分析：国内大模型进入「尴尬期」：训练算力、推理成本和价格成三大难题

动察 Beating AI 快讯，Max For AI 发文称，国内大模型目前正进入一段「尴尬期」，核心挑战集中在训练算力、推理资源和商业定价三个方面。 其表示，随着国内厂商持续扩大模型规模，5T、8T 甚至 10T 参数规模开始被讨论，但训练算力的增长速度可能难以跟上模型规模扩张，算力正逐渐成为现实限制。阿里巴巴此前在云栖大会上提到，未来可能训练 5T 至 10T 参数规模的模型，Kimi、GLM 等厂商也在继续推进大规模模型。 在推理端，大模型训练完成并不意味着能够长期稳定地向大规模用户提供服务。Max For AI 称，部分大模型上线初期运行速度较快，但随后可能出现限速、排队和额度收紧等情况，反映出推理算力仍是重要瓶颈。随着模型规模扩大，每增加用户额度都意味着更高的实际推理成本。 此外，模型规模和推理成本上升也可能迫使厂商调整价格，而国内大模型此前的重要竞争优势之一正是开源和性价比。其认为，在 Agent 时代单次任务消耗 Token 增加后，价格敏感度可能进一步提升，国内厂商需要在模型效果、推理成本和商业定价之间重新寻找平衡。