全球大模型市场概览

技术跃变

大模型市场具有“技术跃变”式的特性，每一代模型能力进步，都可以解锁新的应用空间。GPT-3让娱乐闲聊率先达到了产品市场契合点（PMF），GPT-3.5让Chatbot类产品达到可用程度，GPT-4解锁了更多金融、法律等专业知识工作场景，Sora让视频生成产品达到了商用质量要求，多模态的GPT-4o拉动了ChatGPT新增曲线的显著增长，Claude 3.5 Sonnet代码能力提升带动了Claude Code、Cursor、Windsurf达到PMF，OpenAI o1的推理能力和Claude 3.7 Sonnet的工具能力解锁了AI Agent产品的爆发。技术就是底层起浪的最大动能，大模型技术公司就是浪潮源头的最大增长点。每一代新模型都会催生新的应用场景，这些场景从零散的实验逐步发展为主流应用。真正的突破通常发生在代际之间，每次飞跃都会开启新的能力曲线，催生全新的产品与服务类别。例如，MiniMax最新的文本模型MiniMax M2整合了“交错思维”，这一创新的非共识框架能够实现更扎实可靠的Agent推理，并展现出卓越效能。于发布首周，该模型即跃居OpenRouter的模型日均token消耗量全球前三（该平台作为全球最广泛使用的统一API入口，让开发者能够便捷访问多种大模型），同时成为首个OpenRouter日均token消耗量突破500亿的中国本土模型。对于大模型技术公司而言，这些跃变点直接转化为对新产品和解决方案的需求扩张。通过研判模型演进方向，他们能够将产品路线图与新兴市场需求对齐，加速客户采纳进程，并在每个技术周期的最初阶段抢占增长先机。

Scaling Law

市场增长的底层本质驱动因素是，大模型是一种能持续实现规模拓展的技术路线。预训练的Scaling Law已经广为人知，即投入的计算规模越大、数据越多、算力越强，模型的表现就越好。从GPT-3.5、GPT-4，到最新发布的Claude 4，其参数量从数千亿扩大到数万亿，都体现了预训练的Scaling Law依然有效。不仅是文本模型，同样的规律在视频、音频等模态下也都适用，近两年视频和音频生成的技术突破都同样得益于模型规模和训练数据集规模的拓展。此外，从OpenAI o1开始，行业开启了推理时计算的新Scaling Law，即模型在推理阶段计算量提升，模型推理能力随之增强，且模型思考越长时间，表现就越好。长思考所需的算力是单个推理会话的100倍，这使得模型能够解决传统模型几乎无法处理的极其复杂的任务。这一规律在后续OpenAI o3模型中也得到持续验证，且截至2025年11月，Artificial Analysis上在智能指数方面表现最佳的前十名模型均为推理模型，包括MiniMax M2。今后，大模型的规模拓展还会继续，预训练和推理阶段的规模拓展将相互叠加。这一动态机制构成了新一代“摩尔定律”的基石，其通过集体性的规模化进程（而非孤立创新）惠及整个行业。该发展模式使得大模型企业能够部署复杂度持续提升、吞吐量更高且延迟更低的模型，从而把握住行业规模扩张轨迹所带来的增长机遇。

成本下降

模型成本下降是比模型能力提升确定性更高的市场驱动因素，模型能力提升和模型成本下降叠加，会解锁越来越多场景迈过ROI转正点、达到PMF。在GPT-4发布之初，很多行业场景，如内容审核，即使模型能力满足要求，但还因为成本高、ROI为负，无法被企业客户投入落地使用。但大模型的推理成本在稳步下降，例如GPT-4的每token成本已相对发布之初下降了99%，越来越多行业的中后台、大用量场景正在随之被新解锁。此下降于业内持续可见，受架构创新、推理效率和工程优化、算力本身的成本下降等多重因素驱动，每年都会保持一定可预期的速率下降。推理成本下降，拓宽了具备经济可行性的应用场景范围，降低了使用门槛，并释放新的市场机遇。这一趋势推动推理量增长，大模型产品与解决方案得以更广泛部署，助力客户实现盈利性规模化应用，从而加速整体市场扩张。