中国开源模型的「最大甲方」有了

资讯 网易科技 作者:网易 全文 3267 字 · 约 9 分钟读完 分类开源模型开源开源生态大模型

互联网大厂们正在成为开源大模型的新甲方。

所属频道 模型发布开源生态

互联网大厂们正在成为开源大模型的新甲方。

腾讯总裁刘炽平在三季度业绩电话会上透露,WorkBuddy已成为中国几乎所有开放权重模型的最大客户。

这可能只是一个开始。

近期,国内头部办公Agent密集调整产品策略。继腾讯WorkBuddy率先采用多模型路线后,字节跳动旗下豆包工作接连扩大第三方模型接入范围,阿里千问办公也重新向外部模型敞开大门。

从腾讯到字节、阿里,几家互联网大厂的办公Agent正在走向相似的产品路线。

随着这一趋势逐渐明朗,拥有庞大用户规模、能够持续承接工作任务的办公Agent有望成为上游模型厂商新的超级客户。

但当路线趋于一致后,大厂既要通过办公Agent争夺用户和工作入口,也要在不断增长的Token消耗中控制成本。

谁能汇集更多模型需求决定了业务规模;谁能更高效地调度这些模型,则开始影响商业化的成色。

超级买家在途

WorkBuddy能够成为中国几乎所有开放权重模型最大客户,一方面与之市场影响力有关,另一方面则是因为其较早采用多模型策略。

今年3月上线时,WorkBuddy便支持接入DeepSeek、GLM、Kimi等第三方模型,此后又持续扩大模型选择范围。

这一路线在过去一段时间里并未成为国内办公Agent的主流选择。

今年8月25日,字节跳动正式推出豆包工作。产品上线初期主要依靠自研豆包模型提供服务,并未向普通用户开放第三方模型选择;同期,阿里旗下的千问办公同样以自研模型为主。

但随着WorkBuddy持续扩大领先优势,其他大厂竞争压力突增。

10月29日,豆包工作率先向团队和企业订阅用户开放第三方模型。11月12日,又进一步扩大模型接入范围,在原有自研模型之外,新增Kimi K3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash等第三方模型。

仅4天后,千问办公也迅速跟进,一口气上线10款模型,包括自研Qwen4-Max,以及Kimi、GLM、DeepSeek、MiniMax、Step等第三方模型。

事实上,阿里对于是否开放第三方模型曾有过摇摆。

今年8月,千问办公曾短暂引入GLM、DeepSeek等外部模型,但相关模型仅上线数日便从产品端下线,模型选择重新回到以自研模型为主的状态。

时隔三个月,千问办公再次向第三方模型敞开大门。

与此前的短暂尝试不同,这一次,千问办公不仅向个人和企业标准版用户开放模型选择,还允许企业管理员根据部门、用户组及员工配置模型使用权限。

从腾讯率先采用多模型聚合,到字节扩大第三方模型接入,再到阿里重新开放模型选择,国内几家头部大厂的办公Agent最终走向了相似的产品路线。

从需求端来看,对办公Agent而言,用户最终需要的是一份报告、一张表格、一段代码,或者一项能够直接交付的工作。

不同任务对模型能力、响应速度和成本的要求并不相同。单一模型未必能够在所有场景中保持优势,通过接入多家模型,用户可以根据不同任务选择更合适的模型。

这种产品路线的收敛恰恰给上游模型厂商带来新的机会。

过去,智谱、月之暗面、MiniMax等独立模型厂商主要通过自身产品、开发者生态、API服务及企业客户扩大模型使用量。如今,拥有数百万乃至千万级日活跃用户的办公Agent也开始成为一类值得争取的大客户。

这种变化已经体现在部分模型厂商的新产品发布策略中。

今年10月初,WorkBuddy曾接入一款名为Space Bunny的匿名模型。直到10月19日MiniMax正式发布M3.1 Flash,外界才得知Space Bunny正是这款模型的早期版本。

据MiniMax披露,Space Bunny在匿名运行期间累计处理超过200万亿Token。

随着腾讯、字节、阿里相继走向多模型路线,各家能够获得的底层模型能力开始趋同,单纯增加模型选择已难以形成持续的差异化优势。

如何整合不同模型的能力、提高任务交付效率,并控制模型调用成本,开始成为更现实的竞争问题。

大客户精打细算

对于这些正在成为大模型重要客户的互联网大厂而言,模型调用规模不断扩大,也意味着需要承担更高的运行成本。

腾讯管理层日前在财报电话会上明确提出,未来将通过提高付费用户比例、增加每名付费用户的Token支出,以及推理优化、模型定制和算力效率提升等方式,逐步改善单位经济效益。

一方面,办公Agent需要通过更强的任务交付能力提高用户付费意愿,并推动使用量增长;另一方面则需要控制模型推理和任务执行成本,避免收入增长被持续扩大的资源消耗抵消。

不过,随着调用规模扩大,互联网大厂在承担更高成本的同时,也可能获得新的议价筹码。

庞大的采购规模也意味着有机会争取比公开API报价更低的价格。

一家已将旗下模型接入WorkBuddy的厂商人士向华尔街见闻·全天候科技确认:“在模型API的商业合作中,折扣率会根据客户的调用规模确定。”

“企业客户可以通过渠道获得低于官网公开报价的模型API服务,实际价格存在一定的协商空间。”南方一家从事大模型API代理及销售业务的企业人士向全天候科技表示。

海外的模型厂商也采取了类似的机制。

Anthropic在官方API定价规则中明确表示,大用量客户可以根据具体情况单独协商批量折扣,企业客户还可以获得定制价格及其他商业条款。

这也可能进一步影响互联网大厂在办公Agent之间的竞争。

随着WorkBuddy、豆包工作和千问办公相继走向多模型路线,各家能够获得的底层模型供给逐渐趋同,但实际支付的采购价格未必相同。

对于拥有更大模型调用规模的平台而言,庞大的采购需求有望转化为更强的议价能力,进而获得更低的单位调用价格。

一旦这种优势形成,大厂不仅能够降低模型使用成本,也可能通过更有竞争力的产品定价和服务额度争夺用户,进一步扩大调用规模,形成正向循环。

这只是竞争的一部分。真正交付一项任务还涉及模型调用次数、Token消耗,以及执行失败后的重试成本,这也对办公Agent背后的Harness提出更高要求。

Harness作为Agent的运行框架,不仅决定如何组织这些步骤,还会影响模型调用次数、上下文管理及任务失败后的重试策略。

即使使用相同的底层模型,不同Harness也可能产生显著不同的资源消耗。

今年9月,字节Seed团队与外部研究人员发表《HarnessDev》论文,专门研究不同Harness设计对Agent任务表现及运行效率的影响。

研究人员在其中一组实验中,统一使用Gemini 3.1 Pro作为底层执行模型,让不同Harness完成相同的Terminal-Bench 2.1测试。

结果显示,由GPT-5.5构建的Harness,平均执行Token消耗约为2430万个;由Claude Opus 4.8构建的Harness,平均消耗约9430万个,相差约3.9倍。

两组实验的任务成功率分别为49.4%和52.4%。后者虽然获得了略高的成功率,但Token消耗却增加了近3倍。

这也意味着,随着未来当几家互联网大厂的办公Agent陆续接入GLM、Kimi、DeepSeek等更多第三方模型时,拥有相似的模型供给并不意味着它们能够以相同的成本完成工作。

从采购到执行,互联网大厂实际上需要算清两笔账:

一笔是向模型厂商采购模型能力的价格。随着调用规模扩大,大厂有机会通过规模采购降低单位成本;

另一笔则是完成实际工作所需要的综合成本。它不仅取决于模型报价,还与模型路由、Harness运行效率等密切相关。

这两种成本优势还可能相互强化,形成正向循环。

对于拥有更大调用规模的办公Agent而言,更有利的采购价格意味着相同预算能够支撑更多模型调用和产品试验。而持续积累的真实任务反馈,又有助于大厂优化模型路由、任务拆解和执行流程,加快Harness的迭代。

随着多模型路线逐渐收敛,几家互联网大厂的办公Agent能够获得的底层模型能力越来越接近,但采购成本、Harness效率与产品迭代速度仍可能拉开差距,此刻难言胜负。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 刚刚,DeepSeek张博创业曝光:开源个人Agent

    聚是一团火,散是满天星。 刚刚,前DeepSeek V1作者、DeepSeek-VL项目负责人Tony Zhang(张博),正式公布了自己的新创业项目:Linger。 方向,正是当下最火的个人Personal Agent。 路线也是比较有意思,当同行都在做APP,他们优先选择了电脑。 这意味着,Linger能操纵你电脑

    来源 AI 行业观察
  2. 张博开源Linger:零token费本地跑125B模型,12GB显卡够用

    11月19日,前DeepSeek-VL项目负责人张博在X宣布开源个人Agent Linger,开发主体是张博创办的SIMPLEX AI TECHNOLOGIES PTE. LTD.(以下简称“Simplex AI”),代码已上传GitHub。按项目文档,Linger读取本地邮件、日历和文件,操作用户已登录的浏览器;连接

    来源 腾讯网
  3. Anthropic纳斯达克上市:1.5万亿美元估值背后,大模型正发生六个变化

    王强 腾讯研究院前沿科技研究中心主任今天晚上,Anthropic,这家成立不到六年的公司将在纳斯达克挂牌,股票代码ANT。其发展速度和规模,不得不说是一个技术和商业史上的奇迹,也让人们窥见了AI对未来经济、社会的巨大影响。按每股83美元的最终发行价,其完全摊薄估值约1.5万亿美元。根据目前大家的预期,上市后其市值可能会

    来源 腾讯网
  4. 腾讯混元Hy4正式开源

    北京商报讯(记者 魏蔚 鲁芹)11月20日,腾讯混元宣布Hy4大模型正式开源,开发者可在GitHub、Hugging Face等社区下载模型并自行部署。

    来源 网易科技
  5. 腾讯Hy4正式开源:770B总参数、49B激活,混元LLM系列全部开放

    IT之家 11 月 20 日消息,腾讯混元团队今日宣布 Hy4 大模型正式开源,模型权重已在 GitHub、Hugging Face、ModelScope 和 GitCode 四个平台同步上线,开发者可自行下载部署。 至此,混元 LLM 系列已完成全部开源,覆盖 Hy3 preview、Hy3、Hy4 preview、

    来源 AI 行业观察
  6. 问诊AI?一场死亡背后的追问

    查症状、看药品说明书、理解检查报告,优先用有明确医学语料来源、答案带引用且被设计为“转介医生”而非“替代医生”的专业医疗AI产品,而不是把通用聊天大模型当成全科大夫。

    来源 凤凰科技
  7. DeepSeek调整API计费:搜索与网页抓取不再单收费,只按Token算

    11月18日12:00起,DeepSeek正式实施全新API计费规则,开发者在调用大模型过程中触发的服务端搜索与网页抓取功能不再单独收费,全面转为仅按模型Token用量计费。这一调整进一步简化了大模型的商业化计费链路,直接降低了开发者构建联网AI应用的综合成本。 根据DeepSeek官方披露的规则,

    来源 AI 开发者社区
  8. 香山开源处理器核:从雁栖湖到昆明湖,企业为何开始把它装进芯片

    在2026年11月的集成电路设计业展览会(ICCAD-Expo 2026)上,北京开源芯片研究院的展台里展示了搭载进迭时空CPU芯片V100的RISC-V服务器,V100是业内首颗完整符合RISC-V服务器规范的计算芯片,代表着RISC-V正在迈向真正可部署、可规模化应用的数据中心市场。这颗芯片内集成46颗RISC-V

    来源 AI 行业观察
  9. OpenAI自曝递归自我提升,智能体指数级爆发,人类已成瓶颈

    OpenAI毫无征兆地宣布:「递归自我提升」(RSI,Recursive Self-Improvement)的齿轮,已经正式开始转动。 通俗来说,OpenAI亲口作证:AI开始研发AI了! 长久以来,人们都在猜测超级人工智能(ASI)会在哪一天降临。大家盯着大模型的跑分,盯着参数量的飙升。 但OpenAI明确告诉你:通

    来源 AI 行业观察
  10. 腾讯混元正式开源Hy4

    36氪获悉,腾讯混元宣布Hy4正式开源,可在GitHub、Hugging Face、ModelScope和GitCode社区下载部署。混元LLM模型已全部开源,包括Hy3 preview、Hy3、Hy4 preview、Hy4、Hy4 flash等。

    来源 AI 行业观察
  11. 国产大模型接连限额:算力都去哪了?

    ► 文 观察者网心智观察所 2026年11月16日,不少用户在打开DeepSeek客户端或网页版时,意外收到了一条弹窗提示。系统告知用户,受算力约束,平台不再支持存续超过7天且无活跃交互的长对话,单次输入文字上限被缩短到约4万字,连续使用不到2小时的免费用户甚至会直接触发每日使用额度上限。无独有偶,就在20天前的10月

    来源 腾讯网
  12. 张博开源Linger本地版Muse:个人电脑跑Agent,准确率95%

    智东西(公众号:zhidxcom)作者 | 黄菲编辑 | 江宇智东西11月20日报道,昨夜,前DeepSeek研究员、Simplex AI创始人张博(Tony Zhang)宣布开源个人Agent Linger,号称要让Agent摆脱对云端数据中心的依赖,直接运行在用户自己的电脑上。项目发布后迅速引发关注,GitHub星

    来源 腾讯网
  13. 港中深与微软研究院推ConvexLLM:语音免转写直连大模型

    在语音与多模态人工智能的演进中,如何让大模型更自然、更直接地“听懂”声音并完成复杂推理,一直是业界探索的核心方向。近期,香港中文大学(深圳)与微软研究院联合提出了名为 ConvexLLM 的多模态统一建模新架构,为语音与语言的融合提供了全新的技术思路。 核心创新:C-Gate 架构与“凸包映射”原理

    来源 AI 开发者社区
向下滚动自动加载更多