MiniMax成Token調用第一之后，模型廠商的下一個必爭高地顯現

 最近，大模型token調用量井噴成為關注點。OpenRouter最新數據顯示，各大模型的token調用量自2026年1月下旬出現明顯躍升。

與此同時，國產大模型站上舞臺中央。2月9日-15日這周，中國模型以4.12萬億token的調用量，首次超過同期美國模型的2.94萬億token。16日-22日這周，中國模型的周調用量進一步衝高至5.16萬億Token，三周大漲127%，而同期美國模型調用量跌至2.7萬億Token。平臺調用量排名前五的模型中，有四款來自中國廠商，分別為MiniMax的M2.5、月之暗面的Kimi K2.5、智譜的GLM-5以及DeepSeek的V3.2。這四款模型合計貢獻了Top5總調用量的85.7%。

其中，M2.5一鳴驚人，在發佈后12小時內登頂OpenRouter熱度榜，一周內登頂調用量榜首，周調用量暴漲至3.07T tokens，超過Kimi K2.5、GLM-5與DeepSeek V3.2三家的總和。

OpenRouter是全球最大的大模型API聚合平臺，可為開發者提供統一API接口，以訪問全球數百種大語言模型。其核心功能包括多模型調用、智能路由優化和透明的性能排行榜，旨在解決多模型集成複雜和廠商封鎖問題。

當目光聚焦於AI應用普及、國產模型崛起等，不應該忽視數據背后的結構性變化。

模型調用量因何在近期爆發？排名靠前的為何是M2.5等新秀？

多家機構認為，一方面是，春節帶來AI應用滲透率提高，token消耗量有了總體提升；另一方面，AI模型的Agent（智能體）場景廣泛落地，單次任務token消耗大幅增加。

伴隨1月下旬以來的這一輪增長，梳理AI行業的新動向，也能為上述問題提供思路。

首先是OpenClaw爆火，這是一個能讓大模型獲得本地操作系統權限的開源智能體框架，可讓AI可以自己執行Shell命令、操作文件系統，實現所謂的「本地代理主權」。當地時間2月15日，OpenClaw的創造者Peter Steinberger正式加入OpenAI，負責推動「下一代個人智能體」的研發。

隨后多個面向智能體場景的大模型發佈，反響熱烈——

稀宇科技（MiniMax）於2月13日發佈MiniMax M2.5，稱該模型為全球首個為智能體場景原生設計的生產級旗艦模型。其發佈后七天的調用量即突破3.07T tokens，憑藉在編程和Agent工作流中的卓越性能與極低的成本，成為開發者首選。

月之暗面（Moonshot AI）於1月27日發佈KimiK2.5，該模型採用原生多模態架構，能通過調度多達100個「Agent分身」並行工作，將複雜任務效率提升3到10倍。該模型在多個細分榜單（如編程、工具調用）中均排名第一，其調用量遠超Gemini 3和Claude模型。

智譜於2月12日發佈GLM-5，該模型參數規模進一步擴展，採用了稀疏注意力機制，是其專為複雜系統工程與長程Agent任務設計的旗艦模型。憑藉免費、200K上下文窗口等優勢，該模型發佈后用户迎來高速增長，智譜對Coding Plan先后進行了限售、漲價等動作。

這些模型聚焦於提升編程能力和智能體任務的自動化水平，這兩大能力讓AI的應用場景從私人化娛樂向生產環境轉變，專業開發者的token消耗遠比普通對話密集，這類需求一旦被激活，帶動的調用增量隨之大幅攀升。

OpenRouter的官方數據證實了這一點，該平臺超70%的token消耗量，來自互聯網大廠、中大型企業、專業開發者的生產環境常態化調用，這類場景的單次token調用量遠超個人用戶、小型測試項目等。官方確認，過去數周內，平臺長文本生成需求顯著上升，在100K至1M token區間，MiniMax M2.5的調用量處於領先位置，這個區間正是智能體工作流的典型消耗場景。

可以説，這輪token消耗量爆發，直接反映出大模型發展的新趨勢，AI正從「快思考」走向「慢思考」、從「工具」走向「勞動力」，各大AI前沿公司力研的智能體功能正屬於「慢思考」的範疇。

當模型面對複雜任務（如「寫一個電商網站的代碼」）時，它不再直接輸出答案。它會先「自言自語」：拆解需求、設計架構、編寫函數、檢查bug、優化性能,因為AI開始「在腦子里反覆推演」。每一次推演、每一步邏輯鏈的建立，都在消耗token。這種「推理密度」的增加，使得token消耗的增長速度遠遠超過了用户數量或提問次數的增長速度。

中信證券稱，AI應用場景從簡單對話，向多模態（文本/圖像/音頻/視頻）、AI智能體升級，單次任務token消耗呈指數級上升。該機構認為，token的爆發式增長，本質上反映出AI推理需求的指數級擴容。

華泰證券此前預測，隨着推理範式變化，智能體加速落地，未來算力需求中存在兩個倍數關係，共同決定了算力需求的廣闊空間：

1）推理和token調用量之間不是線性關係，這是因為多智能體協作和多工具調用會帶來token消耗量加速增長；

2）算力需求與token的增長之間不是線性關係，這是因為隨着推理過程更加複雜，同樣算力條件下計算時間也將增長，實時性和交互性帶來對計算速度的要求。

該機構認為，與Chatbot相比，智能體在執行任務時會進行任務的分解與編碼，將帶來交互次數、任務複雜度、使用頻率的提升，整體token消耗或提升十倍以上，而對應的算力需求將增長百倍以上，長期看好算力需求的持續快速增長。