Token即词元，是大模型处理数据的最小单元，而Token经济则是以Token为计量单位、通过API调用按量结算的商业模式。图：视觉中国
Token经济是以Token为计量单位、通过API调用按量结算的大模型商业模式，是连接大模型技术与产业规模化应用的关键桥梁。
当前，全球Token经济正以前所未有的速度蓬勃发展。从规模来看，全球Token调用量正经历指数级跃升：模型路由平台OpenRouter的月处理量从2025年初的数万亿级飙升至2026年7月超过100万亿。从市场格局来看，中国模型已成为全球Token消费的重要供给方，在OpenRouter平台上，中国模型的Token调用占比已突破45%。可以说Token经济已经成为智能服务生态发展的核心引擎。
本文从产业层次、机会挑战和政策建议三个维度，分析中国如何发展Token经济并提出相关行业建议。
Token经济是智能服务生态的基石
发展Token经济，是推动大模型从“技术能力”走向“商业生态”的关键一步。Token即词元，是大模型处理数据的最小单元，而Token经济则是以Token为计量单位、通过API调用按量结算的商业模式。这一模式的重要性，体现在需求侧与供给侧的双重价值。
从需求侧看，Token经济促进大模型应用落地，让各行各业享受到生产力红利。一是，Token经济让大模型服务变得具象化、标准化且最小化——企业无需一次性投入巨额成本建设模型，而是按实际调用量付费，接入门槛大幅降低。二是，Token作为统一计量单位，使不同模型的服务效果变得可量化、可比较，供需双方更容易基于清晰的成本结构形成商业闭环，从而加速大模型在各行各业的落地应用，让更多企业享受到智能化带来的生产力红利。
从供给侧看，Token经济更是驱动"模型-数据-算力中心-芯片"协同发展的核心引擎。Token的本质是数据，每一次Token的调用都蕴含着真实的用户需求反馈，有助于厂商形成数据飞轮——正如美国模型厂商Anthropic的应用Claude，通过切入天然有海量数据反馈的Coding场景（程序员写完代码需要测试并反馈给模型修改代码），率先形成数据飞轮，其代码能力世界领先。与此同时，Token经济的繁荣也带动了算力中心和芯片、数据产业的升级：一方面，Token经济催生了推理优化、路由网关等新的算力产业形态，推动算力资源向更高效率、更低成本的方向演进，带动国产算力芯片的应用，减少海外芯片“卡脖子”。另一方面，高质量数据集的需求被进一步激发，无论是作为推理上下文还是训练语料。
因此，Token经济不仅是一种计费方式，更是连接大模型技术与产业应用的桥梁，是构建智能服务生态的基石。
当前全球Token经济的产业层次和观察
当前，全球Token经济已初步形成清晰的产业层次，涵盖推理与训练两大核心环节。
在推理侧，价值主要体现在降低模型使用门槛、提升推理效率与交付稳定性，商业模式以API调用计费、路由分发和推理加速服务为主，涵盖模型调用平台（模型厂商提供API调用自有模型的服务）、智能路由网关（统一API调用第三方模型）以及专注于推理优化的技术服务商。
在训练侧，价值则聚焦于企业级模型在具体场景的适配与高质量数据的供给与合成。行业角色主要有两类：一是企业级模型，与通用模型追求智能上限不同，企业级大模型更加关注智能效率（Token efficiency），具体体现在模型参数（如千亿以下）、参数精度（如FP8）、上下文长度（企业需要上传文档）、行业多模态（如OCR+LLM的理解，而不是生成）。二是以RLaaS（强化学习即服务）为代表的数据反馈闭环服务，通过构建强化学习（RL）的反馈环境，为模型的迭代升级提供底层支撑。
图1.Token经济的产业层次
透过这一产业层次，我们观察到三个产业趋势：
第一，发展Token经济，核心是发展2B和2P市场。无论是训练Token还是推理Token，企业仍是Token消费的主力，但随着AI采购决策权逐步下放至业务部门和一线员工，加上独立开发者群体的快速崛起，企业用户（B）与个人专业用户（P）之间的界限正日益模糊，Token经济的服务对象正变得更加多元。数据统计，企业采购软件的决策主体中业务部门主导和员工主导决策占比显著上升：业务部门主导采购软件决策的占比从2024年的18%上升至2025年的24%，员工主导决策占比同期从4%翻倍至9%，IT部门决策采购的占比有所下降。
图2.企业采购软件决策主体变化（2024vs2025）
第二，Token经济是“云端API为主，私有化定制补充”的双轨经济。全球来看，公有云是Token经济的主流载体，其弹性扩展和低成本优势在海外接受度更高，而且随着模型尺寸进一步上升，未来公有云调用Token的比例有望进一步提升（如Kimi K3参数量达到2.8T，一般企业的自有算力不足以支撑）。但同时也要看到，无论国内外，私有化定制将长期存在，背后与存量系统接入、数据安全、企业合规和经济性都有关系。在海外，大型机构如JP Morgan，集团内有500+SaaS软件，包含大量自研SaaS；行业容错率低，标准化产品可能无法完全合规，需要厂商进场定制开发和部署；同时部分智能要求相对低的任务，本地部署经济性也更突出。在中国，私有化部署的需求则更多——国央企，金融、医疗等强监管行业机构出于数据安全、合规监管以及模型和智能体定制化考量，倾向于在自有环境中部署模型。
第三，Token经济的竞争逻辑正从“粗放走量”转向“拼质量”“拼效率”。行业不再单纯比拼调用规模，而是聚焦于提升单位Token的智能产出效率与交付稳定性。例如，OpenRouter通过智能路由引擎将不同复杂度的任务精准匹配至最适合的模型，实现资源的最优配置；Fireworks.AI则借助Fire-Attention、Multi-LoRA等技术创新，大幅提升模型吞吐量，降低显存占用，从而提高推理效率。未来，谁能在同等Token消耗下交付更高的智能价值，或者在同等质量完成任务下用最少的Token，谁就能在Token经济的竞争中占据优势地位。
中国发展Token经济的机会和挑战
（一）中国机会：模型开源且已实现性能追赶，2B市场总量空间潜力大
目前中国发展Token经济的机会主要体现在两个方面：
1、中国模型性能已经赶上全球顶端模型，且开源有助于企业调用
目前中国大模型能力已基本跟上世界领先的大模型水平。模型综合能力方面，月之暗面的Kimi K3、阿里的Qwen 3.8 Max等国产大模型能力已经具备全球竞争力，Artificial Analysis的大模型综合智能水平排行榜上，Kimi K3和Qwen 3.8 Max跻身前五名，性能稳居全球大模型第一梯队。
图3.Artificial Analysis大模型综合智能水平排行榜
Coding能力和多模态能力方面，中国大模型已跟上世界领先的大模型的Coding能力，并且多模态大模型在视频生成模型方面领跑全球。目前Kimi K3和Qwen 3.8 Max已经跻身全球大模型Coding能力排行榜前十名，字节跳动的Seedance 2.0更是在图生视频能力排行榜排名第一。
同时，中国性能领先的大模型都是开源的（Kimi、DeepSeek、GLM等），凭借高性能、低部署成本和开放的权重参数，大幅降低了企业和开发者接入大模型的门槛。开源策略不仅在国内催生了广泛的私有化部署和二次开发需求，也在全球范围内吸引了大量开发者调用中国模型，形成了庞大的Token消费基础。这种"开源带动调用"的正向循环，使中国在全球Token经济的供给侧占据了先发优势。从全球模型路由平台OpenRouter的调用数据来看，中国模型的市场认可度正在迅速提升。在8月14日OpenRouter的模型调用量排行榜上，过去一个月模型调用量前六名均为中国模型，DeepSeek、混元、GLM等系列模型受到全球开发者的青睐。
图4.OpenRouter2026年8月大模型API调用排行榜
2、中国大模型市场规模基数小，且2B占比更高，发展潜力更大
从市场规模来看，2025年中国大模型市场规模仅为美国的1/4，市场规模基数小，未来增长潜力大。IDC数据显示，2025年全球生成式AI市场规模约1017亿美元，其中美国占比超过55%，市场规模超过560亿美元，中国占比不足15%，市场规模约150亿美元，仅为美国的1/4。从客户类型来看，目前中美两国的B端都是大模型商业化的主力场景。从2025年收入来看，美国御三家B端收入都是最重要组成部分，其中Anthropic的B端收入占比最高，超过80%。
中国模型厂商B端收入依赖度比美国更高，Token经济发展潜力更大。国内绝大多数模型厂商主要收入均来自B端，阿里、字节、百度等“云+AI”的大厂B端收入占比预计更高。说明中国Token经济在B端拥有更深厚的产业土壤和更广阔的规模化前景，未来如果API调用模式接受度提升，Token经济的渗透率有巨大提升空间。
（二）发展挑战：“项目制”主导，导致2B市场碎片化；调用总量已经赶上，但是吞吐量、延时等质量指标与海外仍有差距
1、“项目制”为主，公有云API调用占比过低
（1）厂商视角：当前国内厂商主要收入来自定制化和本地部署，模型难以形成数据飞轮
与海外企业普遍接受通过公有云API调用Token服务不同，国内大量企业尤其是国央企仍对将核心数据和业务流程托管至第三方公有云平台持谨慎态度，更倾向于私有化部署：2025年海外厂商Anthropic的87%的B端收入来自API调用，而国内大模型厂商智谱AI的74%的B端收入来自于项目制交付。
图5. 2025年智谱AI和Anthropic B端收入结构对比
（2）需求视角：国内大模型2B市场规模占比高的行业都是国央企为主的行业，更倾向于项目制
根据《中国大模型中标项目监测与洞察报告 (2025)》，中标金额前六大是政务、通信、能源、教科、医疗、金融行业，这些行业国央企占比高，且国央企出于安全责任更倾向于通过项目制进行模型定制和私有化部署，标准化的公有云Token服务难以渗透。
项目制交付模式下，企业客户模型部署和切换成本极高。以部署Kimi K3这类大参数的 MoE（混合专家）模型为例，在推理过程中，模型全部2.8万亿权重必须完整加载到显存中，否则频繁从内存/磁盘调度专家权重会导致不可接受的延迟。如果采用BF16/FP16（无损原始精度），需要约80-96张H100（80G），成本将达上千万，如模型更新后参数量进一步增加，企业则需持续投资升级算力基础设施。对于模型厂商来说则难以形成可规模化的商业模式，也难以通过服务客户反哺模型迭代。模型厂商需要针对每个客户的私有环境、行业化场景和合规要求进行深度个性化模型和智能体定制。这种“一客一议”的碎片化服务模式往往导致交付周期长、边际成本高、规模化复制困难，厂商难以沉淀标准化的产品能力。模型厂商也没法通过数据飞轮迭代模型、定向优化，导致Token经济难以高效运转和规模化。
2、目前Token服务产业核心关注点在于调用量，尚未形成质量和效率的衡量体系，市场相对粗放
（1）模型差距：海外顶尖大模型API推理效率更高
在模型侧，中国模型虽然在全球路由平台上的调用规模可观，但在吞吐量、延迟稳定性、工具调用错误率等维度上，与海外顶尖水平仍存在一定差距。
（2）调用平台差距：同一国内模型，海外平台的推理效率更好
一是同一国内模型，海外平台效率超过厂商一方的API。在Kimi K3模型中，海外平台甚至比模型厂商一方的API调用效率更高。按吞吐量排序，在OpenRouter 14个提供商中，月之暗面一方API仅排第10，前方均为Fireworks、Baseten等海外平台（如果按延时排序，月之暗面一方API排最后）。
图6.Kimi K3——吞吐量对比（openrouter上各供应商对比）
图7.Kimi K3——延时对比（openrouter上各供应商对比）
二是同一国内模型，海外平台效率超过国内平台。以同一模型DeepSeek V4 Flash 0731为例，在吞吐量指标上，海外平台的近五日（2026年8月7日-8月11日）平均值显著高于国内平台（海外平台96.2 TPS vs 国内平台 59.5 TPS）；在延时指标上，海外平台显著低于国内平台（海外平台0.34秒 vs 国内平台 1.14秒）。
图8.海内外平台DeepSeek V4 Flash 0731的吞吐量（单位：Token/s，OpenRouter）
图9.海内外平台DeepSeek V4 Flash 0731的延时（单位：秒,OpenRouter）
更重要的是，目前行业缺乏针对平台Token服务能力的统一评测体系，导致客户在选择Token服务时仅考虑价格，加剧了国内的模型价格战，也影响行业发展。目前国内不同厂商对吞吐量、延时、工具调用准确率等核心指标的测试条件各不相同——有的用短文本、有的用长上下文，有的测单并发、有的测高并发，不具备横向可比性。对客户而言，无法了解模型API性能差异对业务的影响，因此价格成为了唯一的决策依据，导致价格战愈演愈烈，服务价值反而被边缘化。对行业而言，粗放的价格竞争挤压了服务商在推理优化、智能路由、稳定性保障等“深水区”能力上的投入空间。长期将导致Token经济始终停留在“卖算力、走流量”的初级阶段，难以进化到以Token服务质量和可靠性为核心卖点的成熟业态。
发展Token经济的行业建议
总体来说，发展Token经济，需要在公有云与私有化两条路径上同时发力，并建立完善的标准体系，才能真正让高质量Token服务从概念走向产业落地。
一是引导公有云成为主流的Token调用方式。对用户而言，公有云的模型API调用让企业能够一键接入业界最优模型，无需承担模型部署、算力扩容与硬件迭代的高昂切换成本；对模型厂商而言，公有云带来的海量调用数据是宝贵的反馈来源，有助于持续优化模型能力。建议分行业推进，针对金融、医疗、政务等强合规领域建设行业专属云；同时建立分级分类的主管部门确认体系，明确不同场景下的合规边界与准入标准，让公有云服务既高效又安全。
二是建议鼓励中国领先的开源模型探索多元化商业授权协议，向下游使用者分润，以促进Token经济的发展。目前中国的大模型已经进入争夺智能上限的第一梯队，可以采用更严格的商业授权协议探索更多元的商业模式。参考Kimi K3采用自定义的Kimi K3商业授权协议（类MIT协议主体附加两条条款），对于经营MaaS业务连续12个月合并收入大于2000美元或商业产品月均收入超过2000万美元的K3大模型用户，商用前须与月之暗面另签协议，据报收入分成最高达30%。这种通过将模型授权与下游商业成功深度绑定的分润机制本身即构成Token经济的价值锚点，促使模型提供方、微调开发者、应用部署方与终端用户形成利益共享、风险共担的协同网络，协同促进Token经济发展。
三是以FDE模式破解私有化部署的碎片化服务难题。标准化模型无法解决企业"最后一公里"的痛点——私有数据的深度融合、工作流的定制化改造、既有系统的打通以及内部合规要求的满足，都需要私有化部署来承接。在私有化部署项目中，模型厂商需要FDE这类服务模式获得部分数据回流，反哺模型迭代，形成可持续商业模式。因此建议建立统一的数据字段目录标准，降低异构系统对接成本；同时发挥国央企的示范带动作用，率先在关键行业落地FDE模式服务私有化部署项目的标杆案例。此外，可通过商业合同中的价格优惠机制（如数据回流后，迭代的模型可以有一定折扣），切实降低企业采购Token服务的综合成本，加速市场渗透。
四是完善评测标准体系，让高质量的Token服务可识别、可比较。Token的价值不在于数量，而在于其承载的智能化水平与业务转化能力。在模型层面关注"智效比"，即单位Token所能实现的智能产出效率。建议建立统一的模型评测体系和分词器标准，识别能在同等Token消耗下交付更高智能水平的模型；在平台层面关注交付质量的稳定性，包括吞吐量、延时、工具调用错误率等关键指标，建议建立统一的评测体系（统一的评测数据集和并发要求）。从而引导模型厂商和MaaS服务商构建更加稳健的模型架构与推理基础设施。
未来，在公有云与私有化双轮驱动、可持续商业模式与标准体系协同配套，Token经济才能真正从粗放增长迈入高质量发展的新阶段。