国产算力已经把"万亿参数"从口号变成三笔可以各自核对的账，普通人用 AI 确实正在变得更便宜、部分场景更快——但降价和提速的实际推手是推理效率与市场竞争，不是"万亿"标签本身；限流、额度这些新问题，反而比参数规模更直接地影响今天的使用体验。
10 月 22 日，科大讯飞在 1024 开发者节发布星火 X2.6，刘庆峰在会上表态"只有星火一家是用全国产算力训练的，其他全是在 N 卡上训练"。 早在今年 6 月 30 日，美团 LongCat-2.0 已经让同样的问题有了第一个公开答案：1.6 万亿参数模型，全流程在五万张国产算力卡上跑通。 10 月 28 日，摩尔线程又开源了面向万卡级集群的万亿参数 MoE 模型训练底座 Megatron-MUSA-Titan。 四个月内三个独立落点，意味着"万亿参数模型靠国产算力训练"已经过了单点验证阶段，成了平台级事实。邬话不说微博摩尔线程
先把三笔"万亿账"分开，很多文章混在了一起
美团 LongCat-2.0（6 月 30 日发布并开源）是三笔账里最硬的一笔：自研 MoE 混合专家架构，总参数 1.6 万亿，每 token 激活约 48B 参数，原生支持 1M 超长上下文。 支撑这个规模的是工程细节：LongCat 团队后来披露，其万卡国产集群最终实现稳态日吞吐超过 1T tokens，完成万亿参数 MoE 模型在国产算力上的稳定训练。 "国产算力能不能训出万亿模型"这个问题，7 月就有了肯定答案。微博知乎
讯飞 X2.6（10 月 22 日）经常被误写成"万亿参数模型"，其实不是：它的云端基座是 293B 总参数、30B 激活的 MoE 模型，端侧另有 4B 模型并已开源。智东西
真正和"万亿"有关的是发布会给出的训练能力示例——在国产"飞星二号"万卡智算平台上，以 256K 序列长度做 2000B（万亿级）规模的训练，用时从 4.5 个月压缩到 1.2 个月。 这一笔证明的是国产算力平台接得住万亿规模的训练任务，而不是讯飞发布了一个万亿模型。智东西
摩尔线程那笔账则落在工具链上：官方称该项目已在其万卡级集群的万亿参数 MoE 模型预训练中持续应用，实现高 MFU 与长稳训练，本次是把这套能力连同 blockwise FP8、MoE 通信优化、激活卸载一起开放给社区。摩尔线程
还有一个常见错误要单独纠：刚发布的 Kimi K3.1 Pro 被官方称为公司迄今能力最强的 3 万亿级参数模型，支持 100 万 token 上下文，完整权重将在 11 月 4 日前开源。 但月之暗面没有公开它的训练算力底座，不能把这条消息算进"国产算力"的成绩单——它证明的是国产模型重回能力旗舰局，两件事不该互相借势。知乎
万亿训练怎么变成你账单上的便宜
训练侧的新闻传导到用户端，中间隔着一条明确的链路：国产算力供给扩张、工程效率优化，压低每个 token 的成本，厂商再把成本优势让成定价。这条链上的每一环，这半个月都有实据。
推理效率是最直接的一环。X2.6 用首个全国产硬件的四层 KV Cache 架构，把飞星二号国产芯片的推理效率做到优化前的 4.5 倍，KV Cache 命中率从 63% 提到 95.7%。 KV Cache 通俗说就是"算过的不重算"：长文档反复提问、多轮对话这类场景里，命中率每高一分，服务成本就低一分。智东西
省下来的钱直接进了标价：X2.6 云端模型输入 0.9 元/百万 tokens，输入缓存命中价 0.08 元，输出 3.6 元。智东西
供给结构也在同步变化。据 IDC 最新数据，2026 年上半年英伟达在中国数据中心 AI 加速器市场的份额降至 34%、出货 67.8 万颗同比下降 44%，华为以 28%、57.2 万颗紧随其后，上年同期还只有 30 余万颗。 算力不再只有单一渠道可买，模型厂商的议价空间和备货底气都变厚了，这层的价值在于价格战的弹药从哪来。芯东西
价格战已经能在用量上看出来。DeepSeek 新版单周调用量登顶全球第一、环比暴增 801%，据 OpenRouter 数据测算，上周全球大模型周调用量达 188 万亿 token，其中中国模型合计 93.54 万亿、约为美国（22.47 万亿）的四倍。 美团还把新一代 LongCat-2.5 预览版放进开源编程工具，供开发者免费使用。微博知乎
"更快"发生了一半，新瓶颈在别处
速度层面确实有可感知的变化：Kimi 同步推出智能水平相当、输出速度约为标准版 2 到 3 倍的高速版模型；讯飞端侧的 4B 开源模型，让一部分任务根本不用出门找云端。知乎
但模型快不等于你随时用得上。10 月 26 日凌晨，月之暗面就会员使用 K3.1 Pro 时出现的限流和不必要的额度消耗公开致歉，承认问题出在自身，并随致歉发放补偿。 新模型发布首周挤爆容量、额度消耗快于预期，正在成为比"聪不聪明"更普遍的抱怨。行业的成本天花板也还明摆着：亚马逊 CEO 安迪·贾西 10 月 24 日表示，要让 AI 广泛应用于企业软件，推理成本还需要降到目前的约十分之一。 国产算力把"能不能训"解决了，"够不够便宜地养住所有人同时用"还在路上。微博知乎
普通人的三个实用判断
第一，别为"万亿"两个字换模型。万亿级模型走的全是 MoE 稀疏激活路线，每次生成实际参与的参数只有几十亿，你日常感受到的能力来自后训练和任务匹配度；参数规模是厂商的宣传维度，不是你的体验维度。
第二，看账单要看两层：标价和缓存命中价。0.08 元/百万 tokens 这类命中价对长文档分析、反复修改的多轮任务是真便宜；一次性提问、短对话享受不到，实际花费仍接近未命中价。讯飞在发布会材料里把 X2.6 与对手直接对标：其未命中输入与输出价格低于 DeepSeek-V4.1-Flash。 选型前拿自己的真实任务跑一遍，比看任何一张海报都靠谱。智东西
第三，把限流条款当作和价格同级的选型项。订阅前看清额度规则和高峰限流历史——Kimi 刚为此道过歉；免费的预览窗口适合试能力边界，不适合托付重要任务。
这轮国产算力支撑万亿训练的真正含义，不是给用户发了一个"更快更便宜"的自动兑现承诺，而是供给端第一次不再被单一芯片渠道卡住：训练接得住万亿规模，推理端有 4 倍级的效率改善，价格才有了持续下探的空间。便宜已经在发生，速度部分到位，接下来决定体验的，是各家怎么把挤爆的容量和额度消化掉。
