开放权重不等于免费：DeepSeek和Inkling正在改写大模型生意

2026-07-17

DeepSeek, 企业AI, 开放权重, Inkling, Thinking Machines, 大模型商业化

摘要：模型越来越便宜，甚至开放权重，但真正收费的开始变成推理基础设施、企业定制训练和进入工作流的最后一公里。DeepSeek和Thinking Machines走了不同路线，却都在证明大模型商业价值正在从模型许可转向运行、训练和业务落地能力。

当模型越来越便宜，真正收费的开始变成推理、训练，以及进入企业工作流的“最后一公里”。

过去两年，大模型行业似乎存在一条清晰的商业分界线：

闭源模型负责赚钱。用户看不到权重，只能通过API按量付费。

开放权重模型负责扩大影响力。开发者可以下载、部署和修改，模型公司则用生态、融资或者其他业务来回收成本。

但2026年7月，两条几乎同时出现的新闻，正在打破这条分界线。

一边是DeepSeek。

据The Information援引知情人士报道，DeepSeek近期年化收入已经达到4亿至5亿美元，主要来自企业和开发者调用模型API。相关报道还称，尽管定价明显偏低，其V4 API仍保持较高毛利率，部分媒体转述的区间达到70%至80%。需要说明的是，这里的“年化收入”是按照近期收入速度折算，并不等于已经实现的全年收入，相关数字也尚未经过上市公司式的公开审计。

另一边，是OpenAI前CTO Mira Murati创办的Thinking Machines。

7月15日，这家公司发布了首个通用模型Inkling。它拥有9750亿总参数、410亿激活参数和最长100万token上下文，支持文本、图像和音频输入，并以Apache 2.0许可证开放权重，开发者可以直接下载。Thinking Machines甚至主动承认：Inkling不是当前综合能力最强的模型，它更重要的定位，是一个适合被企业继续训练和定制的基座。

一个把API价格压得很低。

一个干脆把模型权重交给用户。

按照过去的理解，这两家公司都像是在主动远离利润。

但它们实际上押注的是同一件事：

模型本身可以越来越便宜，甚至开放；真正值钱的，是让模型高效运行、学会企业知识，并最终进入真实业务的能力。

一、DeepSeek证明：低价不等于低毛利

DeepSeek最容易被注意到的是价格。

按照其当前官方价格，V4-Flash每百万输入token的缓存未命中价格为1元人民币，输出为2元；V4-Pro对应价格分别为3元和6元。缓存命中的输入价格还会进一步降至每百万token 0.02元和0.025元。

V4本身也开放了权重。V4-Pro拥有1.6万亿总参数、490亿激活参数；V4-Flash拥有2840亿总参数、130亿激活参数。DeepSeek同时提供官方API，并兼容OpenAI与Anthropic的接口格式，降低了开发者迁移的难度。

表面上看，这是一种非常激进的低价策略。

但一家AI公司的毛利，并不由“每百万token卖多少钱”单独决定，而是由两个数字共同决定：

一个token卖多少钱，以及生成这个token究竟花多少钱。

假如一家公司能够通过模型架构、缓存机制、芯片适配、推理调度和服务器利用率，把单位推理成本下降得比售价更快，那么低价和高毛利并不冲突。

这就像一家航空公司的票价很低，并不意味着每趟航班都在亏损。真正决定生意能否成立的，是飞机利用率、上座率、航线调度和单位座位成本。

对DeepSeek来说，真正的产品不只是V4模型。

它还在出售一套经过高度优化的“模型生产系统”。

开发者看到的是一个低廉的API价格；DeepSeek积累的则是推理基础设施、缓存命中率、调度能力和高并发使用形成的规模效应。

因此，DeepSeek更值得关注的地方，不是它又把价格降了多少，而是它正在证明：

API不一定要保持奢侈品定价，才能成为一门好生意。

当模型调用像云计算一样进入大规模生产环境，便宜反而可能扩大需求。

一个客服机器人每天只处理几千次请求时，模型价格并不敏感。

但当企业开始让AI阅读全部邮件、检查每一笔订单、参与每一次代码提交，甚至让多个Agent连续调用模型完成任务时，token消耗会迅速上升。此时，单位价格下降几个数量级，可能决定一个应用究竟只能用于演示，还是能够进入生产环境。

DeepSeek赌的不是从每次调用中赚很多钱。

它赌的是让更多调用发生。

二、Inkling证明：开放权重也可以是获客方式

Thinking Machines走的是另一条路。

它没有只向用户提供一个远程API，而是把Inkling的完整权重放出来，允许开发者下载、部署和修改。

但“可以下载”不等于“使用成本为零”。

Inkling的BF16版本需要至少2TB聚合显存，官方建议使用8张NVIDIA B300或者16张H200；即使使用压缩后的NVFP4版本，最低显存需求仍然约为600GB。

这意味着，大多数企业即使拥有模型权重，也不太可能直接在办公室里放几台服务器就把它跑起来。

它们仍然需要：

算力。

部署框架。

推理优化。

训练工具。

模型评测。

数据清洗。

版本管理。

安全与权限控制。

以及能够在模型出问题时提供支持的服务商。

Thinking Machines的答案，就是Tinker。

Tinker是一套云端模型训练API。开发者可以在本地编写训练代码、准备数据和定义算法，而由Thinking Machines负责执行需要大量GPU的前向计算、反向传播、采样和参数更新。平台按照训练token、采样token和模型存储收费。

于是，一个相当清晰的商业结构出现了：

Inkling负责吸引开发者，Tinker负责把开发者转化为付费用户。

开放Inkling并不是放弃商业化。

相反，它是在降低客户进入Thinking Machines生态的第一道门槛。

公司免费或者低成本交付的，是一份可以复制的模型权重；真正收费的，是稀缺的GPU资源、训练基础设施和模型定制能力。

这很像把发动机的设计交给客户，但同时经营调校中心、测试场和车队管理系统。

用户当然可以自己完成全部工作。

只是对大多数企业来说，自建整套能力未必更便宜。

三、企业需要的未必是“世界上最聪明的模型”

Thinking Machines对Inkling的定位还有一个值得关注的细节：

它没有宣称Inkling在所有排行榜上击败了OpenAI、Anthropic或Google。

官方明确表示，Inkling并非当前综合能力最强的开放或闭源模型。它的优势，是多模态、较高的运行效率，以及可以在Tinker上继续微调。

这背后是一种不同的大模型产品观。

面向普通消费者时，最强的通用模型通常更有吸引力。它需要会写代码、做数学题、识别图片、解释法律文件，还要能谈历史、写文案和规划旅行。

但一家企业真正需要的，往往不是“什么都会一点”的AI。

它可能只需要一个特别擅长判断哪些研报值得阅读的模型。

一个特别了解公司售后标准的模型。

一个能够识别本企业异常订单的模型。

或者一个学会了内部代码规范和技术决策方式的模型。

在这些场景中，模型的通用知识只是基础。真正形成差异的，是企业自己的数据、评价标准和专家判断。

Thinking Machines与桥水基金旗下团队合作的一项实验，已经展示了这种可能性。

研究人员没有直接依赖最强的通用模型，而是使用Tinker对Qwen3-235B进行针对性训练，让模型学习投资专业人士对金融信息的筛选判断。最终，定制模型在测试任务上的平均准确率从最佳通用模型的78.2%提高到84.7%，推理成本则降低了13.8倍。需要注意的是，这项实验使用的是Qwen，而不是刚发布的Inkling；它验证的是Tinker和“企业定制模型”这条路线。

这个案例说明了一件事：

最聪明的通用模型，不一定是具体业务中最好用的模型。

通用模型学习的是全世界的平均规律。

企业模型需要学习的，则是某个组织独特的判断方式。

而一家企业最有价值的数据，可能也不是它保存了多少份PDF、多少封邮件，而是员工在长期工作中作出的那些判断：

这条信息重要，还是不重要？

这个客户值得跟进，还是不值得？

这段代码应该通过，还是应该打回？

这个风险可以接受，还是必须上报？

这些判断很难被完整写进一段提示词，却可以通过高质量标注和微调逐渐进入模型参数。

这正是Thinking Machines想要收费的地方。

四、DeepSeek和Inkling，其实在做同一门生意

DeepSeek主要靠API赚钱。

Thinking Machines则把模型开放，再通过训练平台赚钱。

两者看起来完全不同，但把大模型产业拆开之后，会发现它们只是在占据不同的位置。

第一层是基础模型。

这一层正在快速降价。越来越多模型提供开放权重，闭源模型也在不断降低API价格。模型能力仍然重要，但仅仅“拥有一个大模型”，越来越难形成独占优势。

第二层是运行模型的基础设施。

包括芯片适配、缓存、推理引擎、并发调度、长上下文优化和成本控制。DeepSeek目前展现出的商业能力，主要集中在这一层：即使API价格低，仍然可以通过更低的单位计算成本获得利润。

第三层是让模型适应特定组织。

包括微调、强化学习、评测、数据管理和模型版本控制。Thinking Machines希望通过Tinker占据这一层。

第四层是把模型嵌入企业工作流。

模型需要接入邮箱、数据库、代码仓库、客服系统和审批流程，还要满足权限、安全、合规与稳定性要求。

越往下，客户更换供应商的成本通常越高。

企业或许可以在一天之内把一个聊天机器人从模型A切换到模型B，但很难在一天之内迁移整套训练数据、评测体系、业务规则、安全机制和生产工作流。

因此，大模型行业的价值中心可能正在发生转移：

从“谁独占最聪明的模型”，转向“谁能让模型更便宜地运行，更准确地理解一家企业，并更稳定地完成任务”。

五、开放不是慈善，而是一种市场扩张策略

开放权重经常被理解为一种技术理想主义。

但从商业角度看，开放也可以是一种非常进攻性的市场策略。

它降低了开发者的试用成本。

减少了企业对单一API供应商的担忧。

让第三方云平台、部署工具和应用公司愿意围绕模型建立生态。

也让模型更容易成为事实标准。

一旦更多企业基于某个模型开发产品，它们就会产生更多训练、部署、推理和运维需求。

这些需求不一定全部由模型开发者获得，但会把整个市场做大。

DeepSeek的低价API也是相似逻辑。

它通过压低单位价格，扩大AI可以被经济地使用的场景。原本因为成本太高而无法运行的Agent、代码工具和批量分析任务，可能因此变得可行。

所以，开放权重和低价API并不是商业化的对立面。

它们都可以是一种获客方式。

只是客户最终支付的，不再只是“使用这个模型的许可费”，而是：

让模型运行的费用。

让模型学会企业知识的费用。

让模型保持稳定、安全和持续更新的费用。

以及模型真正创造业务结果之后，围绕它形成的服务费用。

六、模型更开放，并不意味着这门生意不再烧钱

这里还有一个看似矛盾的现象。

模型越来越便宜，DeepSeek却在筹集越来越多资金。

路透社报道称，DeepSeek在2026年6月完成了约74亿美元融资，投后估值约4500亿元人民币；几周后，公司又开始考虑最多融资500亿元人民币，目标估值约5000亿元，并启动了在上海科创板上市的早期准备。相关融资和上市计划仍处于早期阶段，条款可能发生变化。

这并不矛盾。

便宜的是单次调用。

昂贵的是支撑数十亿、数百亿次调用的基础设施。

开放的是模型权重。

稀缺的是训练下一代模型所需的芯片、数据中心、能源和人才。

模型价格下降，甚至可能带来更大的总算力需求。因为当使用AI的成本下降，企业不会只把原来的任务做得更便宜，而是会把更多过去不值得自动化的任务交给AI。

因此，开放权重不会结束大模型公司的资本竞赛。

它只是改变了资本投入的回收方式。

过去，模型公司希望凭借封闭访问收取高额智能溢价。

未来，一些公司可能依靠规模化推理赚钱，一些依靠训练平台赚钱，一些依靠企业服务赚钱，还有一些通过模型带动云计算、芯片或者应用生态。

模型仍然重要。

但模型不再是全部产品。

结语

大模型行业正在经历一个熟悉的过程：

最初，稀缺的是模型本身。

谁能训练出一个足够强的模型，谁就可以设置访问门槛，并按照每次调用收费。

但随着开放权重模型不断进步，模型之间的差距逐渐缩小，企业开始拥有更多选择。

这时，真正决定商业价值的，就不再只是排行榜上的几个百分点，而是另外几个问题：

它运行起来有多贵？

能不能使用企业自己的数据？

能不能学会专家没有写进流程手册里的判断？

能不能被安全、稳定地放进真实业务？

DeepSeek给出的答案是：把推理成本降下来，用规模和效率赚钱。

Thinking Machines给出的答案是：把权重开放出去，用定制和训练平台赚钱。

两条路线最终指向同一个未来：

基础模型可能越来越像一种公共底座，而真正昂贵的，是把这个底座变成一家企业独有的生产力。

模型可以开放。

但把模型变成一个真正懂业务、能工作、值得信任的“数字员工”，从来不会免费。

会员专区