作者 | 汤安迪

编辑 | 周欢

智谱发布了 2026 财年上半年业绩。电话会持续了将近两个小时，创始人唐杰、董事长刘德兵和 CFO 肖磊轮流发言。

会后，管理层回答了 16 个问题。

管理层在问答环节里，聊了关于国产芯片、参数克制、以及下一代模型路线。

智谱说得比想象中更诚实，也更努力。

10 万张国产卡已经能跑推理

"10 万张国产卡已经能跑推理，但训练前沿模型，我们还在等 "

第一个被抛向唐杰的问题是关于算力的。分析师们显然更关心数字背后的结构。

" 推理侧确实突破了。" GLM-5.3 Flash 发布的时候，后端 " 全面使用国产芯片集群提供服务 "，六天处理了大约 60 万亿 token，" 在 OpenRouter 和 OpenCode 的史上最高流量下保持了强劲的服务性能 "。

还补充了一个更硬的数据：经过自研引擎优化，相同国产硬件上的端到端服务性能提升了 3 倍，单位 token 推理成本较年初下降了 80%。

有人追问了：训练侧的国产芯片呢？

" 训练前沿模型不仅需要大量算力，还需要大规模同构集群的稳定性、网络通信、软件栈和长时间运行能力。目前中国主要依赖异构算力。先进国产加速卡尚未完全进入大规模量产，存在一定结构性错配。"

翻译一下，10 万张国产卡是真的，但主要扛的是推理。训练下一代基座模型，智谱仍然需要异构集群，换句话说，进口卡和国产卡混着用。那个 " 模型优化系统、系统承载模型 " 的闭环，目前只在推理侧跑通了。

智谱还透露了一个时间窗口：" 未来约三到六个月内，先进国产芯片制造商可能开始爬坡量产，异构并行计算环境有望实质性改善。"

关键瓶颈不在智谱手里，而在供应链上游。

所以 10 万卡是一个真实的里程碑，但它解决的只是 " 能不能用国产卡跑模型 "，而不是 " 能不能用国产卡训练前沿模型 "？

唐杰没有直接回答这个问题：" 推理侧不再依赖海外高端 GPU 作为唯一规模化路径。"

后训练上压榨了半年

参数规模是整场电话会里被反复追问的话题。

2026 年，当行业都在讨论万亿参数模型的时候，智谱的 GLM-5.3 仍然基于一个 7450 亿参数的基座。为什么克制？

智谱解释分三层。

第一层是数据天花板。" 国内可用的训练数据量通常在 30-50 万亿 token 左右。在这一数据规模下，按照 Scaling Law 盲目训练一个特别大的模型，可能不会产生足够高的边际回报。"

第二层是算力约束。

" 国内算力有限，而中训练和后训练的潜力尚未充分释放。因此，单纯增加参数目前并非最重要的投资方向。"

第三层是战略选择，也是最耐人寻味的一层。

这个 7450 亿参数的基座 " 于年初完成训练，从一开始就被规划为在半年以上时间内重复使用 "。在同一基座上，智谱先后推出了 GLM-5.1、5.2 和 5.3，以及相应的 SFT、中训练和后训练环境开发。

" 基本思路是从每个基座模型中提取最大能力，同时将推理成本优化到用户能够大规模真正负担得起的水平，而不是仅仅追求一个无法部署的大模型。"

这是聪明还是无奈？

从结果看，GLM-5.3 在同架构、同总参数、同激活参数的条件下，仅通过后训练升级就实现了端到端任务完成率提升超 50%。唐杰说，这 " 验证了训练深度是当前阶段边际收益最大的变量 "。

但一个无法回避的问题是：当后训练被推到极限之后呢？

唐杰自己给出了答案：" 下一阶段增长将回归基座规模。" 下一代基座模型已经在训练中，方向包括 " 更大的有效参数规模、更长的原生上下文、原生多模态统一建模 "。

智谱的参数克制是阶段性策略，不是长期路线。

当国产芯片的量产爬坡完成、数据环境进一步扩大之后，参数竞赛会重新打响。

涨价 1 倍

毛利转正

CFO 肖磊表示，"API 均价涨了一倍，但毛利率转正不等于高枕无忧。"

肖磊在财务部分披露了一个被市场忽略的数据：上半年经调整净亏损 19.64 亿元，低于 21.3 亿元的研发支出。

" 业务产生的毛利润在初步覆盖管理和销售费用后，已开始反哺研发投入。"

最让大家兴奋的是，开放平台及 API 业务毛利率从 -0.4% 转正至 24.6%。一年前智谱还在赔本卖 API，现在开始赚钱了。

背后的驱动力是 " 量价齐升 "。

肖磊说，上半年 API 平均售价上涨约 101%，同时 token 用量也大幅上升。前十大客户平均日用量较年初增长约 98 倍。

" 价格上涨的同时核心客户加深使用，表明客户不仅仅因为便宜而使用模型。"

但肖磊也主动提到了一个风险：整体毛利率从 50% 暴跌至 26.4%。原因是收入结构发生了 " 根本性变化 "。

云端 API 业务占比从 15.2% 飙至 86.5%，而云端业务 " 尚在爆发初期，毛利率尚在爬坡 "。

26.4% 的整体毛利率，对于一家号称 AGI 的公司来说，是不是太低了？

董事长刘德兵回应了，他提出了一个公式：AGI 商业价值 = 智能上界 × Token 消耗规模。

他说，" 每次任务边界提升一级，对应的市场空间就放大一个量级 "。

言下之意是：现在的毛利率低，是因为模型还处在 "Coding" 阶段，当模型进入 "Co-work" 和 "Autonomous AI" 阶段时，价值密度会指数级上升。

这逻辑依赖一个尚未被验证的假设：Co-work 场景能够规模化商业化。刘德兵自己也承认，除了网络安全之外，法律、金融、教育 " 仍处于早期阶段，尚未产生规模化收入 "。

" 网络安全是我们唯一跑通的 Co-work 场景，发现了 2436 个漏洞。"

刘德兵在发言中反复强调 " 模型嵌入客户工作流后形成迁移成本 "，但如果 Co-work 只能复制到极少数有明确验证标准的领域，那 " 迁移成本 " 的叙事就只是一个远景，而不是当下的商业现实。

模型训练自己

"GLM-6.0 的目标不是变大，是让模型能自己训练自己 "

电话会的后半段，话题转向了更远的未来。

唐杰在开场致辞中就提到了 " 完全自训练 "（Fully Self-Training）。

在问答环节，有分析师追问：GLM-6.0 设想的 Fully Self-Training 到底是什么？

回答很直接：它对应海外常说的 RSI（Recursive Self-Improvement），即递归式自我改进。

" 目标是让模型在预训练、中训练和后训练中更多地自主训练和自进化。"

他列出了三个正在发生的趋势：数据开始自我生成（模型对弈）、环境开始被制造（研究智能体自动合成验证器）、基础设施开始自我优化（推理系统由模型自动调优）。

但唐杰也立刻给这个愿景浇了一盆冷水：

" 最大的挑战不是简单地让模型变大或继续训练它。而是让模型能够自我评估、知道何时停止、犯错时自主纠正。"

自我评估、收敛判断、错误纠正，目前没有任何大模型能稳定做到。

小结

智谱的管理层，比大多数中国科技公司更愿意谈论约束，数据天花板、算力瓶颈、国产芯片的量产时间窗口、Co-work 场景的商业化难度。

API 毛利率转正、10 万卡国产芯片推理、ARR 16 亿美元，这些数字不是凭空来的，是在明确认识到瓶颈之后，用工程手段一点点抠出来的。

但风险也同样清晰。

下一代基座模型的训练能否在国产芯片量产后顺利推进？Co-work 能否从网络安全复制到法律和金融？

刘德兵在结尾说了一句话：" 先有能力，再有生意。"

•END •

欢迎点击奇偶工作室视频号，看最新视频 ~

↓↓↓

Question. Write.Narrate. Believe. Become a story. 易简传媒的愿景是提问和传播商业故事，让读者更开阔，更聪明。有 2500 万微信粉丝关注我们的账号，欢迎大家关注：

↓↓↓