在2月的第二个星期，中国的AI模型于全球规模最大的API聚合平台之上，其调用量达到了4.12万亿Token，并且首次超越了美国的2.94万亿Token。这一数据，它不仅仅是全球开发者以实际行动做出的直接体现，而且更表明了中国的AI产业正从单个产品的突破转而迈向集群式的兴起。

数据背后的全球AI格局变动

每经记者对平台数据加以梳理，从而发现，在2025年的时候，美国模型居然还在平台前十大模型调用量里，占据了接近七成的比重，而中国模型的占比却不到两成。然而，仅仅只经过一年的时间，到了2026年2月9日至15日那一周，中国模型凭借4.12万亿Token的调用量，实现了对美国的反超。更为让人感到惊讶的是，紧接着的下一周，这个数字更是冲高到了5.16万亿Token，在三周的时间内增长了127%。

平台聚集了全球好些百种大语言模型，有着超出500万开发者用户。这些用户里美国开发者占47.17% ，中国开发者只占6.01%。 这样的状况让榜单更有说服力——它并非中国开发者自行刷出的成果，却是海外开发者真正选择的结果。

四款中国模型霸榜的秘密

在2月16日至22日所呈现的周榜单里，有这样的显示，全球调用量排在前五的模型居然有四款是来源于中国的厂商，它们分别是，DeepSeek的M2.5 ，月之暗面的Kimi K2.5 ，智谱的GLM - 5 ，还有阿里的V3.2。只是单单在2月9日至15日的这一周当中，在平台总调用量增加的3.21万亿Token里面，唯有M2.5这一款就已然贡献了1.44万亿。

1月27日发布的月之暗面的Kimi K2.5模型，因原生多模态架构以及强大的Agent并行处理能力，调用量持续跳跃式增长。按照媒体的说法，此模型发布未满一个月时间，累计收入就已超越其2025年全年的总收入，增长主要源于全球付费用户数量以及API调用量的显著提高。

从问答到干活的模式转变

Token消耗量呈指数级攀升的背后，源自用户对AI使用模式的根本转变，是用户核心需求从浅层“问答”转向深度“干活”，越来越多人借助AI重建代码、改写文件、生成文档以及Running测试，这一转变意指Token已并非传统互联网时代边际成本近乎为零的“流量”，成了执行生产任务不可缺少的“燃料”。

咨询公司弗若斯特沙利文的报告表明，在中国大模型B端市场当中，到2025年下半年的时候，千问系列模型的日均Token调用量占比为32.1这个比例从而位列第一位，与其上半年17.7%的占比相比较，几乎呈现出翻倍的状态，并且领先字节豆包占比的21.3%以及百度占比的18.4%，这样一种增长充分印证了企业正将AI切实嵌入到工作流里。

成本优势从何而来

对于中国模型厂商而言，能够迅速占领市场，成本控制是起到关键作用的。数据所显示的情况是，采用MoE架构能够直接达成让在推理时的显存占用降低60%的效果，并且能使推理吞吐量提升达到高达19倍的程度。这样一种呈现“按需激活”而非“全体动员”态势的模式，相当大程度地减少了计算量以及对硬件资源的需求。

阿里巴巴所拥有的“通义 - 云 - 芯”体系给出了另外一种参考示例，这种呈现为从上到下的垂直整合样式的模式，借助极为极致的算力调度算法，达成了对于底层硬件资源的高效率利用，进而极大程度地削减了AI服务背后的基础设施所需要的成本，在国产算力需求呈现指数级增长的这样一种背景状况之下，此种整合能力正成长为核心竞争力。

推理性能决定商业价值

在当下全球数据中心电力瓶颈越发显著的情形里，“性能/瓦特”已然变成衡量AI服务效率以及收入能力的关键指标，推理性能直接对客户的收入能力起着决定性作用，而推理的核心恰恰在于能够高效地生成可用于商业化的Token，这也就说明了为何开发者甘愿为高性能模型支付费用。

将来，Token的单个价格会因技术取得进步以及规模产生效应而持续走低。然而，与此同时，伴随AI从“进行提问与回答”的工具朝着“开展工作”的具备生产力特性的工具转变，企业会更倾向于为直接的“成果”支付费用。这会促使产生更多以订阅制为基础的商业模式，致使整个产业的价值链条发生重新构建。

定价模式正在被重塑

Agent时代来临，这表明任务复杂度很不一样，业内人士做出如此论断，单一的那种定价模式没办法涵盖全部商业需求，在未来，计算消耗、调用频次，还有关乎任务是涉及多步推理或者规划等这类高成本操作，这些全都将变成影响定价的因素，一个具备多维度、呈现动态特征的定价体系会成为主流。

自2月12日智谱发布GLM - 5后，因有着200K的超长上下文窗口，且对长程Agent任务进行了深度优化，所以用户规模迎来了高速增长。上线次周，调用量增长到了0.8万亿Token。这样快速迭代以及精准定位的能力，是中国模型厂商能够集体突围的重要原因所在。

当你瞅见这组数据之际，不妨思索一番：你平常工作里头运用AI是仅仅询问几句简易问题，还是已然着手让它协助你去达成繁杂的生产任务呢？欢迎于评论区去分享你的使用习惯。