2月井噴！中國AI調用量首超美國，四款大模型霸榜全球前五，國產算力需求正經歷指數級增長

2月，中國AI的模型調用量爆發式增長，首次超過美國。

全球最大的AI模型API聚合平臺OpenRouter數據顯示，9日~15日這周，中國模型以4.12萬億Token的調用量，首次超過同期美國模型的2.94萬億Token。

16日~22日這周，中國模型的周調用量進一步沖高至5.16萬億Token，三周大漲127%，而同期美國模型調用量跌至2.7萬億Token。與此同時，全球調用量排名前五的模型中，中國模型占據四席，這股強大的增長動能，并非依賴單一爆款產品，而是中國AI廠商集群式崛起。

Token是AI模型處理文本的最小單位。相比用戶數，Token調用量是更能真實反映AI模型使用強度、用戶粘性及商業價值的關鍵指標。

中國模型廠商，正憑借快速迭代和成本優勢占領全球市場，國產算力需求正經歷指數級增長。

榜單洗牌：中國Token調用量首超美國，四款大模型霸榜

OpenRouter平臺，匯聚了全球數百種大語言模型，擁有超過500萬開發者用戶，是目前全球最大的AI模型API聚合平臺。因此，其API調用量數據被視為洞察全球AI應用落地趨勢最真實的“晴雨表”，因為它直接反映了開發者“用腳投票”的選擇，體現了模型在實際應用中的受歡迎程度和競爭力。

值得注意的是，該平臺的用戶主要由海外開發者構成，其中美國用戶占比高達47.17%，而中國開發者僅占6.01%，這使得其榜單數據更能客觀反映中國AI模型在全球范圍內的真實吸引力。

《每日經濟新聞》記者（以下簡稱每經記者）梳理OpenRouter數據發現，全球大模型Token調用量在過去一年經歷了驚人的爆發式增長。2025年3月3日至9日當周，該平臺前十大模型的周調用量僅為1.24萬億Token。而到2026年2月中旬，這一數字已飆升至13.95萬億Token，短短不到一年時間增長了超過10倍。

2025年，美國模型是市場增長主要動力，其Token周調用量一度占據平臺前十大模型總量的近七成，而同期的中國模型占比則不到兩成。然而，進入2026年，美國模型的增速開始顯露疲態，而中國模型則開啟了“狂飆”模式。

數據顯示，2026年2月的第一周（2日至8日），中國模型的周調用量已躍升至2.27萬億Token，發出了強烈的追擊信號。

僅僅一周之后，在2月9日至15日當周，中國模型便以4.12萬億Token的驚人調用量，正式超越了同期美國模型的2.94萬億Token，實現了歷史性趕超。

這股勢頭并未就此停止，到2月16日當周，中國模型的周調用量更是沖高至5.16萬億Token，三周時間調用量增長127%，將領先優勢進一步擴大。

這股強大的增長動能，并非依賴單一爆款產品，而是中國AI廠商集群式崛起。

2026年2月16日至22日的周榜單顯示，平臺調用量排名前五的模型中，有四款來自中國廠商，分別為MiniMax的M2.5、月之暗面的Kimi K2.5、智譜的GLM-5以及DeepSeek的V3.2。這四款模型合計貢獻了Top5總調用量的85.7%。

具體來看，MiniMax于2026年2月13日發布的M2.5模型，上線不足一周便迅速登頂周調用量榜首。在2月9日至15日當周，OpenRouter平臺總調用量激增的3.21萬億Token中，僅M2.5這一款模型就貢獻了1.44萬億Token的驚人增量。

月之暗面于1月27日發布的Kimi K2.5模型，憑借其原生的多模態架構和強大的Agent并行處理能力，調用量實現了連續跳漲。該模型能調度多達100個“Agent分身”并行工作，將復雜任務處理效率提升3到10倍。據媒體報道，Kimi在發布Kimi K2.5后不到一個月的累計收入，已超過其2025年全年的總收入，增長主要由全球付費用戶及API調用量大漲共同推動。

智譜的旗艦模型GLM-5自2月12日發布后，憑借其200K的超長上下文窗口和對長程Agent任務的深度優化，用戶規模迎來高速增長，其調用量在上線次周便增長至0.8萬億Token。

過去一年，阿里千問雖單個模型上榜頻次不高，但a16z與OpenRouter聯合發布的報告顯示，其全系列模型總Token調用量以5.59萬億位居全球第二，僅次于DeepSeek（14.37萬億）。

咨詢公司弗若斯特沙利文（Frost & Sullivan）報告顯示，在中國大模型B端市場，2025年下半年，千問（Qwen）系列模型的日均Token調用量占比32.1%位列第一，相較上半年的17.7%幾乎翻倍，相比字節豆包（21.3%）、DeepSeek（18.4%）領先優勢擴大。

對于中國AI大模型的格局，上海財經大學特聘教授胡延平在接受每經記者采訪時提出了“AI中國團”的說法。

他認為，產業市場集中度并非越高越好，有多家頭部企業形成寬廣的技術產業群落，而不是少數兩三家寡頭，對于競爭創新和人才生態建設是好事，也有利于在中美AI競爭中形成集群優勢。

知名風險投資機構Andreessen Horowitz（a16z）的合伙人Martin Casado觀察到，如今在硅谷尋求融資的AI初創公司中，其路演核心模型高達80%使用中國的開源模型。

競爭力：成本不到美國AI的1/10，中國Token為何便宜？

中國模型之所以能在短時間內席卷全球開發者，除了性能上比肩甚至超越國際頂尖模型外，其極具競爭力的成本是另一個無可爭議的核心優勢。

以OpenRouter平臺公示的價格為例，中國模型的成本優勢一目了然。

在模型處理輸入信息（Input）的環節，MiniMax的M2.5與智譜的GLM-5，其價格均為0.3美元每百萬Token。作為對比，海外主流的對標產品Claude Opus4.6的價格則高達5美元/百萬Token，是中國這兩款模型的約16.7倍。

在模型生成內容（Output）的環節，成本差異更為懸殊。MiniMax M2.5的輸出價格為1.1美元/百萬Token，智譜GLM-5為2.55美元/百萬Token，而Claude Opus4.6的價格則飆升至25美元/百萬Token，分別是前兩者的約22.7倍和9.8倍。

如此巨大的成本差距，直接決定了開發者在選擇API時的經濟考量。

這種顯著的成本差異，首先源于算法層面的架構創新。

弗若斯特沙利文中國總監李慶在接受每經記者采訪時分析指出，以“混合專家（Mixture-of-Experts, MoE）”架構為代表的技術路線，是中國模型能夠大幅降低推理成本的核心原因之一。目前，包括榜單上的DeepSeek、阿里巴巴的通義千問3.5-Plus等模型，都已廣泛采用了MoE架構。

MoE架構的巧妙之處在于，它將一個巨大的模型拆分為多個相對較小的“專家網絡”和一個“門控網絡”。盡管模型的總參數量可能非常龐大（如擁有數千億參數），從而保證了其“知識儲備”和能力上限，但在實際處理一個任務時，門控網絡會智能地判斷該任務的性質，并只激活（調用）其中一小部分最相關的專家網絡參與計算。

這種“按需激活”而非“全體動員”的模式，相較于傳統的稠密模型（每次計算都調用全部參數），極大地減少了計算量和對硬件資源的需求。數據顯示，采用MoE架構可以直接讓推理時的顯存占用降低60%，推理吞吐量（單位時間內處理的Token數量）提升高達19倍。這種從技術源頭上實現的降本增效，是其成本優勢的根本來源。

除了算法架構的革新，中國AI廠商還在積極探索“垂直整合”的路徑，以進一步壓縮每一個Token背后的成本。這條路徑的核心思想，是將上層的模型算法、中層的云計算基礎設施和底層的AI芯片進行深度的、一體化的協同設計與優化，從而解決軟硬件之間的適配痛點，榨干每一分算力。

李慶以阿里巴巴的“通義-云-芯”體系為例進行說明，這種從上到下的垂直整合模式，能夠通過極致的算力調度算法，實現對底層硬件資源的最高效利用，從而大幅降低了AI服務背后的基礎設施成本。這種系統級的優化，使得Token的生成成本得以進一步降低。

摩根大通在其研報中對中國市場做出極為樂觀的預測，預計從2025年到2030年，中國Token消耗量的年復合增長率將達到驚人的330%，在短短5年間實現370倍的增長。

價值質變：Token正從互聯網“流量”，成為AI時代的“燃料”

Token消耗量的指數級攀升，表面看是用戶規模與使用時長的增長，但其背后更深層次的驅動力，是用戶對AI使用模式的根本性轉變。AI的角色正在從一個提供簡單信息、進行日常閑聊的“問答工具”，進化為能夠深度參與工作流、處理復雜任務的“生產力工具”。

國聯民生證券在近期發布的研報中，提出了“Token通脹”這一概念。這并非指Token本身變貴，而是指在單位時間內、單位用戶的Token消耗結構性上升。報告將這一現象歸因于三大核心趨勢。

首先，用戶的核心需求正在從淺層的“問答”轉向深度的“干活”，即越來越多地利用AI來重構代碼、改寫文件、生成文檔和跑測試。編程場景天然具有“長上下文、多輪迭代、大量輸出”的特征，會大量消耗Token。

其次，AI Agent技術的興起和普及，放大了Token的消耗。Agent會主動規劃、檢索、執行、反思，多次調用模型，Token消耗自然按步驟累加。

最后是推理強度上升。更多深度思考、更長鏈路推理會顯著提高輸出與中間過程的Token消耗。但對開發者而言，這往往帶來更高成功率與更少返工，用戶反而愿意“增加Token投入來換取效率”。

這一系列轉變，意味著Token不是傳統互聯網時代邊際成本幾乎為零的“流量”，而是執行生產任務時必不可少的“燃料”。

這一趨勢與全球頂尖芯片制造商的判斷不謀而合。英偉達CEO黃仁勛在2月26日的業績電話會上，反復向市場強調一個核心觀點：“計算即收入”“推理即收入”。他指出，沒有算力，就無法生成Token；沒有Token，就無法帶來收入增長。在AI時代，推理性能直接決定了客戶的收入能力，而推理的核心，正是高效地生成可被商業化的Token。在全球數據中心電力瓶頸日益凸顯的今天，“性能/瓦特”（Performance per Watt）已成為衡量AI服務效率與收入能力的關鍵指標。

李慶向每經記者表示，AI服務的商業模式正從過去單純的“按量計費”，向“燃料+成果”的混合模式演進。一方面，作為“燃料”的Token，其單價會隨著技術進步和規模效應持續下降；另一方面，隨著AI從“問答”工具向“干活”的生產力工具轉變，企業將更愿意為直接的“成果”付費，這將催生出更多基于訂閱制的商業模式。

李慶還預測，未來AI服務的定價將不可避免地走向高度定制化和靈活化。她表示，Agent時代的到來意味著任務的復雜度千差萬別，單一的定價模式將無法覆蓋所有商業需求。未來，計算消耗、調用頻次、任務是否涉及多步推理或規劃等高成本操作，都將成為影響定價的因素，一個多維度、動態的定價體系將成為主流。

記者|宋欣悅

編輯|肖勇 王嘉琦 高涵

視覺|劉青彥

排版|高涵

統籌|易啟江