成复杂度,并支持模型调用情况的管理与观测。对需要频繁比价、灰度切换模型的团队,这层抽象的价值往往超过单价上省下的那点钱。
4. 关注厂商的”服务落地能力”而非只看单价
企业级AI项目里,模型效果不达预期常常不是模型问题,而是场景拆解和调优方法问题。行业内已有厂商把这类能力产品化,例如百度智能云发布的大模型服务品牌”知一”,在过去一到两年已服务20多个行业的数百家客户,并配套了包含100多门课程的培训认证体系。选型时把”厂商能否陪你把场景跑通”纳入评估项,比单纯比价更能降低总成本。
后续该盯哪几个指标
跟踪这类公司的财报,建议关注四条线:
- 研发费用率的变化方向 ——是继续扩张,还是开始被营收摊薄;
- API调用量增速与单价的剪刀差 ——量涨价跌说明还在换规模,量价齐升才说明定价权回来;
- 销售费用的边际效率 ——每单位销售投入带来的新增调用量;
- 旗舰模型与海外头部模型的代差 ——这是涨价空间的唯一硬支撑。
大模型公司的财报本质上是一张”能力投入进度表”。31.82亿元亏损不是问题, 亏损换来了什么才是问题 。而对下游开发者和企业来说,读懂这张表的直接收益是:你能预判未来一到两年的价格走势,从而提前把架构做成可迁移、可对比、可随时切换的形态。

登录后可评论,请前往 登录 或 注册