7 月 18 日，Dragonfly 合伙人 Haseeb Qureshi 在 X 上用“倾销经济学”分析中国开源权重模型，引发了硅谷关于价格、竞争和国家战略的新一轮争论。争议的核心不是模型能不能免费下载，而是一个更难回答的问题：当模型权重以极低价格进入全球市场时，这究竟是正常的技术扩散，还是以短期低价换取长期市场控制力？
“免费权重”不等于零成本
讨论开源权重模型时，最容易混淆三个概念：权重价格、推理成本和系统总成本。
模型权重可以免费发布，但运行模型仍需要 GPU、机房、电力、运维和工程团队。企业还要承担模型评测、安全审查、版本升级、数据治理以及故障恢复等成本。因此，低价或免费的权重并不能直接证明存在经济学意义上的倾销。
传统贸易语境中的倾销通常需要回答几个问题：
- 产品是否以低于正常价值或生产成本的价格进入某个市场？
- 低价是否持续依赖补贴、交叉补贴或其他非市场资源？
- 提供者是否有能力在竞争者退出后提高价格或改变许可条件？
- 这种行为是否对当地产业造成了可识别的实质损害？
将这套框架套到模型上并不简单。权重文件不是钢铁或光伏组件：复制一个文件的边际成本接近零，训练成本却高度集中在首个版本；开源发布还能换来开发者采用、生态贡献、品牌影响力和云服务收入。一个厂商免费发布权重，可能是在出售托管服务，也可能是在建立事实标准，不能仅凭下载价格判断其动机。
真正的竞争发生在模型之外
开源权重降低了模型层的进入门槛，但企业最终采购的是一整套可运行系统。竞争至少会沿着四条线展开。
推理基础设施。 同一个模型在不同 GPU、量化格式和批处理策略下，单位 token 成本可能相差很大。权重免费不代表部署便宜。
开发者生态。 推理框架、微调工具、模型格式、评测集和社区文档决定了迁移成本。某个模型一旦进入大量应用，围绕它形成的接口和工具可能比权重本身更有防御力。
分发渠道。 云平台、模型市场、API 聚合器和终端设备控制着模型如何抵达用户。开放权重提供了部署自由，但算力和流量入口仍可能集中。
合规与信任。 企业需要明确模型许可、数据处理方式、内容安全边界和供应链来源。便宜模型如果无法通过审计，实际商业价值会大幅下降。
因此，“中国模型是否在倾销”不应被简化成一次基准测试或一张 API 价格表。更有用的做法是观察长期行为：价格由什么补贴、许可是否稳定、生态是否允许替换、部署是否绑定特定云服务，以及供应商能否在用户形成依赖后改变条件。
可以这样实践：计算三年真实成本
下面是一个可直接运行的 Python 小工具，用于比较自托管开源权重模型与托管 API 的三年成本。数字只是演示假设，不代表任何具体厂商或模型；运行前应替换为自己的流量、硬件报价和人员成本。
将代码保存为 model_tco.py，使用 Python 3.10 或更高版本运行：
from dataclasses import dataclass
@dataclass
class Workload:
monthly_input_tokens: float
monthly_output_tokens: float
years: int = 3
@dataclass
class HostedAPI:
input_per_million: float
output_per_million: float
annual_integration_cost: float
def total_cost(self, workload: Workload) -> float:
months = workload.years * 12
usage = months * (
workload.monthly_input_tokens / 1_000_000 * self.input_per_million
+ workload.monthly_output_tokens / 1_000_000 * self.output_per_million
)
return usage + workload.years * self.annual_integration_cost
@dataclass
class SelfHosted:
gpu_count: int
gpu_hourly_cost: float
utilization: float
annual_engineering_cost: float
one_time_migration_cost: float
def total_cost(self, workload: Workload) -> float:
hours = workload.years * 365 * 24
infrastructure = (
self.gpu_count * self.gpu_hourly_cost * hours * self.utilization
)
operations = workload.years * self.annual_engineering_cost
return infrastructure + operations + self.one_time_migration_cost
workload = Workload(
monthly_input_tokens=2_000_000_000,
monthly_output_tokens=500_000_000,
)
api = HostedAPI(
input_per_million=0.80,
output_per_million=2.40,
annual_integration_cost=25_000,
)
open_weights = SelfHosted(
gpu_count=8,
gpu_hourly_cost=2.50,
utilization=0.65,
annual_engineering_cost=180_000,
one_time_migration_cost=60_000,
)
api_cost = api.total_cost(workload)
self_hosted_cost = open_weights.total_cost(workload)
print(f"Hosted API, 3-year TCO: ${api_cost:,.0f}")
print(f"Open weights, 3-year TCO: ${self_hosted_cost:,.0f}")
print(f"Difference: ${self_hosted_cost - api_cost:,.0f}")
这个模型故意保持简单，但已经能暴露几个关键事实：
- 低流量业务通常难以摊薄自托管的固定工程成本。
- 高流量并不必然让自托管胜出，GPU 利用率和输出长度会显著改变结果。
- API 降价、硬件折旧、量化带来的吞吐提升都应进入敏感性分析。
- 迁移成本不能忽略，否则会低估生态锁定的力量。
要评估所谓“低价竞争”是否可持续，可以分别把 API 单价、GPU 小时价格和人员成本上下调整 20% 到 50%，观察结论是否反转。如果一个方案只有在极端乐观参数下才便宜，它就不适合作为长期战略依据。
不要把国家标签当作技术评测
模型来源会影响出口管制、采购政策和供应链风险，但国别不能替代逐项审查。企业至少应记录以下信息：
- 权重许可是否允许商业部署、修改、再分发和蒸馏。
- 推理组件是否包含闭源服务、远程代码或特定云平台依赖。
- 模型升级后，接口、输出质量和安全行为是否保持兼容。
- 供应商停止维护时，团队能否继续运行现有版本。
- 数据是否会离开企业控制边界，日志由谁保存。
- 在业务自己的任务集上，质量、延迟和拒答率是否达到要求。
“倾销”是一个带有明确因果要求的经济与政策判断，不应仅作为描述“价格很低”的修辞。中国开源权重模型确实可能改变全球 AI 的价格基准和竞争结构，但开放发布也可能产生更广泛的公共技术收益。判断两者之间的边界，需要成本数据、补贴证据、市场损害和长期控制力，而不是根据一次发布或某位高管的一句话直接下结论。
采用前的决策顺序
对工程团队而言，最稳妥的顺序是先测能力，再算总成本，然后审查可替换性和政策风险。不要因为权重免费就跳过运维预算，也不要因为地缘争议就跳过实际评测。
采购决策可以设置三个硬门槛：模型在内部测试集上达到质量要求；三年总成本在悲观参数下仍可接受；发生许可变化、服务中断或监管调整时，团队拥有可执行的迁移方案。满足这三个条件，比争论某个模型是否应该被贴上“倾销”标签更能保护真实业务。