Anthropic股東最新報告，曝光企業市場最吸金中國模型

原文標題：《Anthropic股東最新報告，曝光企業市場最吸金中國模型》
原文作者：動察Beating

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。

2026年9月，中國模型占美國企業開源模型支出的89%

其中Kimi以61%的份額居首

圖源：Menlo Ventures

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 億美元的头号推理雲 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 年三季度到 2026 年三季度，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%。

前沿模型在企業 AI 支出與 token 用量中的份額同步上升

圖源：Menlo Ventures

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。

Kimi Vendor Verifier 公開對照不同供應商的

K3.1 Pro 部署表現

圖源：Moonshot AI / GitHub

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。

Cursor 與投資方 Accel 的現場交流活動

圖源：Accel

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，美國企業把合同簽給美國雲廠商，數據留在美國機房。

微軟位於美國華盛頓州昆西的數據中心服務器機櫃

圖源：John Brecher / Microsoft

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同，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。

Kimi K3.1 Pro 官方發布主視覺

圖源：月之暗面

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

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia