大模型进入下半场：参数神话正在松动，成本效率成为新标尺

2026 年 7 月，大模型行业又迎来了一轮密集发布。月之暗面拿出 Kimi K3，2.8 万亿参数；xAI 推出 Grok 4.5，强调更低价格；OpenAI 继续拆旗舰模型。但把这些发布放在一起看，竞争的重心正在悄悄偏移。

过去，大模型圈的核心叙事很直白：参数越大越好，GPU 越多越强，训练投入越大壁垒越高。这个逻辑从 GPT-3 的 1750 亿参数一直运行到 GPT-4，Scaling Law 几乎是整个行业的信仰。

但这个信仰正在松动。

不是说不该继续投算力、继续训大模型——而是在所有人都在扩大投入之后，继续加码还能带来多少相对优势？ 头部模型之间的差距已经从「数量级」缩小到「几个百分点」。斯坦福 AI Index 报告显示，中美顶尖模型的性能差距已经大幅收窄，开源和闭源模型的差距也在快速收敛。

真正改变行业成本认知的，是 DeepSeek。它不是靠堆参数取胜，而是通过架构优化和训练方法改进，用更低的成本达到了接近顶尖的性能。更重要的是，它改变了市场对 AI 定价的预期——API 调用价格降下来了，然后所有厂商都在跟进。

这带来的变化很实在：过去很多企业不是不需要 AI，是调用成本太高、没法大规模部署。当模型价格下降，客服系统、企业知识库、代码助手、办公自动化——这些场景都重新算了一遍账，更多应用变得有商业可行性了。

这也是为什么 Kimi K3 选择 MoE 架构，让模型在不同任务里只激活部分参数，总参数大但推理成本可控。Grok 4.5 的卖点也不只是参数规模，而是比对手更低的价格和更高的 token 利用率。

钛媒体的分析点出了一个方向：大模型正在从「谁能训练出最大的模型」进入「谁能用更低成本提供更强能力」的阶段。接下来，竞争维度可能会从模型本身转向生态——围绕模型的应用生态、开发者网络、行业解决方案，可能成为新的护城河。

大模型的战争并没有结束，只是规则变了。下一步，决定胜负的可能不再是模型本身，而是谁能把模型能力转化为更广泛的产业价值。