- LLM基础模型是AI价值链中最清晰的变现层，但API收入因低转换成本而缺乏持久性；模型领导力决定收入质量，市场正按任务复杂度分化，SOTA模型在高价值工作流
- 序号：075
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
- LLM基础模型是AI价值链中最清晰的变现层，但API收入因低转换成本而缺乏持久性；模型领导力决定收入质量，市场正按任务复杂度分化，SOTA模型在高价值工作流中拥有定价权；DeepSeek降低了'足够好'智能的市场出清价格，导致市场分层；国内算力进步为模型提供商带来成本优势；基于此，重申智谱AI（Zhipu）增持评级，因其持续SOTA交付和定价能力；下调MiniMax至中性，因其模型领导力落后且面临竞争压力。
本报告由摩根士丹利（J.P. Morgan）发布，核心聚焦中国大模型（LLM）提供商的投资前景。报告认为，尽管LLM层是AI价值链中最清晰的变现节点，但API收入因用户切换成本极低而缺乏持久性，。当前市场正按任务复杂度分化：SOTA模型在高失败成本工作流（如编程、企业级代理）中拥有定价权，而低价模型（如DeepSeek）则挤压“足够好”的常规任务市场。报告同时对两家中国LLM公司给出不同评级——。
变现层与收入质量分化 LLM提供商的收入模式包括API调用、订阅、私有部署和云端模型使用。虽然下游应用需求持续增长，但：开发者可轻松切换模型，企业客户也会在多个模型中benchmark，导致收入粘性极低。 报告提出“”框架：客户真正支付的是任务完成结果，而非单纯的Token成本。影响总成本的因素包括：Token价格、上下文长度、重试率、人工监督成本、任务完成率等。，因此在高价值工作流中拥有更强定价权。 市场分层：SOTA vs. 低成本模型 市场正清晰分为两层：（如DeepSeek V4 Flash）抢占常规文本生成、简单编码等任务；（如OpenAI Codex、Anthropic Claude Code、智谱GLM-5.1）在需要高可靠性、低失败成本的任务中保留溢价能力。 中间层（成本-性能平衡型）生存压力最大，同时面临DeepSeek等低价模型和SOTA模型的双向挤压。 近期变化：变现路径趋同、模型迭代加速、竞争加剧 变现路径正收敛至企业工作流、API、编码、代理（Agent）等方向。中国互联网巨头（阿里、腾讯、字节）纷纷入局，独立模型公司面临更直接的竞争。 模型迭代周期从3-6个月压缩至更短，。智谱在过去半年多次发布国内SOTA模型（GLM系列），而MiniMax自M2后尚未推出新SOTA，已落后于同行。 DeepSeek V4通过低价Flash tier和激进的缓存定价，进一步压低了“足够好”任务的出清价格，对中间层模型构成重大压力。 国产算力成为新变量 DeepSeek V4证明了国产芯片（华为Ascend）在推理端的技术可行性，且成本有望随规模化下降。这将为所有中国LLM提供商带来成本优势，改善从Token需求到可计费收入的转化能力。
智谱AI（2513.HK）——增持（Overweight），目标价HK$1,400 ：持续SOTA交付（GLM系列）、API价格年内翻倍且量价齐升、在编码和企业工作流中强势布局、较宽的变现渠道（API+私有部署+企业工作流）。 ：基于2030E调整后EPS（Rmb64），给予30倍P/E（反映100%+收入CAGR），以15% WACC折现至2026年底。 ：上调2026-30E收入26-42%，因高质量收入增长可见度提升；下调净亏损预期。 MiniMax（0100.HK）——下调至中性（Neutral），目标价HK$400 ：战略定位优秀（多模态+LLM、2C+2B、国际扩张），但是主要风险。M2后未推出新SOTA，在竞争加剧的API、编码、企业工作流中，定价权与收入持久性均受挑战。 ：同智谱采用2030E P/E 30倍，但大幅下调远期收入预期（2028-30E下调5-21%），反映非SOTA模型的不确定性；同时因M3永久降价50%而下调利润率预期。 ：新一代模型进入SOTA梯队、多模态变现更清晰、API经济更持久（定价稳定、留存改善）。
：出口管制、地缘政治风险、实体清单；竞争加剧；高研发投入带来的执行与盈利压力；商业化与客户采用不确定性；算力依赖外部供应商的成本与可得性风险。 ：与美国工作室的诉讼；竞争加剧；高研发投入执行风险；商业化不确定性；算力依赖风险。上行风险包括超预期模型迭代、多模态变现突破、API经济改善。
总体总结
主题正文
- 本报告由摩根士丹利（J.P. Morgan）发布，核心聚焦中国大模型（LLM）提供商的投资前景。
- 虽然下游应用需求持续增长，但：开发者可轻松切换模型，企业客户也会在多个模型中benchmark，导致收入粘性极低。
- 影响总成本的因素包括：Token价格、上下文长度、重试率、人工监督成本、任务完成率等。
- （如OpenAI Codex、Anthropic Claude Code、智谱GLM-5.1）在需要高可靠性、低失败成本的任务中保留溢价能力。
- DeepSeek V4通过低价Flash tier和激进的缓存定价，进一步压低了“足够好”任务的出清价格，对中间层模型构成重大压力。
- DeepSeek V4证明了国产芯片（华为Ascend）在推理端的技术可行性，且成本有望随规模化下降。
- ：持续SOTA交付（GLM系列）、API价格年内翻倍且量价齐升、在编码和企业工作流中强势布局、较宽的变现渠道（API+私有部署+企业工作流）。
- 上行风险包括超预期模型迭代、多模态变现突破、API经济改善。