计算机行业智能体应用研究系列（二）：全球大模型的技术迭代与商业化-260609（46页）.pdf

1、全球大模型的技术迭代与商业化一智能体应用研究系列（二）本篇报告聚焦大模型产业，结合全球主要的大模型公司发展路径，系统梳理大模型的技术迭代演进逻辑，同时结合它们的商业化进程，对比分析不同AI大模型产品化变现的共性与差异。大模型起于Transformer，遵循“ScalingLaw”在模型参数、数据、推理与学习环境四个维度持续迭代。技术路径上，大模型2023年聚焦扩参数,2024年开拓多模态，2025年愈发注重推理及长上下文能力，2026年追求Coding能力及智能体工程落地。参数规模一直是大模型迭代的焦点，但越来越多公司通过MOE架构等追求模型效率；数据维度，随着增加原始文本数据的边际效益下降，

2、行业开始通过“更多种类数据”及“更高质量数据”拓展模型边界；大模型引入思维链，通过强化学习与长上下文能力、test-timescaling持续提升推理能力。学习环境通过构造更接近真实任务的训练和评测过程，增强模型面对未知问题时的泛化能力，代码执行是最早成熟的可验证学习环境，当前各大模型厂商纷纷通过强化Harness推动Agent规模化落地。会员订阅与API调用是基座大模型厂商的基本盘。OpenAI依靠品牌与用户基数率先实现规模化的会员订阅；字节豆包在国内MAU持续领先，也开始了消费端订阅的商业化尝试。Anthropic一直深耕高价值企业客群，依靠Coding与Agentic场景的深耕,今年超越

3、OpenAl成为全球ARR最大的大模型厂商;智谱GLM原创架构的高频迭代及MaaS平台的厚积薄发也在今年转化为定价权、收入结构升级和开发者生态放量。DeepSeek以“极致成本效率”为核心技术路线，不断引领架构创新，推动行业普惠。生态是大模型厂商的护城河，GoogleGemini、阿里Qwen、字节豆包等充分发挥应用入口、云基础设施支撑、企业工作流嵌入等生态价值强化模型迭代和探索更多样商业化潜力。大模型“各领风骚数百天”，竞争角逐激烈：1）技术迭代频率是否足够高;2）是否拥有自我增强飞轮，包括开发者生态、使用数据、场景反馈、分发入口和组织效率等；3）单位智能成本能否持续下降；4）是否从模型能力

4、走向工作流替代。当模型能高效稳定替代一部分知识工作、开发工作、设计流程和内容生产流程，从“卖token”走向“卖效果”，商业化空间将会不断抬升。投资建议：全球大模型产业技术高频迭代，今年开始全面商业化提速，会员订阅转化随模型能力提升而加速，Coding与Agentic场景落地驱动API调用激增，生态赋能逐步实现多维度全方面变现，大模型本身成为成长最快的赛道，从“吞金兽”转变为“印钞机”的奇点临近。AI算力基础设施是大模型发展的基本保障，成为制约大模型能力迭代和收入放量的关键因素。AIInfra及MaaS云服务厂商助力AI算力和应用场景落地效率提升，也将持续分享AI产业成长红利。风险提示：技术发

5、展不及预期；安全合规风险；AI基础设施供给不足风险等。推荐（维持）相关报告1.全球大模型的技术迭代大模型起于Transformer，遵循“ScalingLaw”在模型参数、数据、推理与学习环境四个维度持续迭代。技术路径上，大模型2023年聚焦扩参数，2024年开拓多模态，2025年愈发注重推理及长上下文能力，2026年追求Coding能力及智能体工程落地。(divcenter)图1：大模型技术迭代的四个维度(/divcenter)1.1模型参数：从追求规模到注重效率（1）参数规模参数规模一直是大模型迭代的焦点。2020年，Kaplan等人提出ScalingLaw，指出模型性能与算力、参数量、数

6、据规模之间存在幂律关系，持续投入可带来可预期的性能提升。OpenAIGPT系列率先验证该路径:GPT-1约1.17亿参数,GPT-2提升至15亿，GPT-3跃升至1750亿，GPT-4据第三方估算达到约1.8万亿。此后，GPT-5、GPT-5.5继续向数万亿级演进，Claude、Gemini、豆包、DeepSeek、通义千问等头部模型也陆续进入万亿级参数区间。（2）MOE架构提升模型效率MoE架构每次激活部分参数，降低计算成本。MoE通过“稀疏激活”机制，将模型总参数拆分为多个专家网络，并由路由器根据输入token动态选择部分专家参与计算，从而实现“总参数”与“实际计算成本”的解耦。Switc