文 | 最话 FunTalk，作者 | 林书，编辑 / 刘宇翔
Anthropic 终于忍不住 " 龙虾打洞 " 了。
美国时间 4 月 4 日 15:00（北京时间 4 月 5 日 03:00），Anthropic 旗下 Claude Code 负责人 Boris Cherny 宣布 Claude 订阅（Pro/Max）不再覆盖 OpenClaw 等第三方平台，用户只能使用额外套餐或 Claude API 密钥使用这些工具。
这意味着企业、初创团队、开发者都无法再利用 OpenClaw 去近乎无限量套利 Claude 订阅服务，被迫转入更为昂贵的按量计费模式。
简而言之就是，基于人类使用习惯模式的 Anthropic 的订阅服务，被 OpenClaw 变成了 7 × 24 小时自动运行的算力消耗，给系统带来了 "disproportionate stress"（不成比例的压力），收入与成本倒挂。Anthropic 的商业模式被挖得千疮百孔，不堪重负。
此外，Anthropic 还有一点不能忍的是，OpenClaw 迟早会将 Anthropic" 供应商化 "。
OpenClaw 最新版更新支持多模型自动 / 手动切换，从之前的 Claude 单点依赖（此前 60% 会话跑在 Claude 上）转向 " 模型池 "（model pool）架构，用户可以在 Claude、GPT-5.4、Gemini 以及中国国产模型（如智谱、MiniMax）之间自由切换，不再锁定单一供应商。
表面上看，这次更新是对 Anthropic 和 Google 的封禁的回应，通过多模型冗余确保服务连续性，避免过于依赖单一模型，受制于模型厂商的政策变动。但其实，即使没有这次 Anthropic 的封禁，加入 Open AI 后，OpenClaw 创始人 Peter Steinberger 也迟早会采取 " 模型池 " 模式。
因为一旦习惯使用 OpenClaw 后，用户就在不知不觉中不会再在意用的是哪家的模型，更在意结果，OpenClaw 成了 AI 超级入口，而模型厂商则成了 OpenClaw 背后的 " 供应商 "。
显然，这对于有着长远目标的 Anthropic 来说，是没法接受的，与其坐以待毙，不如主动重拳出击。
但对于智谱、MiniMax 等中国国产模型来说，Anthropic" 封杀 "OpenClaw，以及 OpenClaw 的多模型切换功能，却是一个重大机会。当 Claude API 成本过高时，开发者可能会切换配置到智谱、MiniMax ，甚至不排除当作为主力模型使用，以规避订阅转 API 的高昂成本。
毕竟，智谱、MiniMax 的 Token 价格相对于 Anthropic 的，要便宜得多。
但 Token 便宜，并不是它们最大的优势。
01 三强的崛起
2026 年 4 月 1 日，智谱发布上市后的第一份年报，CEO 张鹏在业绩会上反复强调了两个字：Token 量。
这背后是一系列亮眼的表现：智谱 2025 年全年营收 7.24 亿元，同比增长 132%，是国内收入最大的独立大模型公司；MaaS 开放平台的年度经常性收入（ARR）达到 17 亿元，12 个月暴涨 60 倍；API 价格上调 83% 之后，调用量反而继续攀升。
张鹏把这种罕见的 " 涨价放量 " 归结为一个公式：AGI 商业价值 = 智能上界 × Token 消耗规模。
模型的智能上限，决定你敢不敢涨价；Token 消耗规模，决定涨价之后有没有人买单。智谱两个都做到了。
月之暗面的故事更具戏剧性。2026 年 1 月 27 日，Kimi K2.5 发布，仅仅一个月后，ARR 突破 1 亿美元，20 天的收入超过 2025 年全年。3 月中旬，公司完成新一轮融资，估值从 43 亿美元飙升至 180 亿美元——三个月翻了四倍。
更耐人寻味的是，Kimi 的海外收入已经反超国内，海外 API 收入增长 4 倍，而杨植麟站上了英伟达 GTC 大会的演讲台，成为该会议上唯一一位中国大模型创始人，这无疑成了 Kimi 的高光时刻。
同样地，MiniMax 则用另一种方式证明了自己的存在感。2025 年全年收入 7904 万美元，同比增长 159%。但真正让行业侧目的，是 2026 年前两个月 M2 系列的 API 调用量——达到去年 12 月的六倍，其中来自 " 龙虾 "OpenClaw 编程场景的 Token 消耗增长超过 10 倍。M2.5 模型在 SWE-Bench 上拿到 80.2% 的得分，与 Anthropic 的 Claude Opus 4.6 几乎持平，而价格仅为后者的十分之一。
如果把时钟拨回两年前，这三家公司正挤在同一间 "ICU" 里。2024 年下半年，"AI 六小龙 " 集体陷入困境，融资收紧、商业化遥遥无期、大厂环伺、" 六小龙不如一条虫 " 的嘲讽不绝于耳。彼时的 DeepSeek 刚刚凭借 V3 和 R1 震惊世界，风头一时无两，相比之下，智谱、Kimi 和 MiniMax 更像是被大时代抛在身后的配角。
可短短一年之后，剧本完全翻转。
这种翻转归功于 " 龙虾 " 热潮—— 2026 年春节前后，OpenClaw 作为开源 AI Agent 框架引爆了全球开发者社区，全球 AI Token 消耗从每周 5.6 万亿暴增到 14.8 万亿，三强恰好成了最大的 " 饲料供应商 "。
与传统单次对话不同，OpenClaw 执行一个任务往往需要数十轮 API 调用，Token 消耗成倍放大，这就意味着使用费用也急剧提高。Token 货币化的结果就是，用户迫切寻找更便宜的模型。而在 OpenRouter 平台上，MiniMax 和智谱的收费仅为海外竞品如 Claude Opus 的 1/16（输入 100 万 Token 约 0.3 vs 5），这吸引了大量海外开发者。
所以自今年 2 月起，OpenClaw 热潮推动下，全球最大 API 聚合平台 OpenRouter 上中国模型调用量三周大涨 127%，首次超越美国模型（5.16 万亿 vs 2.7 万亿 Token），其中 2026 年 Q1 智谱的 API 调用量增长 400%，就部分归因于 OpenClaw 生态的放量。而 MiniMax M2.5 在 OpenRouter 平台上曾连续两周蝉联全球调用量榜首，周调用量达 1.63 万亿 Token。
但仅仅把智谱、MiniMax 的翻盘全归因于 OpenClaw 也并不公允，智谱和 MiniMax 的增长还得益于模型能力突破，智谱 GLM-5 在多项基准测试中登顶开源模型榜首，Coding 和 Agent 能力突出；MiniMax M2 专为编码与智能体任务优化，也契合了 Agent 工作流需求。
旺盛的需求和模型能力提高，使得它们在一定程度上拥有了再定价权，今年 3 月智谱将 API 价格上调 83%，但调用量依然供不应求增长 400%，就说明了这点。
但同样面对龙虾的风口，六小龙中的另外几条龙，表现又怎样？
零一万物已经放弃了通用大模型，宣布不再做单一大模型，而是采用模型开放策略，转型做企业级部署服务，核心技术团队在 DeepSeek 冲击后分崩离析。百川智能的创始人王小川经历了他所谓的 " 至暗时刻 " ——业务线收缩、高管离职、目标摇摆，最终押注 AI 医疗这个垂直赛道，基本退出了通用大模型的竞争。
同一个风口，有人飞升，有人坠落。差距出在哪？
答案藏在一个更深层的逻辑里：龙虾的风口不是谁都能追，它考的是你的底模够不够强、工具链够不够深、开发者生态够不够厚。
而六小龙中的三强，恰恰是在龙虾来临之前，就已经在这三个维度上默默积累了足够的势能。
问题是：为什么偏偏是他们？
02 范式的转变
要回答这个问题，必须先理解一件在 2024 年底悄然发生、却深刻改变了整个行业走向的事—— Ilya Sutskever 在 NeurIPS 2024 上的那场演讲。
这位 OpenAI 的联合创始人、被尊为 "AI 宗师 " 的人物，在那场罕见的公开露面中说了一句话：我们所知道的预训练，将毫无疑问地终结，我们已经触及了数据的顶峰，不会再有更多了。
这句话在业界引发了一场深刻的路线分裂。
一派认为 Scaling Law 没有撞墙，只是需要 Scaling 的对象变了——从互联网原始数据转向合成数据、推理轨迹、以及推理时的计算量。另一派则认为 Transformer 架构本身已触及天花板，大模型需要一场从底层数学结构开始的架构革命。
对此，六小龙中的三强给出了自己的答案：都不选。或者说，两个都选。
这就是所谓的 " 第三条路 " ——不是纯粹地继续堆数据、堆算力（老路已经走到头了），也不是推倒重来搞一个全新架构（风险太大、周期太长），而是用架构层面的精准创新，去撬动新形式的 Scaling。
Kimi 从大模型底层三大模块——优化器、注意力机制、残差连接同时突破。
其 MuonClip 优化器引入二阶梯度信息，通过牛顿 - 舒尔茨迭代和 QK-Clip 机制解决 "Logits 爆炸 " 问题，实现同等算力下更高模型质量或同等质量下大幅降低算力需求，提升 Scaling 效率。
Attention Residuals 论文获马斯克点赞，因为其用 softmax 注意力实现 " 选择性回忆 "，使 48B 模型达到 60B 效果。
MiniMax 路径不同但信仰一致：创始人闫俊杰坚信 Scaling Law 及模态等价性，这构成其技术战略的第一性原理。
MiniMax 在各模态独立验证 Scaling 规律：语言模型侧将线性注意力推进至工业级，使百万长文本算力消耗降至传统方案几百分之一；多模态侧发现 Visual Tokenizer 的 Scaling Law，解决视频生成投入产出问题，获得结构性效率优势。
作为这一策略的错过，M2.5 的 230B 总参数仅激活 10B 推理，SWE-Bench 得分 80.2%，价格为 Claude Opus 4.6 的十分之一，这源于 MoE 架构与推理优化带来的成本优势。
智谱走的路子，表面上是涨价后不跌反升的 " 飞轮验证 "，2026 年一季度价格涨了 83%，Token 调用量却增长 400%。但真正的秘密在于三个维度的同时强化，形成了一个 " 多角形飞轮 "，很难被竞争对手同时追赶。
在模型方面，GLM-5 在编程、长文本、多模态上的突破，让它成了 Agent 开发者的必选项。与此同时，智谱完成了与华为昇腾、摩尔线程等七大国产芯片的算子级优化，让部署成本直接降低 50%。这意味着国产芯片选择智谱，从可选变成了必须，转换成本有形化了。
而在数据闭环上，智谱不像大厂的数据分散在各处，开发者用 GLM 完成一个 Agent 任务，推理轨迹、纠错过程全部被记录，这种 " 真实任务数据 " 的价值，远高于互联网爬虫或合成数据。模型越强，用户越多，飞轮就这样转起来了。
三家公司的路径各有不同，但有一个共同的底层逻辑：" 第三条路 " 带来的不仅仅是极致的性价比，而是在 Token 消耗量爆炸式增长后，仍然能维持任务质量的稳定。
龙虾场景下，一个稍复杂的编程任务平均消耗 350 万 Token ——是普通对话的数百倍。在这种级别的负载下，模型的推理稳定性、长上下文下的性能衰减控制、以及端到端的延迟管理，才是开发者选择谁的真正标准。
换句话说，便宜只是入场券，稳定才是留下来的理由。
03 DeepSeek 最大的挑战
如果三强的崛起，代表了 " 第三条路 " 的胜利，那么另一个更尖锐的问题是：为什么与三强同为大模型企业出身的 DeepSeek，没有率先实现这样的突破？
坦白说，DeepSeek 在大模型 1.0 时代创造的成就，至今仍令人敬佩。
V3 和 R1 以极低的训练成本实现了 SOTA 级别的性能，MLA（多头潜在注意力）和混合专家架构的组合，在当时堪称惊艳。梁文锋以极致的、勇猛的工程学思维，把每一块 GPU 的性价比压榨到了极致——这种 " 力出一孔 " 的能力，正是大模型 1.0 时代最重要的竞争力。
但 1.0 时代的竞争逻辑，和 2.0 时代有根本的不同。
到了 2.0 时代，问题变了。当 Ilya 宣告 " 我们所知道的预训练将要终结 " 之后，行业面临的不再是 " 怎么把模型做得更大 "，而是 " 下一步往哪走？"
是继续 Scaling 别的东西，还是彻底换架构？这是一个充满不确定性的岔路口。
在这个岔路口上，DeepSeek（以下简称 DS）遇到了两个结构性的困难。
第一个困难来自商业化的缺失，导致其无法持续地 Scaling。
DS 至今没有系统性的商业化运营，其 API 虽然被大量使用，但因为 DS 是开源的，因此大量企业把 DS 权重下载下来，私有化部署在自己的服务器上，这部分用户的数据完全在企业内网里，DS 的母体一个字也收不到，同时还有大量开发者通过阿里云、腾讯云、百度云等第三方平台调用 DS，数据留在了云厂商那里。
更关键的地方在于：DS 免费或超低价的 API 定价，难以支撑数据工程的运转成本，这意味着 DS 用户越多越亏，用户翻倍，亏损也翻倍，这使其无法像三强那样，在龙虾实战中不断迭代。
第二个困难更加微妙，也是制约 DS 架构创新的瓶颈。
DeepSeek 的团队至今不到 140 人，平均年龄只有 28 岁，成员几乎清一色来自国内顶尖高校的应届毕业生和在读博士生。这个选择并非无意为之，梁文锋曾公开表达过他的人才哲学：" 经验并不意味着能力，反而可能限制创新。"
但这里有一个隐患，在 2.0 时代的架构创新需求下，架构层面的真正突破，往往需要的不只是聪明的年轻人，还需要见过不同范式的人之间的知识碰撞。
杨植麟在 Google Brain 见过 Transformer 如何从论文变成工业级系统；智谱创始人唐杰的团队，不仅有着扎根清华的学术背景，也带领 KEG 实验室深耕了近二十年，发表了超过 500 篇顶尖论文。
这种 " 多层代际、多种背景 " 的知识密度，才使得架构革命与创新成为了可能。
从唯物主义的角度上说，技术创新的必要条件，不是只是天才的 " 灵光一闪 "，更需要看知识、人才的密度、多样性是否达到了一定的阈值和丰度。
说到底，DS 的问题不是 " 技术不够强 "，而是它不能再用大模型 1.0 的思维打 2.0 的仗。
很多人都喜欢把训练大模型叫做 " 炼丹 "，这不是段子，而是一种精准的隐喻。
大模型训练的本质，就是把海量数据（原料）投入神经网络（炉子），经过漫长的参数调整（火候），最终期待涌现出一种难以预测的 " 智能 "。你事先并不完全知道产出会是什么——调一下学习率，改一下 Batch Size，模型的表现就可能陡然提升，这种高度依赖经验与直觉的摸索过程，和古人在丹炉前的反复试探如出一辙。
1.0 时代更讲究 " 炼丹师 " 的个人洞见，一个天才型的创始人，带着一小群精英，在丹炉前反复实验，直到炼出惊世骇俗的成果。这在很长一段时间里是有效的。
但 2.0 时代需要的，更可能是 " 制药厂 " 式的体系化创新。
什么叫制药厂？它不依赖任何一个药剂师的灵感，而是靠可复制的研发流程、可量化的质量标准、和持续不断的临床反馈来稳定地产出新药。
在大模型 2.0 时代，持续的体系化创新能力，比任何一次单点技术突破都重要得多。谁能把 " 创新 " 从个人英雄主义变成组织级的稳定产出，谁就能在这个充满不确定性的时代里掌握主动权。
以 Kimi 为例，3 月 16 日，Kimi 发布 Attention Residuals 论文，被马斯克点赞，之后 Reddit 上已有开发者在复现。这背后反映的，实际上是其一种系统化、团队化的知识积累体系。
绝大多数公司，从论文到产品的路径是：核心论文→模型训练→产品发布→用户反馈→下一个核心论文。但 Kimi 打破了这个模式，Kimi 3 月 16 日论文发表后，从论文 idea 到学术发表到产品实现到开源代码，只用了不到 3 天的迭代周期。
这说明，Kimi 把论文看作一个可视化的思想工具，用来快速获得全球反馈的中间产品，而非要等到论文或产品完美后，再等待反馈。
论文的作者组成，还暴露了一个秘密：Guangyu Chen（陈广宇）和其他作者加起来，一共 35 人，其中还有一位 17 岁的高中生，这在大模型论文里很罕见。
通常情况下，即使是 OpenAI、DeepSeek 发表的论文，作者也大多只有十几到 20 位。
这说明 Kimi 的文不是 " 精英研究团队的产物 "，而是 " 整个公司在这个方向上的集体知识总结 "。
三强之所以能走出 ICU，不是因为它们拥有比 DeepSeek 更聪明的工程师，而是因为其建立了一种更快的迭代速度、更密集的知识流转、更体系化的创新机制。
大模型 1.0 时代属于炼丹师，那是一个凭借个人洞见和技术魄力就能改变格局的英雄时代。但 2.0 时代，属于制药厂，属于那些把创新变成流水线、把突破变成日常、把个人能力沉淀为组织能力的企业。
六小龙中的三强，正在做同样的事。
