正规配资炒股平台:炒股开户流程-MiniMax成Token调用第一之后 模型厂商的下一个必争高地显现

　　①各大模型的token调用量自2026年1月下旬出现明显跃升；②国产大模型站上舞台中央；③智能体在执行任务时，整体token消耗或提升十倍以上 ，而对应的算力需求将增长百倍以上。

　　最近
，大模型token调用量井喷成为关注点 。OpenRouter最新数据显示，各大模型的token调用量自2026年1月下旬出现明显跃升
。

　　与此同时 ，国产大模型站上舞台中央。2月9日-15日这周
，中国模型以4.12万亿token的调用量，首次超过同期美国模型的2.94万亿token 。16日-22日这周 ，中国模型的周调用量进一步冲高至5.16万亿Token
，三周大涨127%，而同期美国模型调用量跌至2.7万亿Token
。平台调用量排名前五的模型中 ，有四款来自中国厂商
，分别为MiniMax的M2.5、月之暗面的Kimi K2.5 、智谱的GLM-5以及DeepSeek的V3.2。这四款模型合计贡献了Top5总调用量的85.7% 。

　　其中，M2.5一鸣惊人 ，在发布后12小时内登顶OpenRouter热度榜，一周内登顶调用量榜首
，周调用量暴涨至3.07T tokens，超过Kimi K2.5
、GLM-5与DeepSeek V3.2三家的总和
。

　　OpenRouter是全球最大的大模型API聚合平台 ，可为开发者提供统一API接口
，以访问全球数百种大语言模型。其核心功能包括多模型调用、智能路由优化和透明的性能排行榜，旨在解决多模型集成复杂和厂商封锁问题 。

　　当目光聚焦于AI应用普及 、国产模型崛起等 ，不应该忽视数据背后的结构性变化
。

　　模型调用量因何在近期爆发？排名靠前的为何是M2.5等新秀？

　　多家机构认为
，一方面是，春节带来AI应用渗透率提高 ，token消耗量有了总体提升；另一方面
，AI模型的Agent（智能体）场景广泛落地，单次任务token消耗大幅增加。

　　伴随1月下旬以来的这一轮增长 ，梳理AI行业的新动向
，也能为上述问题提供思路 。

　　首先是OpenClaw爆火，这是一个能让大模型获得本地操作系统权限的开源智能体框架 ，可让AI可以自己执行Shell命令
、操作文件系统，实现所谓的“本地代理主权”。当地时间2月15日
，OpenClaw的创造者Peter Steinberger正式加入OpenAI，负责推动“下一代个人智能体 ”的研发
。

　　随后多个面向智能体场景的大模型发布 ，反响热烈——

　　稀宇科技（MiniMax）于2月13日发布MiniMax M2.5
，称该模型为全球首个为智能体场景原生设计的生产级旗舰模型。其发布后七天的调用量即突破3.07T tokens，凭借在编程和Agent工作流中的卓越性能与极低的成本 ，成为开发者首选 。

　　月之暗面（Moonshot AI）于1月27日发布KimiK2.5
，该模型采用原生多模态架构，能通过调度多达100个“Agent分身
”并行工作 ，将复杂任务效率提升3到10倍
。该模型在多个细分榜单（如编程、工具调用）中均排名第一
，其调用量远超Gemini 3和Claude模型。

　　智谱于2月12日发布GLM-5，该模型参数规模进一步扩展 ，采用了稀疏注意力机制
，是其专为复杂系统工程与长程Agent任务设计的旗舰模型 。凭借免费 、200K上下文窗口等优势，该模型发布后用户迎来高速增长 ，智谱对Coding Plan先后进行了限售
、涨价等动作
。

　　这些模型聚焦于提升编程能力和智能体任务的自动化水平，这两大能力让AI的应用场景从私人化娱乐向生产环境转变
，专业开发者的token消耗远比普通对话密集，这类需求一旦被激活 ，带动的调用增量随之大幅攀升。

　　OpenRouter的官方数据证实了这一点
，该平台超70%的token消耗量，来自互联网大厂、中大型企业 、专业开发者的生产环境常态化调用 ，这类场景的单次token调用量远超个人用户
、小型测试项目等 。官方确认
，过去数周内，平台长文本生成需求显著上升 ，在100K至1M token区间
，MiniMax M2.5的调用量处于领先位置，这个区间正是智能体工作流的典型消耗场景
。

　　可以说 ，这轮token消耗量爆发
，直接反映出大模型发展的新趋势，AI正从“快思考”走向“慢思考 ”、从“工具
”走向“劳动力” ，各大AI前沿公司力研的智能体功能正属于“慢思考 ”的范畴。

　　当模型面对复杂任务（如“写一个电商网站的代码
”）时，它不再直接输出答案 。它会先“自言自语”：拆解需求 、设计架构、编写函数
、检查bug、优化性能,因为AI开始“在脑子里反复推演 ”
。每一次推演 、每一步逻辑链的建立
，都在消耗token。这种“推理密度
”的增加，使得token消耗的增长速度远远超过了用户数量或提问次数的增长速度 。

　　中信证券称 ，AI应用场景从简单对话
，向多模态（文本/图像/音频/视频）
、AI智能体升级，单次任务token消耗呈指数级上升。该机构认为 ，token的爆发式增长
，本质上反映出AI推理需求的指数级扩容
。

　　华泰证券此前预测，随着推理范式变化 ，智能体加速落地
，未来算力需求中存在两个倍数关系，共同决定了算力需求的广阔空间：

　　1）推理和token调用量之间不是线性关系 ，这是因为多智能体协作和多工具调用会带来token消耗量加速增长；

　　2）算力需求与token的增长之间不是线性关系
，这是因为随着推理过程更加复杂，同样算力条件下计算时间也将增长 ，实时性和交互性带来对计算速度的要求。

　　该机构认为，与Chatbot相比
，智能体在执行任务时会进行任务的分解与编码，将带来交互次数、任务复杂度 、使用频率的提升 ，整体token消耗或提升十倍以上
，而对应的算力需求将增长百倍以上，长期看好算力需求的持续快速增长 。

（文章来源：财联社）