开源模型流量领先，Anthropic却赚走大部分收入？——AI应用生命周期视角
随着AI应用走向成熟，开源模型在Token流量上已占据主导，但前沿模型供应商（如Anthropic）的总收入并未明显下降。Decagon CEO提出“AI应用生命周期”理论：企业先用昂贵的前沿模型验证场景，再迁移至低成本的开源模型规模化运行。这种动态解释了为什么流量与收入会呈现出分化格局。
开源模型崛起，但支出为何没跟上？
周一，Decagon CEO Jesse Zhang 发布文章指出：开源模型使用量在上升，但其在企业AI市场中的支出占比却在下降。这让人联想到Anthropic CEO Dario Amodei之前的“暴论”——在AI领域，开源是一个干扰项，甚至是个伪命题。
Amodei解释：“即使模型公开，你也看不到它的内部运行机制，因此业内通常称这类模型为‘开放权重’，而非‘开源’。传统开源软件可由社区共同修改、持续迭代，但这种优势并不完全适用于大模型。”在他看来，模型是否开源并不重要，真正关键的是模型能否在重要任务上足够好。而且，开源从不等于免费——企业仍需为云端推理、部署和优化付费。与其纠结开源与否，不如关注谁能在具体任务上做到最好。
为何企业选择开源模型？延迟与微调是核心
随着AI应用日趋成熟，企业正转向更轻量的模型。Decagon自身也是如此。Jesse表示，目前Decagon约90%的工作负载运行在开源模型上，而非OpenAI或Anthropic的模型。
他解释道：“这并不是因为成本，也不是客户强制要求。真正的原因是，我们几乎没有其他选择。在生产环境中运行客服AI智能体时，延迟直接决定产品可用性。每次回复等待8秒，没人愿意用。因此我们需要更小、更快的模型——每次模型调用，没必要知道立陶宛的首都或高中物理知识。”
但开箱即用的小模型无法满足客户的质量标准，必须针对特定任务进行大规模微调。问题在于，前沿模型实验室基本不提供这种组合：既无法按需微调它们最强的模型，它们的小模型也不属于我们，无法任由我们塑造。
因此，“小模型+深度微调”本质上意味着必须使用开放权重模型。成本节省是次要收益，企业对自托管模型的信任也只是附带好处，而非根本原因。
AI应用生命周期：前沿模型验证，开源模型规模化
Jesse认为，前沿模型与开源模型并非竞争对手，开源模型的成功也并非建立在前沿模型失去市场的基础上。相反，它们更像是同一生命周期中的两个阶段：企业先使用昂贵的前沿模型验证某个应用场景是否成立，等到场景逐渐成熟，再将其迁移到成本更低的开源模型上。
随着越来越多成熟场景转向轻量模型，新的应用场景也在不断涌现，因此企业在最前沿模型上的总体投入并未明显下降。
数据印证：DeepSeek流量夺冠，Anthropic仍占支出大头
Jesse Zhang并未提供大量数据支撑，但TechCrunch找到了一些相关数据。
Vercel的AI Gateway仪表盘显示，过去一周，DeepSeek的Token处理量迅速升至第一，已占Vercel基础设施总Token流量的三分之一以上。推出GLM-5.2的智谱也跃升至第四名。
然而，若查看总体Token支出，Anthropic仍占该平台AI总支出的半数以上。由于近期Anthropic自身价格上涨，其支出份额在过去一个月略有下降，但降幅并不明显。
OpenRouter的数据也呈现类似趋势。相比Vercel，OpenRouter覆盖的市场规模更大，但企业用户属性稍弱。从整体使用量看，DeepSeek V4 Flash是目前最明显的赢家，每周处理约5.3万亿Token。最受欢迎的前沿模型Opus 4.8，每周处理略高于2万亿Token。
OpenRouter并未按模型总支出排名，但其数据显示，Opus 4.8的平均Token成本约为V4 Flash的23倍——Opus 4.8每百万Token约1.37美元，而V4 Flash仅0.06美元。按此价格差距推算，尽管Opus 4.8的Token使用量明显低于V4 Flash，但它很可能仍占据平台大部分模型支出。
这些数据尚未包括最新入场的Nvidia Nemotron。凭借Nvidia强大的产业关系和Nemotron的适配能力，该模型有望迅速进入市场前列。
结论：市场增长抵消了开源分流的影响
这些数字尚不足以完全证明Jesse Zhang的“AI应用生命周期”判断，但至少说明，Anthropic等前沿模型实验室并未因开源模型崛起受到太大冲击——至少目前如此。一种可能的解释是，AI可覆盖的任务市场增长太快。即便越来越多成熟场景被迁移到开源模型上，顶级模型仍可依靠占据新应用的早期验证阶段，维持自身的市场地位。
关键要点
- 开源模型在Token流量上已领先：DeepSeek V4 Flash在OpenRouter上周处理5.3万亿Token，远超前沿模型Opus 4.8的2万亿。
- 前沿模型仍主导支出：Anthropic占Vercel平台AI总支出的半数以上，23倍的价格差使其在低流量下仍赚走大部分收入。
- 企业选择开源模型的核心原因不是成本，而是延迟与微调需求：小模型+深度微调需要开放权重，且延迟低、可控。
- AI应用生命周期理论：前沿模型用于验证场景，开源模型用于规模化运行；新场景不断涌现，维持了前沿模型的投入水平。
开源模型在企业AI部署中的占比下降并非失败，而是市场成熟阶段的分工体现。前沿模型主导应用发现与原型验证，开源模型则将主导生产部署。这种双层结构可能成为AI产业的稳定格局。
开源模型与前沿模型的分工逻辑
Jesse Zhang 指出：“开源模型支出占比下降，并不是因为开源模型正在失败，而是因为整个企业 AI 市场仍处于成熟曲线的最早期。” 他进一步解释道：“前沿模型实验室将继续主导应用发现，开源模型则会越来越多地主导生产部署。”
这一判断背后有清晰的经济学逻辑。当应用场景刚刚出现时，企业倾向于选择最聪明的通用模型，因为问题形态未知，企业愿意为未来可能用不上的智能能力支付溢价。在这个阶段，这笔交换是合理的。
当一个应用场景已经充分成熟，企业已经了解输入数据的分布、模型需要表现出的行为，以及必须防范的失败模式时，权衡就会发生逆转。此时，通用智能反而成了额外负担。企业真正需要的是体量最小、速度最快，并且经过专门微调、能够把特定任务做到极致的模型。
从原型验证到生产部署的迁移路径
按照这一逻辑，今天所有使用前沿模型进行原型验证的应用场景，未来都有可能迁移到开源模型。Jesse 表示：“不过，这个过程会比很多人预想的更漫长。”
另一种解释是，即便客户开始转向开源模型，很多应用场景本身仍然足够复杂，无法完全被价格更低的模型替代。例如，涉及多轮对话、长上下文推理或高精度输出的任务，前沿模型依然具有不可替代的优势。
但无论如何，这种双层模型经济——前沿模型负责发现，开源模型负责部署——都有可能成为 AI 产业中相对稳定的结构。企业将在创新与成本之间持续寻找平衡，而这两种模型生态将长期共存并相互促进。
关键要点
- 开源模型支出占比下降并非失败，而是市场早期阶段的分工现象
- 前沿模型主导应用发现和原型验证，开源模型将主导生产部署
- 成熟应用场景中，企业实际需要的是体量最小、速度最快、专门微调的模型
- 从前沿模型向开源模型的迁移将长期进行，比预期更缓慢
- 部分复杂应用场景仍无法被低价模型完全替代，双层模型经济可能成为稳定结构
参考链接：
https://www.threads.com/@whaleagent/post/DaJx5pfkzmL
https://x.com/thejessezhang/status/2074154325933424861
https://techcrunch.com/2026/07/07/why-the-rise-of-open-source-ai-isnt-hurting-anthropic-yet/