传媒行业市场前景及投资研究报告：LLM模型优先coding商业化价值

行业研究

|深度报告传媒行业评级：看好（维持）国家/地区：中国长期模型优先，看好coding商业化价值LLM专题研究（一）日期：202

年

月1

日核心观点LLM技术发展从预训练架构创新向后训练和推理驱动演绎。我们复盘LLM

(LargeLanguage

Model)的技术路径发展，2025年以前模型厂商通过堆算力、数据，做大模型参数，从而发挥预训练scaling

law，打造底模的智能基础，以此锁定继续在AI牌桌上角逐的入场券，即我们认为预训练是大模型竞赛的首要核心壁垒。2025年后以DeepSeek

R1为代表的推理模型，发挥RL阶段Scaling

Law，使其成为提升大模型能力的核心手段。展望26年，LLM主流架构基本确定，但行业仍在探索更高效架构，最大化利用算力提升建模效率的路径；此外模型性能改进的核心动能转向后训练和推理阶段，包括RLVR向其他领域拓展、以及推理时的inference-time

scaling等，后者仍对计算资源有较高要求。行业CapEX高投入趋势确定，投入领先的厂商更有可能拉开技术代差。从25~28年CapEX投入量级的3年CAGR增速看，基数和增速均较快的包括OpenAI(147%)/Anthropic(96%)/谷歌(39%)/Meta(35%)。模型厂商的投入量级有所分化，如海外互联网厂商谷歌和Meta的CapEX投入量级在千亿美元以上，国内互联网厂商(阿里、腾讯、字节)和海外AI模型大厂(OpenAI、Anthropic)投入量级在百亿美元，国内AI模型独立厂商智谱和MiniMax的研发投入均在百亿美元以内。我们认为投入量级的差距主要是研发的试错成本，更多的算力和人才，可以支撑不同技术路线的同时探索，或是此前拉开技术代差的原因之一。因此我们判断大模型赛道的竞争或是两阶段的往复出现，本质是由技术进步决定，拥有更高CapEX投入和人才密度的厂商更有可能推动技术范式突破，由此直接提升其竞争优势；而在技术发展平台期，各家模型智力差距收窄，更关注快速迭代harness、形成更好产品体验，由此带来强爆发的商业化增长。Coding成为现阶段LLM商业化价值最高的场景，技术特性与闭环迭代能力推动其率先爆发。Coding场景的先发优势源于两大技术支撑：内生思维链让模型可自发完成推理与思考过程，Coding的可验证性则通过反馈循环实现能力持续提升，二者形成完整迭代闭环。我们梳理当前头部AI

coding产品ARR，测算当前全球Coding市场规模约80亿美元，CR4达86%，行业集中度高。长期来看，基于人力成本替代逻辑，远期中美两国Coding的TAM有望达4000亿美元。整体来看，国内厂商尚未形成海外头部厂商的技术绝对优势，随着技术迭代与场景深耕，聚焦核心技术、贴合本土需求的模型厂商有望实现突破，挖掘Coding市场红利。长期模型优先，厂商差异化带来非对称竞争LLM架构趋于收敛，26年关注①更高效的架构最大化算力利用/②后训练范式演进/③推理scalingLLM架构趋于收敛，各家建立scaling

law，以扎实基模能力锁定AI竞赛席位。大模型的预训练是一个数据、算法、infra高度交织的复杂系统，每家模型厂商都需要从小的参数模型起步，逐步摸索并建立属于自身的scaling

law，同步构建配套infra，筛选适配当前模型阶段的训练数据与任务数据集，持续调试，再逐步将模型参数规模迭代升级到下一个量级。无论是海外还是国内，LLM赛道已经过大浪淘沙的竞赛，底模能力扎实、持续保持技术迭代的厂商以此锁定下半场的竞赛席位，预训练是大模型竞赛的首要核心壁垒。复盘LLM发展技术脉络，模型性能改进动能从架构设计转向后训练和推理阶段，26年重点关注后训练阶段挖掘RLVR向其他领域拓展、以及推理时的inference-time

scaling等。模型性能改进的核心动能从架构设计转向后训练，大的架构路线上仍以Transformer为核心，伴随线性注意力、MoE等组件的精简和效率优化。后训练的范式持续演进，22年RLHF+PPO实现从GPT到ChatGPT的蜕变，25年RLVR+GRPO则让模型开始具备逻辑推理能力。展望26年，一方面关注更高效的架构出现，用更少的算力实现更高的建模性能；另一方面关注RLVR在更多通用领域的扩展、Inference-time

Scaling（在推理阶段投入更多Token和计算资源）等进一步提升模型表现。图表：大语言模型技术研发重点变化Trade

offResponseaccuracyCostLatency2022RLHF+PPO2023LoRA

SFT2024Mid-training2025RLVR

+GRPO2026RLVR

extensionsinference-time

scaling2027重点挖掘预训练潜力更侧重于中期和后期训练以及推理Scaling能力OpenAI

7training团队，贡献于GPT-4Turbo和GPT-4o月成立专门Mid-LLaMAPaLMQwen-7BContinual

learning…ChatGPTLlama2典型代表：DeepSeek

R1数据：Ahead

ofAI，Founder

Park，东方证券研究所CapEX高投入仍具有确定性，海内外厂商增速趋势有分化海内外模型厂商的CapEX投入对比来看（因厂商数据披露差异，OpenAI和Anthropic为大模型训练成本、智谱和MiniMax为研发投入）：（1）海外vs国内，按照25-28年投入量级的3年CAGR增速来看，OpenAI和Anthropic增长最快为147%和96%。其次是国内独立模型厂商因基数较小，MiniMax和智谱的研发投入增速分别为59%和38%。传统互联网厂商看，海外谷歌、Meta

以35%+的高增速，高于国内阿里的16%和腾讯的9%。（2）量级维度大致分为3类：①26~28年CapEX预测投入量级均在千亿美元以上【海外谷歌、Meta】；②CapEX预测投入量级在百亿美元，如国内传统互联网厂商【阿里、腾讯、字节】等，包括海外独立模型厂商【OpenAI、Anthropic】；③研发成本在百亿美元以内，如国内独立模型厂商【智谱、MiniMax等】。图表：2020~2028E模型厂商资本开支、模型训练研发投入、经营现金流情况单位：亿美元，%2020202120222023323202452520259142026E18382027E23022028E2440CapEX经营现金流22365134%15138739%24691727%18657732%31591534%31350562%谷歌101732%27271138%125342%37391341%30164756%697115860%80208388%1331136797%310254391%1588175291%640311978%1706206883%1210300①CapEx投入达千亿美元CapEX/经营现金流CapEXMeta经营现金流CapEX/经营现金流OpenAI

AI大模型训练成本Anthropic

AI大模型训练成本单位：亿美元，%CapEX阿里巴巴

经营现金流CapEX/经营现金流CapEX10401202026E2202027E2020202120222023202420252028E6230021%497124928%486123026%263527213%3410422846%110177135131%11319617511214127832685%146②CapEx/模型训练投入在百亿美元腾讯经营现金流CapEX/经营现金流CapEX27717%25019%5020912%6131711%8636930%12643326%21445331%22951228%59624%字节跳动

经营现金流9056%11056%0.120.050.110.0012071%0.760.720.700.01155186CapEX/经营现金流81%3.140.181.890.01115%4.540.022.530.01研发开支资本开支研发开支资本开支6.570.394.640.068.730.606.440.1611.961.1910.150.92智谱③研发投入在百亿美元以内MiniMax数据：公司公告，Bloomberg，ResearchGate，InforCapital，TrendForce，VnExpress，东方证券研究所注：OpenAI和Anthropic数据为估算值；阿里数据非财报口径，为按照自然年的季度加总；字节经营现金流数据为假设占收比10%测算。AI研发投入存在大量“试错成本”→算力、人才密度是决定能否拉开技术代差的核心因素怎么理解CapEX投入量级的差距？

以24年OpenAI在计算资源上的分配为例，总支出70亿美元=研发50亿美元+推理20亿美元，其中研发50亿美元=45亿实验性运行（用于最佳参数、架构或训练策略等）+5亿模型最终训练运行（生成可发布、可使用的最终模型版本），探索性实验活动占研发计算资源的90%。

我们认为，对于AI前沿探索者来说，由于技术方向的不确定性和缺乏现成案例参考，需要投入大量的资源在不同架构、训练策略的探索上，通过研发试错和多技术路径并举，将巨额投入转化成技术代差式领先；对于AI追赶者来说，可以通过学习领先模型的技术、蒸馏等方式，规避大量无效投入，实现资源投入的最优效率形成后发优势。因此研发投入量级一定程度上体现了模型厂商的技术探索投入程度，在计算资源优先前提下，我们更看好具备极强经营现金流支撑的谷歌、Meta、阿里、腾讯、字节，以及头部模型厂商OpenAI、Anthropic在技术领先性上的高胜率。图表：2020~2028E模型厂商资本开支、模型训练研发投入、经营现金流情况图表：OpenAI

24年约90%的研发算力用于研究探单位：亿美元，%2020223202124620223152023323202452520259142026E

2027E

2028E索和实验性运行CapEX经营现金流1838208388%1331136797%3102302254391%1588175291%6402440311978%1706206883%1210300谷歌65134%15138739%91727%18657732%91534%31350562%101732%27271138%125342%37391341%30164756%697115860%80CapEX/经营现金流CapEXMeta

经营现金流CapEX/经营现金流OpenAI

AI大模型训练成本Anthropic

AI大模型训练成本单位：亿美元，%CapEX10401202202020202120222023202420252026E

2027E

2028E6230021%497124928%486123026%263527213%3410422846%110177135131%11319617511214127832685%146阿里巴巴

经营现金流CapEX/经营现金流CapEX腾讯经营现金流CapEX/经营现金流CapEX27717%25019%5020912%6131711%8636930%12643326%21445331%22951228%59624%字节跳动

经营现金流9056%11056%0.120.050.110.0012071%0.760.720.700.01155194CapEX/经营现金流81%3.140.181.890.01111%4.540.022.530.01研发开支资本开支研发开支资本开支6.570.394.640.068.730.606.440.1611.961.1910.150.92智谱MiniMax数据：公司公告，Bloomberg，ResearchGate，InforCapital，TrendForce，VnExpress，epoch.ai，东方证券研究所注：OpenAI和Anthropic数据为估算值；阿里数据非财报口径，为按照自然年的季度加总；字节经营现金流数据为假设占收比10%测算。大模型竞争两阶段重复，大厂和独立AI模型厂商的相对优势在不同阶段会发生强弱变化1、技术侧的范式突破更看好拥有更高CapEX投入和人才密度的厂商（大厂如谷歌、阿里，独立AI模型厂商如OpenAI），一旦技术范式突破，这类厂商的竞争优势将显著变强。2、而在技术发展平台期，各家模型智力差距收窄，聚焦特定场景、组织敏捷性更强的独立AI模型厂商，能通过快速迭代harness，达到更高的执行有效率，拉高AI增量收入增长斜率，爆发性更强。3、整体而言，传统互联网大厂和独立AI模型厂商更偏差异化竞争的状态。因传统互联网大厂更focus在C端大流量市场，提供的模型和服务场景需要有更强的普适性，独立AI模型厂商侧重于卖特定场景下token的有效率，从而形成AI新场景的用户生态。图表：传统互联网大厂和独立AI模型厂商相对优势比较26~28年CapEX预测投入量级均在千亿美元+【谷歌、Meta】26~28年CapEX预测投入量级在百亿美元【阿里、字节、腾讯、OpenAI、Anthropic】26~28年研发成本在百亿美元以内【智谱、Minimax】算力和CapEX现金充裕度人才密度CapEX高举高打，如谷歌和阿里有芯片、云、模型全栈式整合能力传统互联网企业的主业造血能力强，提供AI投入的资源相对高，可同时支持多条技术路线的探索CapEX量级相对小，依赖于外部计算资源合作，侧重于模型效率优化依赖于外部融资，现金流压力相对较大依赖于核心人物的技术嗅觉和前瞻判断，确定后执行灵活扁平，传达和执行高效组织敏捷性传统互联网大厂组织架构有一定效率限制AI定位和路线选

延续互联网时代C端思路，抢夺AI流量入口，重视技术和产品用户触达面的广围绕模型能力、B端市场、Agent，战略聚焦择泛程度训练数据堆多样性更强，围绕C端用户需求专业性更强，聚焦特定领域和场景（如coding等）模型需要服务于原有多业务条线，AI商业化新场景挖掘动力不足，更多是强化产品生态灵活性更强，无传统业务负担，更容易和特定产业客户展开合作，形成新的目标用户生态原有业务用户生态数据：极客公园，凤凰网财经，东方证券研究所

注：粉色色块表示更具相对优势。早期对技术判断和路线选择的差异化，结合商业化成为复杂系统

*大模型赛道很难赢家通吃对技术前瞻判断核心人物和背景代表模型和技术亮点商业化情况海外16(23.12)→55(24.12)→190(25.12)→250(26.02)→2800(2030年)，亿美元SamAltman(CEO)Greg

Brockman

(联创&总裁)JakubPachocki

(首席科学家)【ARR】AGI第一，坚定押注scalinglaw，内部规划L1-L5路线图，最早系统化推动RLHF和推理模型GPT-4/5、o系列推理模型RLHF、RLVR、多模态OpenAI【结构】60%C端+40%企业（26.04）Demis

Hassabis

(Deepmind

CEO)JeffDean

(Deepmind

首席科学家)KorayKavukcuoglu(Deepmind首席技术官)Gemini系列:多模态输入无AI单独拆分Google强调原生多模态，AI必须与硬件和搜索生态深度融合Nano

Banana/Veo:

多模态生

【主业】25年收入4028亿美元，结构上广告73%+成订阅及设备12%+云15%10(24.12)→90(25.12)→300(26.04)→440(26.05)→2240(2031年)，亿美元【ARR】AI安全与对齐(Constitutional

AI)。押注编程和B2B，模Claude系列：极致的编程能力与AnthropicDarioAmodei

(CEO)Elon

Musk(CEO)型不仅要强，更要可解释且安全，走企业级专业路线。指令遵循【结构】80%来自企业客户（25.10）Grok押注算力+数据(X平台)+实时性，强调真实世界数据与推理坚定开源路线，认为模型能力将商品化，重点在生态和分发Grok系列：实时接入X平台数据

【ARR】5(25E)→20+(26E)MarkZuckerberg

(CEO)Alexander

Wang(首席AI官)Muse

Spark：视觉思维链和多无AI单独拆分【主业】25年收入2010亿美元，主要是广告Meta智能体协同国内构建一种更接近人类思维的推理模型，关键突破点放在推理、DeepSeek-V2/V3/R1：MoE极DeepSeek梁文锋-规划和自我反思上致优化、推理成本大幅下降无AI单独拆分【主业】25Q4收入407亿美元，中国电商56%+国际电商14%+云智能15%+所有其他及抵消15%吴泳铭

(ATH事业群负责人)Qwen-3：长文和编程能力Qwen-VL系列：多模态理解阿里强调云+AI一体化，认为模型是云服务的核心驱动力AGI为核心战略，提升模型智能周靖人

(技术委员会首席AI架构师)无AI单独拆分【主业】25年收入1860亿美元字节智谱Kimi吴永辉

(Seed负责人)Seedream/Seedance系列【ARR】2.5(26.03)→10(26.12)，亿美元聚焦认知智能，模型处理问题能力的提升，强调训练效率、张鹏

(CEO)唐杰

(首席科学家)智谱-4.5/5/5.1:异步强化学习数据利用率、推理成本控制框架，代码和智能体能力【结构】

25年收入:26%云端+74%本地化部署押注超长上下文，认为处理超长上下文是通向AGI的关键瓶杨植麟

(创始人&CEO）Kimi

K2/2.5:超长上下文【ARR】1亿美元(26.03)颈，主打超长无损上下文窗口【ARR】1.5(26.02)，亿美元M2:极速推理，低成本Hailuo/Speech:

视频/语音生成MiniMax押注全模态，聚焦跨模态融合带来的智能飞跃闫俊杰

(创始人&CEO&CTO)25年收入:67%AI原生产品+33%开放平台；27%中国内地+73%海外【结构】数据：EPOCH

AI，CNBC，Yahoo

Finance，Newcomer，公司公告，acquinox，Sacra等，东方证券研究所注：智谱ARR为API收入。单元格标灰指押注单一语言模态，标黄指押注全模态。Coding大爆发，看好国产模型跑通Anthropic模式Coding的可验证性，CoT和RLVR推动编程能力形成自我迭代闭环CoT和RLVR，助推客观可验证的模型编程能力提升。传统的RLHF因人类反馈标注带有主观偏见，而在编程领域代码是确定可被客观验证的，正确通过、失败则报错。CoT和RLVR允许模型在代码沙盒里进行成千上万的自我对弈和试错，而编程的可验证性能构建自动化闭环反馈，从而推动模型编程能力的自我进化，向生产力工具迭代。我们认为，Coding能力的提升，一方面来自于扎实的底模能力，另一方面垂类领域数据量、多模态理解能力、harness工程等都能为coding能力的提升助力，目前海外Anthropic显著领先，国内仍有黑马杀出可能性。图表：Artificial

Analysis

Intelligence

Index（上图）、

CodingIndex（下图）数据：ArtificialAnalysis，东方证券研究所Anthropic：押注编程和B端市场，先发优势积累数据飞轮Anthropic的优势在于，前瞻性的技术判断押注正确，战略极致聚焦，率先形成技术-用户生态闭环。Anthropic从成立初就押注编程和B2B，历次模型迭代重视编程和智能体能力优化，前瞻的技术选择（先发优势）+

harness层功能同步迭代（Claude团队在2026年2月1日至3月24日这52天内迭代了30多项harness层功能）更早拿到海量数据的正向反馈，比如用户的上文数据、被用户采纳的模型生成数据等，包括像cursor这类AI

coding产品把Anthropic的Claude系列模型深度集成进IDE作为分发渠道，都使得Anthropic积累到大量数据，作用于模型能力迭代。图表：Claude历次版本发布情况，战略聚焦押注编程具体型号

发布时间

特点Claude

1

Claude/Claude

Instant

2023年3月图表：Anthropic用户使用反馈和数据对模型能力提升的飞轮效应大版本Claude

22023年7月

可处理10万token上下文，编程能力大幅提升Claude

2.12023年11月

可处理20万token上下文，幻觉率降低两倍，新增工具使用功能前瞻技术判断形成先发优势提供性能最强、主力旗舰、速度最快三个版本；提供20万上下文Claude

3Opus/Sonnet/Haiku

2024年3月窗口，能处理超100万token的输入内容推出Artifacts新功能；以Claude

3Opus两倍的运行速度实现前Claude

3.5Claude

3.5SonnetHaiku2024年6月沿智能，是最强大的视觉模型模型能力领先积累coding口碑2024年10月

以Claude

3Opus两倍的运行速度，能力优于Claude

3Opus首款混合推理模型，在编程和前端网页开发方面展现出尤为显著的提升Claude

3.7

Sonnet(Reasoning)

2025年2月模型能力迭代Claude

4Claude

4.1Opus/SonnetOpus2025年5月

提供即时响应和用于深度推理的扩展思考功能，支持并行使用工具2025年8月

重点优化了智能体任务、实际编码和推理能力构建复杂智能体的最强模型，也是使用计算机的最佳模型，并且在Claude

4.5Claude

4.5Claude

4.5SonnetHaikuOpus2025年9月推理和数学计算方面展现出显著的优势数据积累2025年10月

提供与Sonnet4相当的编码性能（成本仅其1/3、速度是其2倍多）是目前全球在软件工程、长周期自主智能体（Agents）及计算机自身API调用和订阅服务第三方平台和应用层强化分发2025年11月2026年2月2026年2月使用能力上最强的模型优化了前代版本的编码能力，提供100万token的上下文窗口，在智能体代码评估Terminal-Bench

2.0中取得最高分对模型在编码、计算机操作、长上下文推理、智能体规划、知识工作和设计等方面的能力进行了全面升级Claude

4.6Claude

4.6OpusSonnet数据：公司官网，东方证券研究所Anthropic：押注编程和B端市场，先发优势积累数据飞轮Coding市场份额第一，5月ARR突破440亿美金，增长斜率陡峭。根据Menlo

Ventures数据，Anthropic在LLM企业API市场份额逐年攀升，25年达到40%，Coding市场份额则达到54%。而随着模型智能体能力在25年末有显著突破，harness层同步迭代，帮助模型更好在实际生产力侧可靠、可控完成交付，Anthropic在4月ARR环比增长110亿美金达300亿美金的基础上，5月环比增长140亿美金达440亿美金。图表：按用量计的LLM企业API市场份额图表：2025年Coding市场份额图表：OpenAI和Anthropic

ARR趋势图（亿美元）AnthropicOpenAIGoogleMeta其他2月1日-3月24日Claude团队共发布了30多项harness层面功能OpenAIAnthropic100%90%80%70%60%50%40%30%20%10%0%500450400350300250200150100504%8%15%14%16%12%21%27%16%7%其他,14%Google,11%Anthropic,

54%OpenAI,21%34%50%40%24%012%202320242025数据：Menloventures，EPOCH

AI，OfficeChai，东方证券研究所Google：输入多模态和强推理，另辟蹊径提升编程能力Google押注多模态的学习和训练，超强理解能力满足复杂编程需求。Google

Gemini系列模型在编程能力上同样有优异表现（ArtificialAnalysis

coding

index排位第三），与Anthropic押注单一语言模态不同的是，Gemini系列从day1底层设计就是多模态模型，通过大量跨模态数据的学习和对齐，强大的基模推理能力给编程水平也带来质的飞跃。多模态推理能力为代码和可视素材的对应提供支撑，结果上体现为最终呈现的前端视觉效果极强，通过差异化的视觉对应路线，弱化数据量级不足的短板。Coding能力训练的3个层级，从入门到中级到高级，分别是带注释的代码、项目代码、产品设计文档作为训练语料，多模态输入和推理能力对高级编程水平的训练助益显著，从纯代码的文本学习，到产品设计文档的可视化素材和代码的跨模态学习，基模推理能力作用下满足更高阶的编程需求。图表：Gemini历次版本发布情况，注重跨模态训练和理解能力图表：模型提升Coding能力的3个训练层级大版本具体型号发布时间特点从底层设计为多模态模型，理解文本、图像、音频等多种形式，领先的编码基础模型之一Gemini

1.0Ultra/Pro/Nano

2023年12月全新MoE架构，推出100万token的上下文窗口，不同模态执行高Gemini

1.5Gemini

2.0Flash/ProFlash2024年2月度复杂的理解与推理任务同时支持多模态输入和输出，原生调用Google搜索、代码执行工具以及第三方用户自定义函数等工具，为智能体能力奠定基础2024年12月Thinking模型，基于大幅优化的基础模型与后训练，在一系列需Gemini

2.5Gemini

2.5Pro2025年3月要高级推理能力的基准测试中处于领先地位，具备高级编程能力Flash/Flash-Lite

2025年6月

针对成本和速度进行了优化最先进的推理能力和多模态功能，体验最佳的vibe

coding与智能Gemini

3.0Gemini

3.1ProPro2025年11月体编程模型2026年1月

用于解决复杂问题的更智能、更强大的基础模型数据：公司官网，东方证券研究所26年预计是国产模型coding发展大年智谱：类Anthropic战略聚焦编程，私有化部署服务经验提供科学的模型迭代方向。智谱的技术迭代始终以智力进化为核心，模型即产品，底模、推理增强、多模态能力结合，让通用模型拥有处理复杂任务的各项能力，我们理解更类似于智力提升+将harness层面功能封装在模型里，从而形成MaaS的强竞争力。从市场买单程度看，26年以来公司基模持续涨价，4月发布的GLM-5.1相较25年底的4.7涨价接近200%。公司表示26Q1

API价格综合涨幅83%，使用量同涨400%，实现量价齐升。图表：智谱历个模型发布情况输入单价输出单价缓存命中时间具体型号特点（元/百万token）(元/百万token)

(元/百万token)专为智能体应用打造的基础模型,在包含推理、代码、智能体的综合能力达到开源

SOTA，在真实代码智能体的人工对比评测中，实测国内最佳2024年1月GLM-4代码Coding较GLM-4.5提升27%，对齐ClaudeSonnet

4；上下文窗口由128K→200K，适应更长的代码和智能体任务2025年7月2025年9月2025年12月GLM-4.5GLM-4.6GLM-4.7面向Coding场景强化了编码能力、长程任务规划与工具协同基础模型在Coding与Agent能力上取得开源SOTA表现，真实编程场景的使用体感逼近

Claude

Opus4.5，擅长复杂系统工程与长程

Agent任务2/38/140.4/0.6平均涨价125%针对长程任务（Long

HorizonTask）场景深度优化，支持持续多轮自主执行，单次任务最长可达

8小时，能够独立完成代码编写、方案设计、系统搭建等工程级交付物。2026年2月GLM-54561822241平均涨价22%2026年3月

GLM-5-Turbo

专为视觉编程打造的多模态Coding基座模型1.2专为智能体应用打造的基础模型,在包含推理、代码、智能体的综合能力达到开源

SOTA，在真实代码智能体的人工对比评测中，实测国内最佳相对于基础模型显著提升了数理能力和解决复杂任务的能力通过更长时间的深度思考来解决更开放和更复杂的问题，在研究型写作和复杂检索任务上的能力得平均涨价12%2026年4月2025年4月2025年4月2024年7月GLM-5.11.3GLM-Z1GLM-Z1-推理模型Rumination

到了显著提升。CogVideoX2024年10月

GLM-4-Voice多模态模型2025年8月GLM-4.5VGLM-4.6V在41个公开视觉多模态榜单中综合效果达到同级别开源模型

SOTA

性能215630.40.21.2在视觉理解精度上达到同参数规模SOTA首次融入工具调用能力，为多模态Agent提供统一技术底2025年12月座2026年4月

GLM-5V-Turbo

面向视觉编程打造的多模态Coding基座模型222025年3月AutoGLM集深度研究与实际操作能力于一体的Agent智能体模型先降后涨在DeviceUse基准测试中，AutoGLM表现优于ChatGPT

Agent、UI-TARS-1.5和ClaudeSonnet

4，处于主流Agent的SOTA水平2025年8月

AutoGLM2.0数据：公司官网，东方证券研究所26年预计是国产模型coding发展大年DeepSeek：底模技术领先，注重模型数理推理能力迭代，认为Coding是大语言模型的重要分支，单独发布了多个Coding相关版本；同时在视觉语言模型上也有深厚布局。图表：DeepSeek历次版本发布情况：注重计算效率和模型性能平衡，技术贡献者时间具体版本特点2024年1月DeepSeek

LLM经典Transformer架构，引入分组查询注意力（GQA）机制，保持性能的同时提升推理效率MoE并引入多头潜在注意力（MLA），训练成本显著下降（与

67B相比节省约

42.5%）、KV

缓存压缩（减少约

93.3%）、生成吞吐量2024年5月2024年12月2025年1月DeepSeek

V2DeepSeek

V3DeepSeek

R1提升等关键优化引入无辅助损失的负载均衡策略、多

token

预测（MTP）等创新，优化训练稳定性与生成效率，增强长上下文处理与推理能力基础模型采用强化学习主导的训练流程（无

SFT），结合冷启动数据和多阶段训练采用强化学习主导的训练流程（无

SFT），结合冷启动数据和多阶段训练，在数学、代码与自然语言推理等任务上与

OpenAI

o1

正式版相当2025年8月2025年12月2026年4月2024年1月2024年2月2024年6月DeepSeek

V3.1DeepSeek

V3.2DeepSeek

V4混合推理架构，更高的思考效率和Agent能力强化Agent能力，融入思考推理原生支持100万token超长上下文，CSA（压缩稀疏注意力）+

HCA（高度压缩注意力）交替叠加架构，大幅降低算力消耗和显存需求DeepSeek-CoderDeepSeek-Math专为代码生成、调试和优化而设计数学推理模型自研GRPO高效强化学习，在竞赛级MATH基准上以小参量实现DeepSeek-Coder-v2

最强开源编码模型2025年11月

DeepSeek-Math-V2

验证器-生成器协同的双向改进循环，显著提升数学推理能力，大幅减少了大模型幻觉2024年3月2024年12月2025年10月DeepSeek-VLDeepSeek-VL2DeepSeek-OCR混合视觉编码器的设计视觉语言模型动态分块策略和DeepSeek

MoE语言模型，重点攻克高分辨率图像处理和复杂视觉任务两大难题将文本内容转换为图像形式，能用比原来少得多的视觉token来表示相同的信息量，从而实现对文本信息的高效压缩数据：公司官网，东方证券研究所26年预计是国产模型coding发展大年Kimi：顶尖长上下文，底模能力扎实、VL和agent

harness强图表：Kimi历次版本发布情况输入:缓存命中输入:缓存未命中输出价格时间具体型号特点（元/百万token）

(元/百万token)（元/百万token）2025年1月

Kimi

K1.52025年7月

Kimi

K2发布多模态思考模型，引入思维链能力，提升长文本理解和推理能力万亿参数MoE架构，强化代码生成、工具调用与数学推理能力1441621基础模型引入原生多模态架构、Agent

Swarm机制，支持视觉理解、代码生成、多智能体协作等能力2026年1月

Kimi

K2.50.72026年4月

Kimi

K2.62025年4月

Kimi-VL长程编码能力提升，Agent集群规模与协作能力升级1.16.527MoE架构，推理时仅激活2.8B参数，具备强大多模态推理和agent能力视觉理解模型数据：公司官网，东方证券研究所26年预计是国产模型coding发展大年MiniMax：全模态布局稀缺卡位，视频、声音合成业内认可度高，大语言模型优势在于推理的低成本和高速。图表：MiniMax历次版本发布情况：稀缺全模态卡位输入单价输出单价缓存读取缓存写入时间具体型号abab1abab2特点（元/百万token）

(元/百万token)（元/百万token）

（元/百万token）2022年4月2022年6月首款文本模型具备对话与问答能力，能实现流畅连贯的智能对话2022年10月2023年5月2024年1月2025年1月2025年6月abab3abab5.5abab6.0Text-01在语言理解、多轮对话及内容生成等核心能力上显著超越上一代模型在写作、聊天、问答等场景中达到了

GPT-3.5的水平国内首个MoE架构模型，处理复杂任务能力、计算效率大幅提升采用了混合架构，融合了线性注意力、softmax注意力和MoEMoE架构，结合闪电注意力机制，支持输入/输出100/8万个token语言模型MiniMax

M12025年10月

MiniMax

M22025年12月

MiniMax

M2.12026年2月

MiniMax

M2.5专为代码和agent相关应用设计，在智能、速度、成本效益之间实现最佳平衡重点聚焦更多编程语言和办公场景的可用性2.12.12.12.18.48.48.48.40.210.210.210.422.6252.6252.6252.625编程场景表现尤为突出，1美金/小时经济可行性高2026年3月

MiniMax

M2.7

第一个模型深度参与迭代自己的模型，能自行构建harness完成高度复杂的生产力任务2024年8月Hailuo-01首个视频生成模型多模态生成模型2025年6月Hailuo-02高度复杂场景表现出色，NCR架构使训练和推理效率提升了2.5倍2025年10月2022年10月2024年8月2025年4月2025年10月Hailuo-2.3Speech-01Music-01进一步升级动态表现力，在肢体动作呈现、风格化、人物微表情上显著提升零样本语音合成，在公开的

TTS

领域排行榜上占据首位合成纯音乐为制作人快速构建歌曲的基本结构音频模型Speech-02Music-02全新自回归TTS提供最先进的语言克隆对人声的细腻情绪、器乐的动态张力都精准捕捉与还原数据：公司官网，东方证券研究所当前Coding市场规模接近80亿美元图表：加总AI

codingnative产品最新ARR，目前Coding市场规模接近80亿美元9080706050403020100当前Coding市场规模在80亿美元左右。我们收集目前Coding赛道头部产品（包括Copilot类和Agentic类），加总得到目前Coding市场规模合计接近80亿美元，CR4达86%。0.70.40.340.820.71.52.53410122025ClaudecodeCursorCodexGithubCopilotLovableReplitPoolside

WindsurfDevin

Supabase

Bolt.new

VercelVO图表：

Coding赛道头部产品收入、用户、定价情况Claude

codecursorOpenAI

CodexGithub

Copilot发布时间2025年5月2023年3月2025年6月2022年6月ARR（亿美元）1(24.12)→2(25.03)→5(25.06)→10(25.11)→20(26.03)10(25.11)→25

(26.02)26年初以来周活用户翻倍12(预测数据)10(预测数据）用户规模25年DAU超100万、付费用户36万26年2/4月周活用户达160/300万截至26年1月付费用户数470万26年初以来企业订阅量增长3倍，企业收入占比超过50%收入结构---Go

$8/moPlus

$20/moPro

5x$100/moPro

20x$200/moPro

$17/mo