智譜（紀要）：收入結構翻轉，ARR 達 16 億美元

以下為海豚君整理的 $智譜(02513.HK) FY26 中期的財報電話會紀要，財報解讀請移步《別懷疑，2026 就是國模 “智譜年”》。

一、財報核心信息回顧

1. ARR 首次披露，並主動給出兩套口徑

a. 截至 2026 年 8 月末，ARR 達 16 億美元，口徑為月度年化，即 8 月單月收入乘以 12。

b. 管理層同時點明行業內另一種更激進的算法——最近一週數據乘以 52；按該口徑，考慮 GLM-5.3 放量後最新 ARR 已超 20 億美元。

2. 收入結構完成切換，量價雙升

a. 總量：上半年總收入 9.57 億元人民幣，摺合 1.42 億美元，同比增長接近 400%。

b. 分部：開放平台及 API 業務收入 8.25 億元，摺合 1.23 億美元，同比增長超過 27 倍；佔總收入比重由去年同期的 15.2%、去年年末的 26.3% 提升至 86.5%。

c. 量價拆分：API 平均定價提升約 101%，同期 coding plan 調用量較年初增長超過 23 倍。管理層據此強調放量由模型能力驅動，而非價格彈性。

3. 毛利率與算力效率同步改善

a. 開放平台及 API 業務毛利率由去年同期的 -0.4% 升至 24.6%，同比抬升 25 個百分點；較去年全年的 18.9% 亦抬升約 6 個百分點。

b. 公司首次提出"算力乘數"，即每投入一元算力（含訓練側與推理側）對應的開放平台及 API 收入，該指標較去年上半年提升 14 倍。

4. 虧損收窄，管理層稱毛利已開始反哺研發

a. 上半年研發支出 21.3 億元，約合 3.17 億美元。

b. 期內虧損 20.72 億元，同比減少 12.5%，虧損率（期內虧損除以收入）同比收窄 4.7 倍；經調整淨虧損 19.64 億元，經調整虧損率同比收窄 3.5 倍。

c. 管理層的判斷依據是：經調整淨虧損 19.64 億元已小於研發投入 21.3 億元，説明毛利在覆蓋管理與銷售費用後已開始反哺研發。

二、財報電話會詳細內容

2.1 高管陳述核心信息

1. 能力階梯與商業公式

a. 管理層將大模型演進定義為只能按順序走完的五級階梯：Chat、Coding、Agent、Co-worker、Autonomous AI，每級之間存在技術門檻，跨不過去則上一層商業模式不成熟。

b. 報告期內公司重心處在第二級（Coding）到第四級（Co-worker）之間，已在網絡安全、法律、金融、教育等方向嘗試，其中網絡安全進展最快，其餘仍處早期、未形成規模化收入。

c. 管理層提出的公式為：AGI 商業價值 = 智能上界 × token 消耗規模。任務邊界每上一級，市場空間放大一個量級。

2. GLM-5.3 與 GLM-5.3 Flash

a. GLM-5.3 與 5.2 採用相同架構、相同總參數與激活參數，唯一變量是後訓練規模，端到端任務完成率提升超過 50%；訓練任務已從習題式轉向接近專家真實工作的完整專業任務。

b. GLM-5.3 Flash 面向高頻、大規模、成本敏感場景，總參數 320B、激活參數 18B，採用線性與混合注意力，價格為 5.2 的十分之一，基準測試與實際應用均優於 5.2。

c. Flash 以匿名模型形式上線首日登上 OpenRouter 榜首並刷新當時 token 用量記錄，帶動平台整體調用量提升超過 20%。

3. 商業形態的三段式演進

a. 2025 年以前為本地化部署階段，客户購買的是需要被集成、被定製、被交付到自有環境的工具，疊加數據安全合規與自主可控要求。

b. 2025 年初進入 Coding 階段，模型從知識驅動轉向任務驅動；公司戰略性收縮本地化部署的軟件授權業務，轉向可調用、可擴展、可計量的智能服務。

c. 今年進入 Agent 與 Co-worker 並行階段，業務由賣調用走向賣訂閲與端到端任務結果。管理層的歸納是：模型每完成一次能力躍遷，客户購買的東西就離最終經濟價值近一步，收入結構隨之改寫一次。

4. 平台用户與客户質量

a. 截至 2026 年 8 月，MaaS 平台註冊用户數超過 740 萬，較年初增長 144%；付費日活用户數較年初增長 603%；按收入計的前十大用户，本月日均調用量較年初增長 98 倍。

b. 僅最近兩個月，憑藉 GLM-5.2、5.3 與 5.3 Flash，用户數由 6 月底的 580 萬增加 160 萬至 740 萬。

c. 按 ARR 口徑，年化貢獻超過 10 萬、50 萬、100 萬、1000 萬、2500 萬、2.5 億美元的用户羣組分別為 115 個、25 個、37 個、8 個、2 個、2 個。

5. 安全與治理

a. 做法是開源、開放與安全能力同步增長：通過開源權重、MaaS 平台、coding plan 與全球開發者網絡讓模型進入儘可能多的真實環境，同時以權限控制、過程監督、風險評估、漏洞披露與外部驗證建立可靠性。

b. 最敏感能力實現受控，開源前由第三方團隊獨立評估漏洞、經國家漏洞庫完成責任披露；分工原則是基準分數由公司自報、風險判斷交給外部團隊，不因能力提升而改變。

2.2 Q&A 問答

Q：公司在 coding 上的領先身位後續可以維持多長時間，會面臨哪些關鍵變量？

A：單點榜單領先都會被追平，要建立的是持續領先的能力。 管理層表示 coding benchmark 以周或月為單位更新，很快會被追平，且榜單本身存在噪聲，因此半年報中對 SOTA 的表述是"領先多久"不如問"持續領先的能力有多強"。

支撐證據是過去約 11 個月內模型家族從 4.6、4.7 到 5.1、5.2、5.3 連續完成多代迭代，能力曲線持續向上，同時單位任務成本維持在相對健康水平。

管理層同時説明，公司並不把 coding 視為一條收入增長快的產品線，而是技術邏輯上必須突破的卡點——沿 coding 往下走才能演進到 Agent、長程任務與 Co-worker。

Q：這套沉澱下來的模型能力打算如何遷移到 coding 以外的場景，落地路徑是什麼？

A：已在網絡安全驗證遷移成立，CyberGym 由 77.2 升至 84.5 分。 管理層解釋選擇 coding 入手，是因為它提供規模化、自動化、低成本的可驗證環境——代碼能否運行、測試是否通過、bug 是否修好都可客觀判斷。這對強化學習至關重要，而多數知識工作的難點恰恰是無法判斷做沒做對。

另一項 benchmark 由 5.2 的 24.4 分提升 30 個百分點至 54.4 分，且越需要完整長程規劃的任務，5.3 相對 5.2 的提升越明顯。

真實環境中，公司與多家國內安全團隊合作，在真實代碼庫累計發現並經專家篩選去重的漏洞達 2436 個，其中超過 1000 個為高危，覆蓋 269 個項目。

場景篩選標準有三條：智力門檻是否足夠高、能否被有效驗證、完成後是否有足夠經濟價值。法律、金融、數據分析也在嘗試，但可靠性門檻與驗證機制不同，商業化結構隨之不同。

Q：目前算力擴張的進度如何？

A：未給卡數口徑，主張改用"有效算力"與"算力乘數"衡量。 管理層稱算力供給是行業共性問題，公司今年沿健康節奏持續擴張，訓練側與推理側均在加大投入。

不用卡數衡量的理由是來源與用途均已多元：來源含自有集羣、租賃與服務採購，用途覆蓋預訓練、中訓練、後訓練與推理，不同代際與架構芯片效率差異極大，加總不反映真實能力。

內部關注的是多少算力已安裝、能穩定調度、長期運行並最終轉化為訓練進度與可計費 token。管理層認為要回答的不是有多少張卡，而是這些資源能支撐多快的模型迭代與多大規模的商業化 token 供給。

Q：現有算力資源能支撐多大規模的模型訓練和推理需求？

A：推理側已達 10 萬卡級國產芯片，訓練側仍是異構算力的結構性錯配。 10 萬卡級國產芯片集羣已實現規模化低成本推理，對應單位推理成本較年初下降 80%。

GLM-5.3 Flash 匿名上線時全面使用國產集羣供服務，六天約 60 萬億 token 的調用量對 OpenRouter 與 OpenCode 都是歷史級。管理層認為國產卡"能不能跑"已證明，深水區是驗證經濟性。

為此半年前起重做推理引擎與服務棧，含量化、PD 分離、layer split、緩存與通信優化，相同國產硬件下端到端性能較基線提升 3 倍。

訓練側是結構問題而非數量問題，對同構集羣的穩定性、網絡與軟件棧要求很高，而國內以異構算力為主。

管理層預計三到六個月內先進國產卡放量後改善；新一代基座訓練已在推進，算力配置優先保證關鍵訓練窗口，不會因推理放量就挪走全部資源。

Q：市場認為模型層最終會商品化、價值轉移到 harness 或 token 分發的編排層，是否認同？

A：認同單點領先不構成定價權，靠四件事維持，未來將出現兩條價格曲線。 四點是迭代速度、真實任務完成率、單位智能成本、客户工作流深度。

迭代速度上，11 個月連續六代，智能指數由 32 升至 60，旗艦單任務成本維持 0.2 美元量級，Flash 約 0.045 美元。單點分數可複製，但這條曲線更難複製。

任務完成率上，公開配置趨同會讓單題能力接近，但任務越長差異越大——連續數小時的工程任務需自己讀代碼庫、調工具、處理失敗並重新規劃交付。

價值密度上，同樣 100 萬 token 用於閒聊與修復生產漏洞，客户價值完全不同。

工作流深度上，客户圍繞模型積累 prompt、權限體系、評測標準與工程集成，切換成本上升。

驗證數據：API 平均售價提高約 101% 的同時調用量仍大增，前十大用户日均調用量較年初增 98 倍。

由此判斷同等級智能價格將持續下降，能打開新任務邊界的模型仍有溢價乃至提價空間。

Q：公司在海外的競爭與出海業務有哪些進展？

A：出海形態轉向開放平台與 API，預計 1–2 個月內有 CSP 合作進展。 管理層表示公司自 2025 年起已有規模意義的出海業務，早期以本地化部署形態的主權大模型項目為主，此前披露過的馬來西亞項目即屬該階段。

隨着業務主體轉向開放平台與 API，GLM-5.3 Flash 是新形態下的一次嘗試。管理層坦承中國模型整體在前沿能力上與海外頭部模型仍有一定差距。

但若綜合智能與成本兩個維度判斷最優，GLM-5.3 作為高階智能代表、5.3 Flash 作為普惠高性價比代表卡住了兩個生態位，半年報中的雙帕累托最優圖對此有説明。

後續將積極推進與海外 CSP 平台的合作，未來會考慮開源模型本地託管、收入分成等方式。

Q：下一代模型最核心的提升方向是什麼，參數規模、架構和訓練方式會有哪些變化？

A：繼續放大基座、以小激活實現深度推理、強化後訓練，終點是完全自訓練。 技術路線已收斂：此前投入過多模態、視頻與圖像生成研究，但發現對提升智能上界幫助不大，因此專注文本。

基座仍會繼續 scaling，做大以存儲並更好表示知識，抬高智能天花板。但激活參數不能簡單做大——激活過大會拖慢推理、抬高成本，導致難以普惠，因此方向是用不大的激活配合新方法實現更深度推理。

後訓練是公司自認的優勢項。管理層直言中國算力短期追不上美國頭部實驗室，必須依靠新的技術與工程方法；公司早在 2022 年 11 月 ChatGPT 發佈時即成立數百人數據標註團隊，本次 5.3 的效果躍升主要來自數據環境規模擴大了幾十倍。

更遠期目標是 fully self training（海外稱 RSI，遞歸自我改進），即模型從預訓練、中訓練到後訓練完全自己訓練自己。最大挑戰在於模型能否自行判斷何時停止、何時糾正自己。倫理與社會治理也會納入下一代考量。

Q：部分競品開始向更大參數推進，公司在參數上相對剋制的原因是什麼，後續規劃如何？

A：5.3 基座 7450 億參數、設計壽命半年以上，下一代參數不予披露。 管理層稱參數選擇是三者權衡：手上有多少資源、模型最終要做成什麼樣子、用户什麼時候能用上。

數據側，國內當前數據規模一般在 30T 到 50T 量級；在數據與算力都有限的前提下，參數做到多大才最優需要商榷。管理層同時指出公司現有資源尚未把上限打滿，因此單純堆參數不是最關鍵的事。

公司從年初起有清晰路線：一月份確定 5.3 基座為 7450 億參數時，就已決定這個基座要用半年以上，並據此排定 5.1、5.2、5.3 各自要做的事，以及配套的數據環境規模與園區規劃。

下一代同樣是很大的基座，但具體參數不予披露，其上做什麼樣的中訓練與後訓練仍在探討。管理層強調的原則是每個基座都要把能量放大到最大，同時每一代都要讓大家用得上——當前模型推理成本已優化到企業開源裝上就能真正用起來，下一代也已提前開始做推理優化。

<正文結束>

本文的風險披露與聲明：海豚研究免責聲明及一般披露