Frontier Model Economics 1.0从模型财报到数字劳动力市场

这轮讨论真正改变了什么

起点是智谱、MiniMax 两份财报：收入高速增长，但推理仍是可变成本，研发强度仍远高于成熟 SaaS。沿着这条损益表往下追，我们最终发现，模型公司的核心问题并不是“谁最聪明”，而是“谁能以最低的资本与算力，把智能转化为最多成功任务，并把任务价值留在自己的股东账上”。

财报给出的第一条硬约束：Frontier Model 还不是成熟 SaaS

智谱 2026H1 收入 RMB953.9m、集团毛利率 26.4%、研发 RMB2.131bn；MiniMax 2026H1 收入 US$116.6m、毛利率 17.9%、研发 US$296.9m。两家公司都证明了模型商业化进入高速增长期，同时也证明“软件边际成本接近零”的旧直觉并不适用于当前 Frontier Model：推理消耗真实 Compute，下一代模型又持续吞噬 R&D 与 Training 资本。

因此，传统 SaaS 的 Seats × ARPU → Revenue → EBITDA 不够。模型经济必须先写出生产函数，再谈估值。

Agent Task Gross Profit = Task Revenue − Inference Tokens − Tool/API − Sandbox/Execution − Retry/Error − Human Review这是 Agent 单位经济学，不等同公司会计报表中的完整毛利润口径；它用于把模型能力转成可比较的任务经济学。

“培养孩子”类比：什么时候模型真正经济成年

一个 Frontier Model 可以具象化为“培养一个孩子”：Pre-training（预训练）像基础教育，Post-training / RL（后训练/强化学习）像大学与职业培训，Benchmark 像考试分数；真正进入 Agent 阶段，才像毕业后开始工作。这个类比的价值在于把前期固定投入、持续推理成本和回本拐点放在同一条时间轴上。

CSFR｜Cohort Self-Funding Ratio = Current Annualized Gross Profit / Annualized Training & R&D EnvelopeCSFR > 1× 可理解为“模型经济成年线”。由于公司通常不披露单一模型代际的训练成本与收入归因，现阶段公司 R&D 只能作为 proxy，不能伪装成精确 Cohort 会计。

Model Cohort Payback = Training + Post-training Investment / Annualized Attributable Gross Profit未来招股书若能提供模型代际成本、推理毛利与产品收入归因，这将比简单 P/S 更接近模型资本效率。

“孙悟空拔毫毛”：真正的指数项来自可复制数字劳动力

Agent 用中国投资者最容易理解的形象，可以看作孙悟空的分身：模型本体负责“脑子与本领”，Agent 是从同一套智能复制出来的执行体。每个分身仍要消耗 Token、Compute、工具调用与运行环境——也就是“法力”——但一个模型可以同时复制成成千上万个工作流实例，这一点与真人劳动力根本不同。

因此，AI 的指数特征未必来自模型智力每年增长 100 倍，更可能来自三个乘数同时发生：智能能力上升 × 并行 Agent 数增加 × 人类监督时间下降。

组织形态：Commander → Workers → Verifier

未来企业很可能不会让同一个昂贵模型做全部工作。高能力模型负责目标理解、拆解与关键判断，GLM/MiniMax/小模型等低成本 Worker 执行批量任务，再由高级模型或确定性测试做 Verifier。最优问题从“哪个模型第一”变成：

Choose model i that maximizes: P(Successᵢ) × Task Value − Total Execution Costᵢ

把数字劳动力从比喻变成可计量工时

“1 Agent Hour”不能直接等于“模型连续推理一小时”。Agent 会调用浏览器、Terminal、API、Sandbox，也会等待外部系统，还可能拉起多个 Sub-agent。因此必须把物理推理工时与任务墙钟时间分开。

Agent Wall Hours = Inference Stream Hours / (Inference Duty Cycle × Average Parallel Streams)

这里由此诞生一个关键变量：

UWU｜Useful Work Utilization = Economically Useful Agent Hours / Potential Agent HoursGPU 即使满载，也可能在做低价值、重复或失败任务。未来 Token/MW 快速提升后，真正稀缺的可能逐渐变成高价值、可授权、可验证的 Task Pool。

Frontier Model Economics 1.0：一张从瓦特走到股权价值的账

这轮讨论最终把原先分散的 1GW AI Factory、Token Economy、Agent Hour 与模型公司财务装进同一个生产函数。

三层资本效率

当智能越来越便宜，真正稀缺的可能变成“工作岗位”

Task Ownership（任务所有权）不是法律意义上的所有权，而是同时控制五件事：任务入口、工作上下文、执行权限、结果验证、经济计量。离 Outcome 越近，越有能力从 Token Pricing 升级为 Task / Resolution / Outcome Pricing。

Task Take Rate = Agent / Workflow Revenue ÷ Human-Equivalent Economic Value

Task Value Density = Economic Value ÷ Agent Compute Cost

这给出一个重要投资判断：模型竞争越激烈，Token COGS 越低，反而可能扩大 Workflow Owner 的毛利。谁掌握高价值 Task Pool、验收标准与客户关系，谁更有机会把模型降价变成自己的利润率。

OpenRouter：从 Token 市场走向数字劳动力派单系统

OpenRouter 的新 Auto Router 已经不是简单 Provider 负载均衡。它会先把 Prompt 归入约 30 种 Task Type，再查看过去 7 天同类任务的真实 Spend Share，并结合 low / medium / high / xhigh / max 成本档位选择模型与 fallback。也就是说，用户可以把“模型选择权”交给 Router，而不是每次点名 Claude、GPT、GLM 或 DeepSeek。

Ori Eval 则补了另一块：它在客户自己的 Agent Harness、Prompt、工具和数据上并行跑候选模型，检查应该/不应该调用的工具，并用 Judge 评价开放式答案。OpenRouter 官方示例已经直接返回 $/PR 这样的任务级成本，而不是只返回 $/1M Token。

最重要但尚未公开的两项 KPI

RDS｜Router Discretion Share = Auto-routed Spend / Total OpenRouter Spend衡量模型选择权有多少已经从开发者转移到 Router。OpenRouter 当前总排行榜并未公开拆分“用户点名”与“Auto 派单”，因此不能把中国模型的全部调用量都解释为 Router 主动选择。

RAC｜Router Attribution Contribution = Auto-assigned Spend to Model X / Total Spend of Model X on OpenRouter衡量某个模型的使用量有多少来自 Router 经济选择，而不是品牌/开发者主动点名。

从“钱怎么走”到“智能怎么买”：Economic Router 的雏形

Stripe 在 2026年8月19日宣布同意收购 OpenRouter，官方描述 OpenRouter 覆盖 400+ models、80+ providers。Stripe 过去解决的是 Payment Routing（支付路由）：商户只定义“我要把钱收进来”，平台在卡组织、银行轨道、地区、风控与授权率之间优化；OpenRouter 解决的是 Intelligence Routing（智能路由）：客户只定义“我要完成这次 AI 工作”，后台在模型、Provider、成本、速度与可靠性之间优化。

Potential Economic Router = Payment Router + Intelligence Router + Agent Settlement + Outcome Billing

这也是 Stripe + OpenRouter 长期最值得跟踪的战略含义：如果平台能同时看见 AI Spend、Task Success 和最终商业收入，它就有机会建立此前不存在的 Token / Agent ROIC 数据闭环。

模型很成功，不代表模型公司的股东一定捕获了同样多的价值

这轮讨论中最重要的投资修正之一，是把“模型作者”和“Token 生产商”拆开。开放权重模型可以由大量第三方 Inference Provider 托管，因此一个模型在 OpenRouter 上拥有很高 Token Share，并不意味着同等比例的推理收入回到模型作者。

DeepSeek 与 MiniMax：两种价值捕获原型

IVCR₁｜Author Inference Capture = Author-hosted Inference Spend / Total Model Inference Spend

IVCR₂｜Intelligence Value Capture = Author Revenue / Economic Spend generated by its Model

IVCR₃｜Shareholder Capture = Author Gross Profit / Total Economic Value enabled by its Intelligence后两项在今天仍缺完整可观测数据，但它们指出了私募估值真正应该问的问题：战略价值、生态外部性与少数股东 IRR 必须分账。

AI Capital Cycle 的稀缺性可能依次上移

这里的“Task Scarcity”并不是世界上没有事情可做，而是指能够安全授权给 Agent、结果可以验收、经济价值足够高、并且能够规模化计价的任务不会随着 Token 供给自动同比增长。因此，同样 1GW Compute 被用于陪聊、Coding、金融、药物研发或工业优化，最终 Economic Value 可以相差数个数量级。

Gross Economic Value Capacity = Agent Hours × UWU × Human-Equivalent Productivity × Value / Human Hour它是经济价值容量，不应直接写成 GDP。真正 GDP 贡献还要区分人力替代、增量产出、质量提升、新任务创造与 AI 行业自身增加值。

Frontier Model Economics 1.0 的监测仪表盘

哪些事实会推翻或显著削弱这套框架

1.0 之后，研究从哪里继续

① Agent Labor Market 职业工资表：Coding / Research / Customer Service / Finance / Industrial，统一比较 Task Value、可验证性、允许失败率、最适模型层级、Skill Premium 与 Task Take Rate。

② OpenRouter Router Power：长期监控 RDS、RAC、Ori Eval → Auto 的闭环，以及是否出现 Task-level pricing、Verified Outcome 与自动 Agent 结算。

③ DeepSeek / MiniMax Value Capture：从“模型谁更强”转向 IVCR、原厂推理捕获、Agent产品留存、开放权重到 FCF 的货币化桥梁。

④ Inference Manufacturing：Provider 作为独立赛道另开研究分支，分析 GPU Hour 如何被加工成稳定、低延迟、低成本 Token，以及这一层利润率如何形成。

⑤ 1GW → Agent Economy：继续把 Rubin 等实测 Tokens/MW 与 Agent Duty Cycle、UWU、Human-Equivalent Productivity 接起来，把 AI Capital Cycle 与数字劳动力经济学真正焊成一张总账。

主要来源与证据边界