本文來自微信公眾號：快刀青衣，作者：快刀青衣

量變終將引發(fā)質(zhì)變。

上周看到一組數(shù)據(jù)時，我第一反應(yīng)是難以置信：在全球最大的AI模型API聚合平臺OpenRouter上，2月9日至15日那一周，中國模型調(diào)用量達4.12萬億Token，首次反超美國模型的2.94萬億；到2月16日至22日，差距進一步拉大，中國模型以5.16萬億對美國的2.7萬億，兩周內(nèi)增幅高達127%。

打開OpenRouter排行榜，更意外的是前五名中中國占了三席：MiniMax M2.5居首，DeepSeek V3.2第三，月之暗面的Kimi K2.5第四，夾在中間的是谷歌Gemini 3 Flash Preview，Claude Opus 4.6則排第五。

先給不熟悉OpenRouter或技術(shù)的朋友科普：日常AI對話消耗Token不多，真正消耗大的是個人或企業(yè)開發(fā)者通過API調(diào)用大模型處理工作。OpenRouter像AI模型的“電商平臺”，用戶可一站式選擇并開通API，平臺從算力消耗中提成。雖單平臺數(shù)據(jù)不能覆蓋全市場，但類似電商平臺銷量，能反映趨勢——更關(guān)鍵的是，OpenRouter有超500萬開發(fā)者用戶，美國占47%，中國僅6%，數(shù)據(jù)主要體現(xiàn)海外開發(fā)者的真實選擇，并非“自嗨”。

這次反超背后，有三件事值得探討。

01 一只“龍蝦”引爆Token消耗

2026年1月下旬，開源項目OpenClaw突然爆火，Logo是一只龍蝦，GitHub星標超26萬，增速遠超老牌項目。它的核心功能是讓AI接管電腦，執(zhí)行命令行操作、跑自動化工作流，徹底改變了Token消耗模式：過去“對話模式”單次僅幾百到幾千Token，而Agent工作流需反復讀取日志、高頻調(diào)用工具、多輪糾錯，還得在十萬甚至百萬Token的長上下文里追蹤任務(wù)，單次消耗是過去的幾十到幾百倍。乘以成千上萬的開發(fā)者，調(diào)用量直接爆炸——OpenClaw單日貢獻3340億Token，是第二名Kilo Code的兩倍多。

不過OpenClaw也帶來安全隱患：原本設(shè)計在本地隔離沙箱運行，實際部署卻失控，大量高權(quán)限智能體暴露在公網(wǎng)。安全機構(gòu)Censys警報顯示，一周內(nèi)暴露實例從不足1000個飆升至21000多個；還有公開監(jiān)控頁面顯示超22萬個暴露實例。更麻煩的是“Clawjacked”攻擊：黑客在網(wǎng)頁埋入隱形惡意指令，AI訪問時吸入日志，自我糾錯時會執(zhí)行這些指令。這種手法門檻低，早在2005年就被禁止用于SEO，沒想到2026年仍被用于AI攻擊。

02 國產(chǎn)模型在執(zhí)行層站穩(wěn)腳跟

Agent工作流普及催生新分工：頂層復雜任務(wù)交給Claude等頂尖模型，執(zhí)行層的工具調(diào)用、代碼生成、日志處理則用高性價比國產(chǎn)模型。以MiniMax M2.5為例，每百萬Token輸入成本約0.3美元，僅為Claude Opus 4.6（5美元）的1/17；輸出成本1.2美元，是Claude（25美元）的1/20。但它并非“便宜貨”：SWE-Bench Verified軟件工程能力榜單中，MiniMax M2.5得80.2%，僅比Claude的80.8%低0.6%；工具調(diào)用準確率76.8%，反超Claude的63.3%，輸出速度更是快近3倍。MiniMax官方還披露，內(nèi)部80%非核心代碼提交、30%日常運營任務(wù)已由M2.5接管，用實際場景證明了自身價值。Kimi K2.5則押注超長上下文賽道，百萬Token窗口天然適配Agent追蹤任務(wù)的需求，因此漲幅迅猛。

03 Token消耗邏輯的深層轉(zhuǎn)變

OpenRouter平臺上，開源模型最大使用場景是角色扮演，占比52%——這看似意外，實則合理：角色扮演需要模型長時間保持角色語氣、記憶，對上下文長度和輸出穩(wěn)定性要求高，極度消耗Token。MiniMax為此推出特化版本Minimax M2-Her，在該場景建立護城河。第二大場景是編程助手，Qwen3 Coder Next采用“物理閹割”設(shè)計，僅在非思考模式運行，拒絕冗余推理，直接輸出干凈代碼——因為自動化工作流中，模型的“自語”是成本而非價值。

04 結(jié)語：趨勢與思考

最后劃幾個重點：

第一，OpenRouter數(shù)據(jù)反映趨勢但非全貌。它像AI模型的“集合店”，但大量調(diào)用直接發(fā)生在OpenAI、谷歌等廠商的“官方旗艦店”，這些數(shù)據(jù)未被統(tǒng)計。集合店爆款不代表旗艦店衰落，“超越”是真實的，但僅覆蓋部分市場。

第二，執(zhí)行層量變或推動價值鏈升級。國產(chǎn)模型承接執(zhí)行層任務(wù)，能獲取大量真實場景反饋（如工具調(diào)用效果、代碼錯誤點），這些是寶貴的訓練信號。用規(guī)模換迭代速度，今天Claude守著頂層決策，未來格局或改變——類比深圳制造業(yè)，當全產(chǎn)業(yè)鏈聚集，地位便不可撼動。

第三，調(diào)用量領(lǐng)先≠商業(yè)成功。這批爆發(fā)的國產(chǎn)模型多為開源，定價更側(cè)重搶占市場而非利潤。OpenAI 2025年ARR已破200億美元，國內(nèi)廠商仍處于“用規(guī)模換未來、用融資換時間”階段。從“用得多”到“活得好”，是中國AI公司需回答的關(guān)鍵問題。