2026年1月10日，唐杰、杨植麟、林俊旸、姚顺雨在北京同台。
这场AGI-Next前沿峰会由清华大学基础模型北京市重点实验室、智谱AI发起。四人分别来自智谱AI、月之暗面、阿里通义千问和腾讯，所处的位置不同，谈到的问题却指向同一件事：大模型不能只靠增加数据和算力继续向前冲，效率和落地已经绕不过去。
模型还要变强，但账得先算清楚
唐杰把当前的问题概括为“效率瓶颈”：数据规模继续扩大，智能增益与成本投入之间开始失衡。
这并不意味着基础模型不重要。更准确地说，参数规模和榜单成绩已经不足以解释一款模型的实际价值。模型完成一项任务需要多少计算资源，能否稳定处理长流程，进入业务后还能不能持续迭代，这些问题正在被摆到台前。
唐杰对Agent提出了三个判断维度：价值解决能力、成本控制能力和应用迭代速度。这三个维度都很实际。Agent能否解决具体问题，决定企业为什么要用；运行成本能否控制，决定它能用多久；迭代速度则决定系统出错后能不能及时修正。
大模型竞争由此多了一本明账。模型能力仍是起点，但企业最终购买的是一套能运行、能维护的系统。
Kimi把重点放在每个Token的产出
杨植麟披露，月之暗面在2025年沿着两条技术主线推进：提升Token Efficiency，以及扩展长上下文能力。
Token Efficiency关注的不是模型用了多少Token，而是有限数据和计算投入能换来多少智能增益。长上下文则对应另一类现实需求：当Agent需要执行更长的任务，模型必须保留更多信息，并在多轮操作中维持相对稳定的理解。
这两条路线放在一起看，目标很清楚：让模型在更长的任务中少浪费计算，同时尽量避免信息在执行过程中丢失。
长上下文也不能单独解决Agent的可靠性问题。模型记得更多，不等于每一步都判断正确。真正进入业务系统后，还需要权限控制、工具调用、异常处理和人工介入。基础模型负责提供能力，工程系统负责约束能力。
开源的价值，最终要看有多少人真正使用
中国大模型的开源声量已经很大。智谱GLM、阿里Qwen等模型持续进入开发者和企业的选型范围，但开源竞争不能只看权重是否公开。
一个模型被采用后，周围会逐渐形成微调方案、部署工具、开发框架和运维经验。使用者越多，后续项目沿用原有技术路线的可能性就越高。对企业来说，更换模型还意味着重新适配接口、评估效果并调整业务流程，这些工作都会形成迁移成本。
因此，开源模型争夺的不只是下载量和关注度，也包括开发者习惯与企业技术栈。模型能力接近时，工具是否成熟、部署是否方便、能否接入现有系统，往往会直接影响选择。
这也是“生态壁垒”更具体的含义：模型成为其他产品和系统的一部分之后，竞争对手要替换的就不再是一个接口，而是一整套已经运行起来的工程路径。
四家公司，手里的牌并不一样
四位与会者背后的资源差异明显。
智谱AI长期投入基础模型和开源路线；月之暗面围绕Kimi推进Token效率与长上下文；林俊旸负责的Qwen背靠阿里云；姚顺雨以腾讯首席AI科学家的身份亮相，腾讯则拥有大量产品和业务场景。
这些差异决定了各家的竞争方式不会完全相同。有的更依赖开发者采用，有的可以借助云服务完成分发，有的拥有直接触达用户的产品入口。基础模型仍然是核心，但模型如何进入业务、由谁部署、通过什么渠道触达用户，同样会影响最终结果。
这不是一次整齐划一的路线转向。更像是各家公司根据已有资源，选择自己最能承受、也最容易放大的打法。
2026年的分水岭，在模型之外
AGI-Next峰会释放出的信号，并非参数竞赛已经结束。基础模型能力仍会继续提升，只是行业开始同时追问另外几件事：同样的投入能获得多少智能增益，Agent能否完成真实任务，长流程运行是否稳定，模型进入企业后要付出多少部署和维护成本。
对开发者而言，只会调用模型接口已经不够。上下文管理、Agent工作流、工具调用和异常回退，会越来越多地进入日常开发。对企业而言，选型也不能只盯着榜单，还要看模型与现有数据、系统和流程的适配程度。
唐杰谈效率与Agent，杨植麟谈Token Efficiency和长上下文，林俊旸与姚顺雨则分别站在云基础设施和大型业务场景一侧。把这些信息放在一起，中国大模型2026年的竞争轮廓已经更清楚：模型继续向前，胜负则越来越取决于谁能把能力变成一套成本可控、迭代够快、能够进入真实业务的系统。
参考来源：
