智譜正處於"能力兌現"的早期加速階段，短期需跟蹤Cowork場景商業化進度與下一代基座模型表現，中長期需觀察Self-training飛輪是否真正跑通。在全球AI競賽中，智譜已證明中國模型公司可以通過成本效率、後訓練深度和垂直場景滲透，走出一條差異化的商業化路徑。
一、業績會核心內容總結
1. 戰略定位：從"智能上界"到"能力兌現"
智譜將自身戰略演進劃分為明確階段。如果說2025年的關鍵詞是"智能上界"，2026年上半年的核心主題則是"能力兌現"——模型首次被證明不再只是工具，而是能夠獨立完成一項完整任務。
公司提出核心公式：AGI商業價值 = 智能上界 × Token消耗規模。智能上界決定任務邊界與單位Token價值密度；Token消耗規模反映智能被使用的廣度與深度。兩者相乘構成商業空間。
模型能力演進被定義為五個階梯式階段：
- Chat：交付一次性回答
- Coding：交付可運行程式碼（當前已驗證）
- Agent：交付執行完成的多步任務鏈（當前重心）
- Cowork：交付可由專業人士覆核的工作成果（正在打開）
- Autonomous AI：交付持續運行的能力（遠期目標）
每跨越一級存在具體技術門檻：Coding→Agent需長程規劃與錯誤恢復；Agent→Cowork需可靠性達專業人士覆核標準；Cowork→Autonomous AI需模型自主判斷結果正確性。
2. 技術與產品：GLM-5系列的迭代邏輯
GLM-5系列採用"同一基座+深度後訓練"的迭代策略。7450億參數基座在年初已完成訓練，通過在同架構上依次推進5.1、5.2、5.3及相應訓練環境，實現能力持續釋放而非簡單堆砌參數。
| GLM-5 | |||
| GLM-5.2 | |||
| GLM-5.3 | |||
| GLM-5.3 Flash |
關鍵驗證：GLM-5.3證明Scaling不只有參數維度，訓練深度（後訓練）是當前提升空間最大的因素。同時，GLM-5.3 Flash以匿名身份在OpenCode/OpenRouter接受真實呼叫檢驗，驗證了前沿智能也可進入普惠場景。
Coding能力向專業場景遷移：
- 網路安全：CyberGym得分84.5%（超過WABO5與GPT-5.6 SOLO）；ExploitGym完成130項任務。與多家安全團隊合作，累計發現漏洞約2,436個，其中超1,000個高危，覆蓋269個項目。
- 下一步遷移方向：資料分析、複雜自動化、法律、金融等高價值專業工作。
3. 財務表現：收入結構歷史性翻轉
核心財務資料（2026年上半年）：
- 總收入：9.54億元人民幣（1.42億美元），同比增長近400%
- 開放平台及API收入：8.25億元（1.23億美元），同比增長超27倍，佔總收入86.5%（去年同期僅15.2%）
- ARR（按8月收入年化）：16億美元；若按周數據年化口徑，已超20億美元
- 研發支出：21.3億元（3.17億美元）
- 期內虧損：20.72億元，同比減少12.1%，虧損率縮小4.7倍
- 經調整淨虧損：19.64億元，虧損率縮小3.5倍
關鍵經營指標：
- MaaS平台Token呼叫量較年初增長超40倍；CodingPlan呼叫量增長超23倍
- API平均定價提升約101%（量價齊升）
- 開放平台及API業務毛利率：從-0.4%提升至24.6%（同比提升25個百分點）
- 註冊使用者超740萬（較年初+144%）；付費日活較年初增長603%
- 前十大使用者日均呼叫量較年初增長98倍
- 高品質客戶（ARR>1000萬）達8個，其中超2.5億美元2個
單位經濟模型拐點：
- 經調整淨虧損（19.64億元）低於研發投入（21.3億元），表明業務貢獻的毛利潤在覆蓋管理費用和銷售費用後，已開始逐步反哺研發投入。
- 算力乘數（每1元算力投入對應的開放平台及API收入）較去年同期提升14倍。
4. 基礎設施與國產晶片："國芯推國模"取得突破
- 規模：已在約10萬卡級國產晶片叢集上實現規模化、低成本推理。
- 成本：單位Token推理成本較年初下降80%。
- 驗證：GLM-5.3 Flash匿名上線時，後台全面使用國產晶片叢集，6天內承接約60兆Token呼叫，在OpenRouter等平檯曆史級大流量下保持服務穩定。
- 效率：通過GLM-5.3驅動的Infra Agent自主最佳化，端到端服務性能相比初始基線提升約3倍，算子開發周期縮短一半。
- 意義：在全球算力供給緊張背景下，智譜已開始掌握自身的成本曲線，推理供給不再依賴單一進口管道。
5. 未來技術願景：Self-Training與遞迴式自我提升
智譜提出終極技術路徑——Fully Self-Training（完全自訓練），即模型能夠：
- 資料自產：通過model vs. model自我對弈，資料質量上限取決於模型自身驗證能力；
- 環境自造：研究智能體採集任務模式，裁判智能體驗證，環境自動合成；
- 基礎設施自最佳化：推理系統最佳化本質上是程式碼工程任務，由模型驅動的Infra Agent完成。
這三條線指向同一終局：模型參與自身改進，形成遞迴式自我提升（RSI）。下一代GLM將在上一代GLM搭建的環境中實現自訓練。
下一代基座模型已在訓練中，方向包括：
- 更大的有效規模
- 更長的原生上下文
- 原生多模態統一建模
- 通過Loop Transformer等方式增加推理深度
二、投資分析
1. 核心投資邏輯：模型能力驅動商業飛輪
智譜的業績會傳遞了一個清晰訊號：模型能力的代際水平是產品與商業邏輯的起點。2026年上半年收入結構的翻轉和量價齊升，驗證了"先有能力，再有生意"的邏輯。
飛輪已經形成：
智能突破 → 打開更高價值任務邊界 → Token呼叫量與定價雙升 →
收入與毛利改善 → 反哺算力與研發投入 → 智能上界進一步提升關鍵驗證點在於量價齊升：API價格提升101%的同時，呼叫量仍增長40倍，前十大客戶呼叫量增長98倍。這說明需求並非價格彈性驅動，而是模型能力提升後，客戶願意將更多真實高價值任務交給模型，並為更強能力付費。
2. 競爭壁壘：不是單點SOTA，而是持續迭代與成本效率
管理層對壁壘的認知非常清醒："任何單點領先都有時限，Coding benchmark第一可能以周或月為單位被追平。"
真正的長期壁壘體現在：
- 持續迭代能力：11個月內6次迭代，智能指數從32提升至60，同時單任務成本穩定在0.2美元檔位（Flash降至0.045美元）。
- 真實任務完成率：長時間、可執行、可驗證的真實任務會放大模型差異。模型進入客戶程式碼庫、工具鏈和工作流後，切換成本不再是API單價，而是積累的prompt、agent workflow、權限體系和工程整合。
- 成本自主權：10萬卡級國產晶片叢集+自研Infra最佳化，使智譜在全球算力緊張背景下掌握自身成本曲線，單位Token成本下降80%。
3. 商業模式升級：從賣工具到賣結果
收入結構變化反映了商業模式的三級跳：
- 第一階段（2025年前）：本地化部署，賣工具（需整合定製）；
- 第二階段（2025年起）：API/訂閱制CodingPlan，賣呼叫量（模型從知識驅動走向任務驅動）；
- 第三階段（2026年）：Agent/Cowork，賣端到端任務結果（模型承擔完整工作流）。
這一升級的核心意義在於：客戶購買的內容越來越接近最終經濟價值和結果，單位Token的價值密度持續提升。當模型從Coding走向Cowork，客戶購買標的將從Token轉向任務結果，定價權從"每百萬Token多少錢"轉向"完成一個漏洞修復/一次資料分析多少錢"。
4. 財務健康度：虧損縮小，單位經濟快速改善
- 毛利率轉正：API業務毛利率從-0.4%躍升至24.6%，且仍在提升通道。
- 虧損率大幅縮小：期內虧損率縮小4.7倍，經調整虧損率縮小3.5倍。
- 研發效率：經調整淨虧損已低於研發投入，說明業務毛利開始覆蓋管理/銷售費用後反哺研發，這是從"純投入期"向"商業化正循環"過渡的關鍵訊號。
- 客戶質量：超千萬美元ARR客戶已達8個，其中2個超2.5億美元，表明模型已切入大型企業核心工作流。
5. 風險因素
| 技術競爭 | ||
| 迭代持續性 | ||
| 算力約束 | ||
| 商業化廣度 | ||
| 治理與安全 |
6. 估值與前景展望
估值錨點：
- ARR口徑：16-20億美元（保守至激進口徑），作為AI基礎設施/模型層公司，海外可比公司（OpenAI、Anthropic等）通常以高倍數PS或收入增速定價。
- 收入增速：開放平台及API收入同比增長27倍，即使基數效應下增速回落，仍可能保持極高增長。
- 單位經濟拐點：毛利率轉正且快速提升，虧損率縮小，商業模式驗證進入加速期。
關鍵觀察指標：
- Cowork場景擴展速度：網路安全之外，法律、金融、資料分析何時形成規模化收入；
- 下一代基座模型進展：是否能在有效規模、長上下文、多模態統一上實現突破；
- 海外業務進展：未來1-2個月可能與海外CSP平台達成合作，是估值重估潛在催化劑；
- 國產晶片經濟性：能否在視訊記憶體、頻寬、長上下文約束下持續提升單位硬體產出；
- Self-training驗證：資料自產、環境自造、Infra自最佳化是否形成可量化的迭代加速。
三、投資總結
智譜2026年中期業績會展現了一家中國大模型公司從"技術投入期"邁向"商業兌現期"的關鍵轉折。
核心結論：
- 商業模式已驗證：收入結構從本地化部署（15%）翻轉至開放平台/API（86.5%），且API業務毛利率已轉正至24.6%，證明模型能力可直接轉化為可持續的商業價值。
- 量價齊升而非價格戰：價格提升101%同時呼叫量增長40倍，說明智譜具備定價權，其根源在於模型能力打開了更高價值的任務邊界（Coding→Agent→Cowork），客戶為結果付費而非僅為便宜付費。
- 技術路線清晰且差異化：不盲目追逐參數規模，而是通過"基座復用+後訓練深化"實現快速迭代（11個月6代）；同時以Coding為meta ability，向網路安全等專業場景遷移，形成可擴展的能力矩陣。
- 基礎設施自主可控：10萬卡級國產晶片叢集+Infra Agent自最佳化，使智譜在全球算力緊張背景下掌握成本曲線，單位Token成本下降80%，這是長期競爭的關鍵護城河。
- 遠期願景具備想像空間：Self-training（遞迴式自我提升）和Fully Self-Training代表了AI發展的終極形態之一，若能在下一代模型中驗證資料/環境/Infra的自主化，將打開非線性的價值增長空間。
建議關注：智譜正處於"能力兌現"的早期加速階段，短期需跟蹤Cowork場景商業化進度與下一代基座模型表現，中長期需觀察Self-training飛輪是否真正跑通。在全球AI競賽中，智譜已證明中國模型公司可以通過成本效率、後訓練深度和垂直場景滲透，走出一條差異化的商業化路徑。
智譜26H1 業績會全文
唐傑：
各位投資者、分析師，大家晚上好。非常感謝大家參加2026 年中期業績會。下面我簡要介紹智譜的基本情況、近期思考及未來技術佈局。大模型已發展近 10 年。自去年起，智譜意識到大模型正從“對話”轉向“做事”，並較早佈局，重點加強模型的 Coding 能力。去年年中，我們發佈了 GLM-4.5，這是首個在 Coding 能力上取得良好效果的模型。今年以來，我們陸續發佈 GLM-5.0、5.1、5.2 和 5.3，這些模型均在同一基礎上持續迭代。
首先，Scaling 是否意味著必須大幅增加參數？Scaling 是通向更高智能的關鍵路徑，但其本質並非簡單擴大參數規模。今年以來，我們在基座規模、後訓練和任務環境方面均大幅加強。在擴大參數規模的同時，還需要提升模型的有效深度，例如通過 Loop Transformer 讓模型在推理過程中思考得更深，我們近期也在推進相關工作。另一方面，後訓練仍有很大提升空間。因此，我們在 GLM-5.3 上投入了大量工作，顯著加強了後訓練。
同時，Coding 包含多種不同任務。強化各類 Coding 任務，能夠系統提升模型的整體能力。我們圍繞不同任務環境開展了大量工作，使 GLM-5.3 的效果顯著提升，達到 SOTA 水平和當前智能上界。
另一方面，模型不僅要能力強，還要讓使用者用得起、用得上。設計模型時，既要考慮模型規模和啟動參數，也要考慮推理及基礎設施效率，降低推理成本，才能讓技術更廣泛地普惠大眾。
因此，在設計GLM-5 系列時，我們重點加強了推理能力。面對輝達及多種國產晶片並存的算力環境，我們借助外部力量，並收購了一家推理技術公司，進一步強化推理能力，使 GLM-5.1、5.2 和 5.3 更易部署和使用。
目前模型用量較大，在OpenRouter 上的呼叫量一度位居第一。每次新模型發佈後，MaaS 平台呼叫量基本都能實現成倍增長。以上是我們今年整體佈局和進展的基本情況。
對於模型研發公司而言，核心仍是不斷提升智能上界，這也回到智譜最本質的願景。2019 年，我們為智譜確定了唯一願景：讓機器像人一樣思考。直到今天，我們仍在探索智能上界。探索上界並非只訓練模型，還要思考模型未來應具備怎樣的智能、能夠完成那些事情。圍繞下一階段的佈局，我們形成了多方面思考。
第一，今年初我們看到，Coding 已成為行業普遍認可的方向。我們進一步思考如何讓模型在 Coding 基礎上完成更多工。圍繞 GLM-5.1 和 5.2，我們提出 Long Horizon Task，希望模型執行更長程的任務；同時提出 Autonomous AI，即讓模型能夠自主完成一項任務。
具備上述能力後，模型還需要進一步發展。我們已經啟動模型完全自訓練的研究，希望模型能夠自主學習預訓練、中訓練和後訓練，並自主搭建Harness，使訓練過程逐步實現自主化。
大家可能已經注意到，在近期的推理最佳化中，尤其是GLM-5.3 發佈及國產晶片基礎設施最佳化過程中，我們已使用 Infra Agent。由 GLM-5.3 驅動的 Infra Agent 能夠自主修正國產晶片上的最佳化方案，顯著提升效果。未來，我們將繼續沿這一路徑發展並增強相關能力。
最後，在推動AI 普惠、讓更多人用得上的過程中，社會責任同樣重要。模型發佈和規模化使用需要完善的治理與安全機制。我們持續思考如何增強模型在社會治理、社會安全及倫理方面的能力，並已啟動相關研究。我們也希望投資者和分析師提出更多建議、給予更多支援，共同探索 AGI 高地和 AI 普惠路徑。
劉德兵：
接下來，我將對上半年的成果與思考作完整匯報。概括而言，如果去年我們的關鍵詞是“智能上界”，今年上半年的關鍵詞就是“能力兌現”。模型首次被證明不再只是工具，而是能夠獨立完成一項任務。收入結構隨之發生變化，優秀模型的商業價值開始規模化兌現。
第一部分是公司在戰略聚焦和模型發展方面的思考。首先，智能上界決定任務邊界，任務價值決定商業空間。今年3 月的年度業績會上，我們提出一個公式：AGI 商業價值 = 智能上界 × Token 消耗規模。智能上界決定模型能處理那些任務、單位 Token 能創造多少使用者價值；智能上界越高，模型就能處理價值密度更高的任務，每單位智能對應更多經濟產出。Token 消耗規模反映智能被使用的廣度和深度。同樣一個 Token，用於閒聊或修復生產環境漏洞，產出可能相差幾個數量級。因此，Token 落在何種價值密度的場景，取決於模型能夠打開怎樣的任務邊界；任務邊界每提升一級，市場空間就可能放大一個量級。
第二點思考是模型能力發展的五個階段。我們認為，大模型能力演進並非幾條並列的產品線，而是一條依次推進的階梯：Chat、Coding、Agent、Cowork、Autonomous AI。Chat 交付一次性回答，Coding 交付可運行程式碼，Agent 交付執行完成的多步任務鏈，Cowork 交付可由專業人士覆核的工作成果。
Autonomous AI 交付持續運行的能力。每向上一級，都存在具體的技術門檻；跨不過門檻，上一層商業模式就無法成立。從 Chat 到 Coding，門檻是結果可驗證；從 Coding 到 Agent，門檻是長程規劃與錯誤恢復；從 Agent 到 Cowork，門檻是可靠性達到專業人士願意覆核、無需推倒重做的水平；從 Cowork 到 Autonomous AI，門檻是模型能否自主判斷結果是否正確。報告期內，公司重心處於 Coding 至 Cowork 之間。公司已在網路安全、法律、金融、教育等領域開展嘗試，其中網路安全進展最快，其餘方向仍處早期，尚未形成規模化收入。
公司模型在CyberGym 上取得 84.5% 的成績，超過 WABO5 與 GPT-5.6 SOLO；在 ExploitGym 上完成 130 項任務，僅次於 WABO5 和 GPT-5.6。第三點是保持持續最優的模型迭代軌跡和 SOTA 水平。過去一年，行業對 SOTA 的理解正在被改寫：短期榜單領先不再是最重要的，真正值得關注的是誰能以更快節奏、更優成本，持續將更強模型推向市場。單點冠軍轉瞬即逝，持續最優才是一條不斷向上的軌跡。
GLM 系列在約 11 個月內完成六次迭代，智能指數從 32 提升至 60，單任務成本穩定在 0.2 美元檔位。GLM-5.3 Flash 更以 0.045 美元的單任務成本進入智能成本前沿。其中，GLM-5 以 Coding 為入口，打開長程智能，能力重點由程式碼生成延伸至系統理解、任務規劃、工具呼叫與工程互動，推動模型從 vibe coding 走向 agentic engineering。程式設計已成為公司收入的主要來源，Coding 中積累的長程任務能力也在網路安全等領域得到遷移驗證。
GLM-5.2 是面向長程任務的旗艦模型，支援真正可用的一兆上下文，實測可承載項目級工程上下文，長程任務執行更穩定、工程規範遵循更可靠，開發場景成功率進一步提升，一次任務即可完成從需求到多端可部署產物的完整開發鏈路。GLM-5.3 是智譜最新旗艦模型，複雜軟體工程和 Agent 任務能力全面進階。它使用與 GLM-5.2 相同的基礎模型，能力提升均來自後訓練，在複雜程式設計與長程任務方面表現更為出色。GLM-5.3 訓練進一步推進任務環境的規模化，使訓練任務不再侷限於傳統程式設計題，而是更接近專家在真實工作中承擔的完整專業工作單元。同架構、同總參數、同啟動參數，僅擴大後訓練規模，端到端完成率提升超過 50%。GLM-5.3 證明，Scaling 不只有參數這一項，訓練是當前提升空間最大的因素。
如果說GLM-5.3 代表當前能力上界，GLM-5.3 Flash 則代表成本前沿。面向高頻、大規模、成本敏感的呼叫，GLM-5.3 Flash 採用全新架構，專為降低成本設計，總參數 320B、啟動參數 18B，融合稀疏注意力與線性注意力，價格為 GLM-5.2 的 1/10，基準測試與實際應用表現均優於 GLM-5.2。發佈前，該模型以匿名模型 OX、Aux Offer 的身份在 OpenCode 和 OpenRouter 上接受真實呼叫檢驗；上線首日登頂 OpenRouter，並刷新單日 Token 用量紀錄。6 天呼叫總量超過 62 兆，帶動平台整體呼叫量提升超過 20%。
第四是“國芯推國模”的進展。自年初起，我們將國產晶片納入主力推理算力。GLM-5.3 Flash 是公司首次在超大規模真實流量中全面使用國產晶片叢集提供服務的模型。晶片之間通過自研高頻寬網際網路絡連接，整個推理引擎由 GLM-5.3 驅動的 Infer Agent 大幅加速，算子開發周期縮短一半。“模型最佳化系統、系統承載模型”的循環首次在公司內部跑通。
與同一硬體的初始基線相比，端到端服務性能提升3 倍。公司已實現 10 萬卡級國產晶片的規模化、低成本推理，單位 Token 推理成本較年初下降 80%。在全球算力供給持續緊張的背景下，這條路徑意味著我們已開始掌握自身的成本曲線。下面請肖磊介紹公司財務資料。
各位投資人朋友好。下面我介紹公司的財務業績和業務發展情況。2026 年上半年，公司總收入達到 9.54 億元人民幣，折合 1.42 億美元，同比增長接近 400%。比增速更值得關注的是收入構成的切換：開放平台及 API 業務收入為 8.25 億元人民幣，折合 1.23 億美元，較去年上半年增長超過 27 倍，佔總收入的比例由去年同期的 15.2%、去年年末的 26.3% 顯著提升至 86.5%。目前，智譜主要營收已基本由開放平台及 API 業務貢獻。近期發佈的 GLM-5.2、5.3 和 5.3 Flash，推動開放平台及 API 業務實現歷史性放量。
截至2026 年 8 月末，我們的 ARR 已達到 16 億美元。該 ARR 按月度收入年化計算，即以 8 月收入乘以 12。海外前沿模型公司和行業內還有一種更激進的演算法，即以最近一周資料乘以 52。考慮 GLM-5.3 的放量，若按該口徑計算，最新 ARR 已超過 20 億美元。相比 ARR 數字本身，其背後的驅動更為重要。今年以來，智譜收入實現了較為健康的量價齊升。截至 8 月末，MaaS 平台 Token 呼叫量較年初增長超過 40 倍，其中 CodingPlan 呼叫量增長超過 23 倍；API 平均定價提升約 101%。這表明平台收入的歷史性放量主要由模型能力驅動，而非完全依賴價格彈性。受益於量價提升，業務毛利率也大幅改善：開放平台及 API 業務毛利率由去年上半年的 -0.4% 提升至今年上半年的 24.6%，同比提升 25 個百分點，較去年全年的 18.9% 提升約 6 個百分點。
研發方面，我們繼續全力投入，因為模型領先是一切的前提。2026 年上半年，公司研發支出達到 21.3 億元人民幣，約合 3.17 億美元；期內虧損約 20.72 億元人民幣，同比減少 12.1%。期內虧損率較去年上半年縮小 4.7 倍。經調整淨虧損為 19.64 億元，經調整虧損率較去年上半年縮小 3.5 倍。可以明顯看到，在收入規模擴大的同時，單位經濟仍在快速改善。
尤其值得關注的是，今年上半年經調整淨虧損為19.64 億元，低於研發投入。這表明繼去年年報以來，業務貢獻的毛利潤在初步覆蓋管理費用和銷售費用後，已開始逐步反哺研發投入。
接下來是第三部分，我將從五個方面介紹財務數字背後的業務經營情況。第一，收入結構發生質變。2026 年上半年，開放平台及 API 業務收入佔比達到 86.5%。這並非主動設計的結果，而是模型能力提升帶來的自然演進。回顧公司業務發展歷程，我們從兩年前銷售本地化部署模型，逐步轉向 API 呼叫、訂閱制套餐，再到今天銷售端到端任務結果。隨著模型智能水平提升，新的場景和業務形態被依次解鎖。
隨著模型能夠獨立完成的任務越來越完整，客戶購買的內容越來越接近結果本身，收入計量單位也隨之改變。回顧2025 年以前的第一階段，公司主要發展本地化部署業務。彼時早期模型尚不足以獨立完成一項完整工作，使用者購買的是工具，工具需要整合、定製並交付到自有環境，同時還要滿足資料安全、合規和自主可控要求。因此，本地化部署是當時企業採用大模型的自然起點。
2025 年初以後，公司逐步進入第二階段，即 Coding 階段。這一階段的典型特徵是模型從知識驅動走向任務驅動。程式設計能力提升推動了 API 和訂閱制 CodingPlan 等產品快速增長。
在這一階段，公司戰略性收縮本地化部署模型的軟體授權業務，轉向持續提供可呼叫、可擴展、可量化的智能服務。今年以來，公司進入第三階段，即Agentic 與 Cowork 階段，業務由模型呼叫逐步走向任務交付。2026 年上半年，GLM 模型在 Agent 規劃、工具呼叫和持續執行長程任務方面繼續提升，業務也由 Coding 單點應用延伸至軟體工程、網路安全、資料分析、複雜自動化等高價值場景。業務模式從銷售呼叫量，進一步走向銷售訂閱和端到端任務結果。
面向未來，Cowork 正是公司正在打開的階段。模型連接企業資料、工具和業務系統，並嵌入採購、財務、客服、研發、IT 維運等多個環節，已具備從理解需求到執行任務的基礎。企業真實工作流又能反向成為模型學習的環境和資料。2026 年上半年報告期內，公司已在網路安全、法律、金融、教育等方向開展嘗試。
目前網路安全領域進展最快，其他方向仍處早期，尚未形成規模化收入。將本地化部署、Coding 和 Cowork 三個階段連起來看，核心邏輯是：模型每完成一次任務和能力躍遷，客戶購買的內容就更接近最終經濟價值和結果，公司收入結構也隨之改寫。以上是收入結構變化的根本原因。第二，Go-to-Market 策略進一步拓展。除模型在各類 Benchmark 上的得分外，行業越來越關注模型能否在智能和成本兩個維度實現帕累托最優。2026 年上半年，公司繼續深耕高價值任務場景，同時推出 GLM-5.3 Flash，希望證明前沿智能也能進入普惠場景。依託 10 萬卡級以上國產晶片叢集，公司已初步實現超大規模低成本推理。上月底，公司面向全量使用者開放 CodingPlan 訂閱，覆蓋 Light、Pro、Max 和團隊版本，這是國內較早以訂閱制交付程式設計智能體能力的大模型服務之一。除通過 API 滿足企業級需求外，我們也希望為中國開發者提供優質的訂閱制程式設計套餐產品。從高價值任務到前沿智能與普惠場景平行，從企業級服務到 API 與 CodingPlan 並舉，公司的 Go-to-Market 策略正向更深、更寬、更均衡的方向發展。
第三，我們首次詳細介紹MaaS 平台的使用者規模、使用深度和使用者質量。截至 2026 年 8 月，平台註冊使用者數已超過 740 萬，較年初增長 144%；付費日活使用者數較年初增長 603%。從收入角度看，前十大使用者本月日均呼叫量較年初增長 98 倍。這些資料層層遞進，表明我們已建構中國最大的獨立開發者平台之一，平台使用者總量仍在大基數上快速增長。過去兩個月，受 GLM-5.2、5.3 和 5.3 Flash 三款模型推動，使用者數從 6 月底的 580 萬增加 160 萬，達到 740 萬。
這表明，進入長程任務時代後，重度開發者使用者無論在規模還是使用深度上，對平台的日均呼叫均遠超此前vibe coding 階段的真實工作流。同時，平台高品質使用者群體持續擴大。截至 8 月末，按 ARR 口徑計算，年化貢獻超過 10 萬、50 萬、100 萬、1,000 萬、2,500 萬和 2.5 億美元的高品質使用者群組，分別達到 115 個、25 個、37 個、8 個、2 個和 2 個。以上是關於使用者規模、使用者畫像、使用深度和使用者質量的情況。
第四，我們介紹一個新概念——算力乘數。該概念近年來受到行業廣泛關注，反映大模型公司每投入 1 元算力所對應的開放平台及 API 收入，其中算力投入同時包括訓練側和推理側。公司今年的算力乘數較去年上半年提升 14 倍，表明算力供給效率得到顯著改善。
這條曲線的改善來自兩方面：一是單位Token 承載的智能不斷提高，單位任務消耗的 Token 和成本持續下降；二是每投入 1 元算力所獲得的收入不斷增加，意味著模型的自我造血能力持續增強。智能突破帶來更大的 Token 呼叫量和商業回報，回報再投入算力和研發，進一步抬升模型智能上界，這一飛輪已經初步轉動。
第五，安全能力與模型能力同步增長。模型能力要成為可依賴的服務，關鍵在於能否獲得真實世界的信任。我們始終堅持開源開放與安全能力同步發展。一方面，公司通過開源模型權重、MaaS 平台、CodingPlan 和全球開發者網路，讓模型進入儘可能多的真實環境；另一方面，通過權限控制、過程監督、風險評估、漏洞披露和外部驗證，建立能力的可核查性。以上是公司財務業績和業務發展情況。下面請智譜董事長劉德斌介紹未來展望。
2026 年上半年，我們驗證了模型能夠獨立完成一項完整工作。下一步是讓模型承擔完整業務。圍繞這一目標，我們形成了幾點判斷。第一，從模型任務看，模型正從長程任務向自治系統演進。當前前沿是數小時量級的工程任務，下一步將擴展至數天量級的完整互動，使模型在更長周期內保持目標一致，持續拆解任務、呼叫工具、與環境互動、修復錯誤並驗證結果；同時從單一 Agent 走向多 Agent 分工協作，由模型承擔完整業務流程，從輔助工作走向執行工作。這一步的門檻不完全在智能本身，更在於可靠性和可審計性。模型需要在無人逐步檢查的條件下工作，同時留下可覆核的痕跡。
第二，從能力演進看，Scaling 從未停止，仍是通向更高智能的主要路徑。沒有改變的是路徑，改變的是 Scaling 的對象。當前決定模型上限的是四個因素的組合：基座規模、有效深度、訓練深度和任務環境。四者的邊際收益不同，並會隨階段輪換。公司的資源分配，就是在不同階段判斷那個因素的當前回報最高。
GLM-5.3 證明，訓練深度是當前提升空間最大的因素。後訓練做到極致後，下一階段的增長必須回到基座。GLM-5.3 Flash 已通過新一代架構和 30 TG 多模態語料驗證效率。下一代基座模型已在訓練，方向包括更大的有效規模、更長的原生上下文，以及原生多模態統一建模。
第三，在系統層面實現self-training。更深層的變化發生在訓練系統內部，資料、環境和基礎設施都出現了由 AI 接管的早期跡象。資料開始自產，model vs. model 的自我對弈管線，使資料質量上限不再取決於人類標註速度，而取決於模型自身的驗證能力。環境開始製造：研究智能體採集任務模式，裁判智能體逐一試做，驗證器與環境自動合成，逐步成為流水線上的標準產品。基礎設施開始自我最佳化，推理系統最佳化本質上是程式碼工程任務，而這正是模型最擅長的能力領域。
這三條線指向同一終局：模型參與自身改進，形成遞迴式自我提升。這就是我們的技術願景——self-training。下一代 GLM 將在上一代 GLM 搭建的環境中實現自訓練。第四，邊界與治理。能力越強，越需要將評估和判斷交給外部。對模型能力的評估和風險判斷，最終必須由人裁量，並引入外部機構獨立評估。2026 年上半年，我們已在網路安全領域開展相關實踐。最敏感的能力實行受控開放；開源前，由第三方專業團隊獨立評估；漏洞通過國家漏洞庫完成責任披露；基準分數由公司報告。風險判斷交給外部團隊，這一分工不會因能力提升而改變，只會隨能力上移而加強。
最後，我想用一句話總結今天所有數字：模型能力的代際水平，是公司所有產品與商業邏輯的起點。從GLM 預訓練架構到悟道系列，再到今天的 GLM-5 系列，7 年來我們始終專注於一件事——訓練更強的模型。收入的每一次快速增長，都發生在模型能力提升、新任務場景被解鎖之後，而非之前。先有能力，再有生意。2026 年上半年收入結構的翻轉和量價齊升，已經驗證了這套邏輯。接下來，將由更大的使用者規模、商業規模和全球影響力繼續驗證。路還長，但方向篤定。謝謝大家。
Q：如何看待智譜在 Coding 能力上的領先，真正的長期壁壘是什麼？
A：任何單點領先都有時限，Coding benchmark 第一可能以周或月為單位被追平。比某一次榜單排名更重要的是持續迭代能力。
過去約11 個月，GLM 模型家族從 4.6、4.7、5.1、5.2 到 5.3 連續完成多代迭代，能力曲線持續上升，同時單位任務成本保持在相對健康的水平。
長期壁壘不是在每個benchmark 上永久領先，而是保持更快的模型迭代、更高的真實任務完成率、更低的單位智能成本，並持續進入更高價值的客戶工作流。
Q：為什麼選擇 Coding 作為模型能力突破的關鍵起點？
A：Coding 並非只被視作快速商業化的產品線，而是向 Agent、long-horizon task、複雜協同工作及 Fully Self-Training 演進的技術卡點。
複雜Coding Agent 需要同時完成需求理解、任務拆解、程式碼閱讀、工具呼叫、程式碼修改、測試運行、重新規劃和結果驗證，能夠系統訓練多步規劃、錯誤恢復和自我修正。
程式碼能否運行、測試是否通過、性能是否改善、bug 是否修復都可客觀驗證，因此 Coding 提供了規模化、自動化、低成本的強化學習反饋環境。
GLM-5.3 的訓練環境已從傳統 coding exercise 擴展到真實工程任務，部分任務工作量相當於資深工程師連續工作數天。
Q：Coding 能力如何遷移到網路安全及其他專業場景？
A：網路安全需要理解程式碼、發現異常、呼叫工具驗證、建立多階段攻擊與防禦流程，並根據環境反饋調整方案，底層能力與複雜 Coding Agent 高度一致。
CyberGym 上，GLM-5.2 得分約 77.2，GLM-5.3 提升至 84.5；ExploitBench 從約 24.4 提升到 54.4，越接近完整 exploitation chain、越需要長程規劃的任務，提升越明顯。
自GLM-5.2 以來，與多家國內安全團隊在真實程式碼庫中合作，累計發現並經過專家篩選去重的漏洞約 2,436 個，其中超過 1,000 個為高危漏洞，覆蓋 269 個項目。
下一步會把Coding 訓練出的長程規劃、工具呼叫和錯誤恢復能力繼續遷移到資料分析、複雜自動化、法律、金融等高價值專業工作。
Q：智譜選擇 Cowork 場景的標準是什麼？
A：Cowork 不是簡單的日常辦公輔助，而是對專業領域真實、複雜工作流的承擔或替代。
場景選擇有三項標準：任務具備足夠高的智力門檻；結果能夠被有效驗證；完成任務能創造足夠高的經濟價值。
網路安全是當前驗證最清晰的方向。法律、金融、資料分析等也在嘗試，但由於可靠性門檻和驗證機制不同，商業化節奏會有差異。
如果每一代模型都能完成更長、更完整、更專業的工作，Coding 就會成為一種 meta ability，公司可服務的高價值任務邊界也會持續擴張。
Q：當前算力擴張進度和算力資源結構如何？
A：今年以來算力持續按照健康節奏擴張，訓練側和推理側都在增加投入。算力來源包括自有叢集、算力租賃和算力服務採購，用途覆蓋預訓練、mid-training、post-training 和生產推理。
不同代際、不同架構晶片形成多元異構環境，訓練效率和推理吞吐差異較大，簡單統計卡數量已經無法精準反映算力供給和Infra 能力。
內部更關注有效算力，即已經安裝、能夠穩定調度、可以長期運行，並最終轉化為模型訓練進度或可計費token 的算力。
衡量大模型公司算力能力的核心，不是擁有多少張卡，而是資源能夠支援多快的模型迭代，以及多大規模的商業化token 供給。
Q：國產晶片在智譜推理業務中的使用規模和表現如何？
A：截至上半年，已經在約 10 萬卡規模上實現國產晶片的規模化低成本推理，推理供給不會把進口卡或國內卡的單一管道作為唯一路徑。
GLM-5.3 Flash 匿名上線時，後台全面使用國產晶片叢集提供服務。約 6 天內承接了約 60 兆 token 呼叫，在 OpenRouter、OpenCode 等平台的歷史級大流量下保持了良好服務。
國產加速卡和推理卡能否運行已得到驗證，下一階段的重點轉向經濟性：如何在視訊記憶體容量、頻寬、長上下文等約束下提高單位硬體產出的有效token。
Q：Infra 最佳化對國產晶片推理效率帶來了多大提升？
A：公司從半年前開始執行 all in Infra 策略，並針對 GLM-5.3 重做推理引擎和服務棧。最佳化涵蓋 encode/decode、prefill-decode 分離、量化、layer split、快取與通訊等環節。
在相同國產硬體和算力基礎上，整體端到端服務性能相比初始基線提升約3 倍。
面對有限和複雜的算力供給，通過模型與Infra 協同最佳化提高效率，比單純擴張硬體來源更加本質。下一階段主要矛盾是把每一單位物理算力轉化為更多智能、有效 token 和商業價值。
Q：訓練側算力面臨什麼結構性問題，未來會如何改善？
A：前沿模型訓練不僅需要算力數量，更需要大規模同構叢集的穩定性、網路通訊、軟體棧和長期運行能力。
國內現階段仍以異構算力為主，先進國產卡尚未完全進入大規模放量階段，形成一定結構性錯配。
未來約3-6 個月，先進國產晶片廠商可能迎來放量，異構平行環境有望明顯改善。
基座模型訓練已經推進，算力配置會優先保障關鍵訓練窗口，不會因為推理需求快速放量而把所有資源都轉向推理。
Q：模型層是否面臨商品化風險，智譜如何建立定價權？
A：單點 SOTA 無法形成長期定價權，公開 benchmark 和短任務能力會逐漸趨同；但長時間、可執行、可驗證的真實任務會放大模型之間的差異。
過去約11 個月，GLM 在 Artificial Analysis 的智能指數從 32 提升到 60，旗艦模型單任務成本基本維持在約 0.2 美元；GLM-5.3 Flash 進一步降至約 0.045 美元。
定價權取決於token 能完成什麼任務。100 萬 token 用於閒聊與用於完成工程項目、修復生產系統漏洞，對客戶創造的價值完全不同。模型從 Coding 走向 Agent、Cowork 後，客戶購買的會逐漸從 token 轉向任務結果。
模型進入客戶程式碼庫、工具鏈、內部資料和工作流程後，客戶會圍繞其積累prompt、agent workflow、權限體系、評測標準和工程整合，切換成本不再只是 API 單價。
Q：商業資料是否已經驗證能力提升可以支撐提價？
A：上半年 API 平均售價提高約 101%，同時 token 呼叫量仍大幅增加；按收入計，前十大客戶的日均呼叫量較年初增長約 98 倍。
價格提高而核心客戶使用更深，說明客戶並非只因模型便宜而使用，而是在能力提升後願意把更多真實任務交給模型，並為更強能力付費。
行業未來可能形成兩條價格曲線：同等智能水平的價格持續下降；能夠打開新任務邊界、顯著提升成功率的frontier model 仍可能獲得溢價甚至進一步提價。
Q：海外業務目前處於什麼階段，未來如何拓展？
A：從 2025 年開始已經形成一定規模的海外業務。早期以本地化部署和主權大模型項目為主，馬來西亞的 Matrix 大模型項目是較早的出海嘗試。
隨著業務形態變化，海外業務重心已轉向開放平台和API。GLM-5.3 代表較高階智能，GLM-5.3 Flash 代表普惠和高性價比，在高價值任務層和普惠層分別佔據生態位。
正在積極推進與海外CSP 平台合作，未來會通過開源模型、本地託管、收入分成等方式拓展海外市場，預計未來 1-2 個月可能披露進一步進展。
中國模型與海外最頭部模型仍有差距，但綜合能力和成本形成的帕累托最優，能夠成為海外競爭的重要切入點。
Q：下一代 GLM 模型最核心的提升方向是什麼？
A：Scaling 從未停止，目標仍是提高智能上界。過去曾投入多模態、圖像和視訊生成研究，但這些方向對智能上限提升的幫助有限，因此重心轉向文字，以及文字與多模態相互增強的模型形態。
模型能力正從回答知識問題轉向完成事情，研究重心也從基礎問答逐步轉向Coding 和 Cowork。下一代模型仍會沿這一方向推進。
基座模型會繼續擴大，以更好記憶體和表示知識；同時通過較小啟動結合loop 等方式增加推理深度，避免幾 T 規模模型因啟動參數過大而導致速度過慢、成本過高。
除scaling 基座外，post-training 會顯著加強，通過技術和工程方法彌補國內算力與 OpenAI、Anthropic 等海外廠商的差距。
Q：資料環境和後訓練為什麼是 GLM-5.3 提升的重要來源？
A：智譜在 2022 年 ChatGPT 發佈前後即成立了數百人的資料標註團隊，長期投入資料和訓練環境建設。
GLM-5.3 相比 GLM-5.2 提升明顯，一個重要原因是資料環境規模擴大了數十倍。未來還會繼續 scaling 資料和環境。
網際網路新增文字資料逐漸減少，合成資料佔比提高，因此除了擴大基座參數，更需要建設可驗證的資料環境和真實任務環境，讓模型在post-training 中持續獲得有效反饋。
Q：GLM-6.0 所設想的 Fully Self-Training 是什麼？
A：Fully Self-Training 對應具有自進化能力的模型，在海外也常被稱為 RSI。目標是讓模型從 pre-training、mid-training 到 post-training 都能更多自主訓練和自我演進。
最大挑戰不是簡單把模型訓大或持續訓練，而是讓模型能夠判斷自己、知道何時停止，並在出錯時自主糾正。
Fully Self-Training 會成為未來模型的重要研究方向，同時會把倫理和社會治理納入模型演進過程。
Q：為什麼當前在參數規模上相對克制？
A：模型規模選擇需要綜合資源、模型目標和使用者何時能真正使用。國內可用訓練資料規模通常約為 30-50T token，在這一資料規模下，按照 scaling law 盲目訓練特別大的模型，邊際收益未必足夠高。
國內算力有限，且mid-training 和 post-training 的潛力尚未完全釋放，簡單擴大參數並非當前最關鍵的投入方向。
GLM-5.3 的 7450 億參數基座在年初已完成訓練，並從一開始就規劃復用半年以上，在同一基座上依次推進 5.1、5.2、5.3，以及相應的 SFT、mid-training 和 post-training 環境建設。
基本思路是把每個基座模型的能力釋放到最大，同時把推理成本最佳化到使用者真正能夠大規模使用的水平，而不是只追求一個大但無法部署的模型。
Q：下一代基座模型和推理部署如何規劃？
A：下一代大基座模型已經在推進，具體參數尚未披露；在新基座之上還會系統規劃 mid-training 和 post-training。
推理預研已經提前開始，目標是下一代模型發佈第一天即可支援使用者滿量使用，而不是發佈後再長期等待工程適配。
模型開源後能夠被企業直接安裝和使用，同時公司自身也能通過低推理成本支撐大規模呼叫，仍是下一代模型的重要設計約束。 (invest wallstreet)