📑 本文目录
当Agent吃掉Token：一份券商报告如何把AI模型经济学拆成"五层蛋糕"
本文是研报流水线的保底机制产物：当天扫描到的可复现金工研报不足2篇（仅国盛”量化漫谈”和国信非银金融策略两篇评分合格，且均无明确可代码化的策略规则），按 skill 规定转为解读模式。本文不执行回测，不调用 backtest-guardrails 的 B1-B11，只做方法论对比与工程化落地分析。
研报信息表
| 字段 | 内容 |
|---|---|
| 标题 | Agent驱动全球模型厂MaaS收入爆发，国产模型各有优势（人工智能行业专题16） |
| 机构 | 国信证券 |
| 分析师 | 张伦可、陈淑媛 |
| 报告日期 | 2026-04-17 |
| 类型 | 海外市场专题 / 行业研究 |
| 源PDF | AP202604191821320224（pdf.dfcfw.com） |
⚠️ B14 数据交叉验证标注：本地索引标题为”量化漫谈系列之二十一：GLM-5.2：Agent工具最优模型，长程任务能力登顶”（日期 2026-06-24），但绑定的 PDF 实际是 4月17日的国信 AI 行业专题，全篇 0 次出现 “GLM-5.2”。这是 SearXNG/扫描补全时常见的”同系列不同期次”问题——按 backtest-guardrails 的 B14 规则不直接丢弃，而是标注 date_mismatch_note，因为同系列方法论一致，本文内容（评测体系、MaaS 经济性、自进化路径）依然高度相关，甚至比单纯一篇模型测评更厚实。下面的解读以这份 4月17日 PDF 的实际内容为准。
核心设计：从”卖模型”到”卖Token”，AI的商业模式被重写
报告开篇就甩出一个反常识判断：自2026年以来，全球正在经历模型Tokens调用量大爆发的阶段，核心在于模型发展正式进入Agent智能体交互时代。根据 OpenRouter 数据，截至4月7日，中国AI大模型已连续五周调用量超越美国。
这背后是一组商业数据的支撑——各家厂商的 ARR（Annual Recurring Revenue，年经常性收入）已经把”做大模型”从科研叙事变成了现金流叙事：
| 厂商 | 旗舰模型 | 参数（总/激活） | 上下文 | 输入/输出价(美元/百万Token) | 团队规模 | 关键ARR |
|---|---|---|---|---|---|---|
| OpenAI | GPT-5.4 | 2000亿+ | 1.05M | 2.50 / 15.00 | ~4000 | 3月 250亿美元 |
| Anthropic | Claude 4.5 | 1000亿+ | 1M | 3.00 / 15.00 | ~4000 | 4月 300亿美元 |
| 智谱AI | GLM-5 | 7440亿/400亿 | 200K | 1.00 / 3.20 | 883 | 3月 API ARR 2.5亿美元 |
| 月之暗面 | Kimi-K2.5 | 1万亿/328.6亿 | 262K | 0.60 / 3.00 | 300 | 2月 1亿美元 |
| MiniMax | M2.7 | 2300亿/100亿 | 205K | 0.30 / 1.20 | 385 | 2月 1.5亿美元 |
| DeepSeek | V3.2 | 6710亿/370亿 | 128K | 0.27 / 0.42 | 150 | — |
读这张表的关键不是看谁参数大，而是看定价梯度：DeepSeek 输入价 0.27 美元，是 OpenAI 的约 1/9；MiniMax/Kimi 都在 0.3-0.6 区间。报告给出的解释很锐利——国产模型性价比高，主要系两点：①架构层面算力利用效率领先（DeepSeek 针对MoE、注意力机制做原创性轻量化优化；Kimi/MiniMax 锚定长上下文路线做成本全链路优化）；②极致定价，中国厂商愿意以接近成本价换市场份额。
工程化落地路径：Agent能力的四块积木
报告最有价值的一节是把”Agent能力”拆成了可工程化评估的四块积木。这也是我们这些每天在跑 Agent 流水线的人最该读的部分：
| 能力维度 | 决定性因素 | 技术要点 |
|---|---|---|
| 短期记忆（原生上下文） | 架构 | 注意力机制类型 + MoE专家访问 + 活跃参数量配比 |
| 长期记忆（外置架构） | 工程化 | 外部存储+RAG检索；训练时注入长上下文对话日志/工具调用-记忆检索交互数据 |
| 规划能力 | 数据决定精度 | CoT/ToT + 马尔可夫决策过程；过程监督（Process Supervision）；合成数据质量 |
| 工具调用 | 工程化短期决定，数据决定精度 | MCP协议标准化（Anthropic 2024.11推出，“像U盘一样即插即用”）；RLVR用工具执行客观结果反馈 |
这里有一个判断我深以为然：在工具调用中，失败往往不是模型不懂，而是环境不适配。报告把破局点归结为 MCP（Model Context Protocol）——标准化接口让模型无需为每个工具重新学习。这正是我从 Hermes 技能生态里反复验证的：同一个 report_fetcher.py 能被不同模型（GLM-5.2 / DeepSeek）稳定调用，靠的就是工具接口的稳定性，而不是模型本身有多聪明。
评测体系：通用榜单已失效，场景化评测崛起
报告引用 OpenAI 前研究科学家姚顺雨的判断——AI正处在”中场休息”阶段，上半场是训练大于评估，下半场将是评估大于训练。MiniMax 闫俊杰更直白：“中国跟美国模型的一个区别，就是缺少内部定义的 benchmark，更多是在对齐O1等模型的输出。”
于是各家开始自建场景评测：智谱发布龙虾场景端到端Agent评测基准 ZClawBench，腾讯推出 CL-bench（测试”从上下文中学习”的能力）。报告梳理的全球主要评测集按六维分类，这是给所有做 Agent 评测的人的一份速查表：
- 推理与通用：HLE、AIME 2025、HMMT 2025、GPQA-Diamond、MMLU-Pro、LongBench v2
- 编程：SWE-Bench Verified/Pro/Multilingual、Terminal Bench 2.0、PaperBench、CyberGym、LiveCodeBench v6
- Agent能力：BrowseComp、WideSearch、DeepSearchQA、FinSearchComp (T2&T3)、Seal-0、GDPVal
- 计算机使用：OSWorld-Verified、WebArena
- 图像理解 / 视频理解（略）
注意 FinSearchComp ——这是金融搜索能力的专项评测。对我们做量化研究流水线的 Agent 而言，这才是真正衡量”模型能不能帮你找研报、读数据”的标尺，而不是去比谁 MMLU 分高。
自进化：从”3-5年”压缩到”1-2年”
报告用了不小篇幅讲自进化（Self-Evolution），并对比了 OpenAI 与 Anthropic 两条哲学分叉的路径：
| 维度 | OpenAI 路径 | Anthropic 路径 |
|---|---|---|
| 进化驱动力 | 客观结果（可验证的奖励） | 宪法原则（价值对齐） |
| 关键技术 | RLVR：模型生成答案→编译器验证器自动判对错→用正确样本训练自己 | 宪法AI & RLAIF：模型据”宪法”生成回答→另一个AI审查员据同一”宪法”评估改写→生成训练数据 |
| 商业逻辑 | 追求极致能力，吸引前沿开发者 | 把安全转化为信任和收入，赢得金融/医疗/法律高端企业客户 |
一个让我印象深刻的数据点：MiniMax M2.7 在内部测试中可连续执行超过100轮”分析—改进—验证”循环，自主调整采样参数、优化工作流策略，在内部评测集中实现约30%的效果提升，已在部分研发流程中承担30%-50%的工作量。小米 MiMo 负责人罗福莉说，一年前大模型实现”自进化”还需要3-5年，现在觉得1-2年就能完成。
这个时间表的压缩速度，意味着我们今天搭建的 Agent 流水线（比如本篇就是一条研报→解读→发布的自动化管道）面临的不是”模型会不会进化”，而是”模型进化速度会不会让现有编排逻辑快速过时”。
入口变迁：从 App Store 到 ClawHub 技能市场
报告后半段提出了一个对开发者最切身的影响判断：OpenClaw 是智能体计算机的操作系统，它的爆火标志着AI从”对话助手”向”执行员工”的范式跃迁。
传统互联网是 App Store「人找 App」，AI 时代是 ClawHub（技能市场）「AI 自主发现/调用技能」，用户感知更间接。竞争焦点从”争夺App Store曝光”变成两点：①能否被AI高效调用（接口标准化、可靠性）；②在垂直领域是否不可替代（专业度、数据壁垒、基建壁垒）。
我跑这条研报流水线时对此感受极深：我的 report_fetcher.py / report_extractor.py / backtest-guardrails 这些技能，本质上就是 ClawHub 生态里的”原子化服务”。它们能不能被 GLM-5.2 / DeepSeek 稳定调用，不取决于我写得多花哨，而取决于接口是否标准化、错误是否可被模型自纠。
报告还顺带点了一个商业拐角：模型巨头开启广告模式。OpenAI 计划 2030 年广告收入达到 1000 亿美元，每次对话展示1-2条”Sponsored”推荐卡片（与AI回答物理隔离）。这会直接挤压传统广告市场——App 时代靠中心化分发吃的广告费，可能被Agent入口重新分配。
与已有系统的对比（核心增价值）
把这份报告的判断，对照我实际在跑的 Hermes Agent 量化流水线，能看到三处明确的映射与落差：
1. 评测维度选择——不要被通用榜单带偏。 报告点明通用榜单已失效。我的实战体感一致：GLM-5.2 / DeepSeek 在跑这条研报流水线时，决定成败的不是谁的 MMLU 高，而是长程任务稳定性 + 工具调用成功率 + 输出格式纪律。我更该关注的是 OSWorld-Verified（计算机使用）和 FinSearchComp（金融搜索）这类场景评测，而不是去比拼 GPQA-Diamond。本篇流水线里 report_fetcher.py download --search 超时（SearXNG/搜索补全不稳定）就是”工具调用环境不适配”的典型案例——这恰恰印证了报告中”失败往往不是模型不懂，而是环境不适配”的判断。
2. MCP/接口标准化的落地优先级。 报告把 MCP（Model Context Protocol）列为工具调用的工程化突破。这对应到我博客里反复强调的”技能即原子化服务”——本站已有《Hermes Agent 技能装机指南》《从三个顶级Agent项目中提取设计模式》等文章都在论证同一件事：未来竞争力的护城河不是模型，而是垂直技能的专业度与数据壁垒。一个量化研报复现技能，如果做透了数据缺口地图（见《主力资金凭空消失、可转债算不出YTM》），它的不可替代性远高于一个通用 chat 接口。
3. 模型路由的成本经济学。 报告的定价表直接指导了我的 cron 模型分配策略（见本站《模型配置与零成本方案》《cron 调度》）：高峰期避开 GLM-5.2（14-18h）和 DeepSeek（9-12h+14-18h），把研报流水线这种长程、可容错的任务放到 18:30（本 cron 就是这个时间点），用性价比而不是峰值智力来跑——这和报告”国产模型接近成本价换市场份额”的判断完全吻合。
局限性分析
报告自身的局限：
- 数据时效性：报告为 2026-04-17，ARR/调用量数据截至4月初。AI 行业月度变化剧烈，OpenAI/Anthropic 的 ARR 与 OpenRouter 排名到7月可能已有显著变化（本站 AI 周报系列跟踪了 GPT-5.6、Claude Opus 5 等后续发布）。
- 定性判断多、量化模型缺：报告是行业研究而非量化策略，没有给出可回测的因子或择时规则。这也是本次触发保底机制（而非直接复现）的根本原因。
- 国产模型优势的”性价比”叙事偏单一：报告强调国产模型靠工程化+数据弥补算力，但对算力约束的长期天花板（先进制程获取、训练集群规模）讨论不足。
- B14 期次错配：如开头标注，本地绑定的 PDF 与索引标题不符，解读时以 PDF 实际内容为准，无法直接引用到 GLM-5.2 的具体跑分——这部分需以智谱官方 ZClawBench 数据补充。
实践者视角的额外质疑：
- “自进化30%提升”的口径存疑：MiniMax M2.7 “连续100轮循环、30%效果提升、承担30-50%工作量”这类数字，未说明基线和评测集。内部评测集的 30% 提升往往无法外推到真实任务。我跑 Agent 流水线时，“内部评测”和”真实cron成功率”之间的落差经常是巨大的。
- 广告模式与中立性的冲突：OpenAI 计划每次对话插”Sponsored”卡片，若这种模式蔓延到 Agent 工具调用层（比如技能市场里竞价排名），会破坏 Agent 为用户执行任务的中立性——这是报告中轻描淡写但实际影响深远的风险。
- “入口去中心化”对中国市场的适用性：ClawHub/技能市场模式建立在开放协议（MCP）和全球模型生态上，国内受限于模型访问与监管，技能市场的繁荣路径未必复刻。
总结句
这份报告最大贡献不是某一条数据，而是把 Agent 时代模型竞争的评价坐标系从”谁更聪明”切换到了”谁的Token被调用得更多、谁的技能被AI稳定调用”——对每天在跑 Agent 流水线的人，这意味着护城河要从”换更强的模型”转向”做更垂直、更标准、更难替代的技能”。