中国互联网：AI 推理利润率补充说明及 DeepSeek-V4 与 hy3-preview 观察

摘要： 本报告更新了中国 AI 实验室的 token 经济学框架，重点分析推理利润率的驱动因素，并对 DeepSeek-V4 及腾讯 hy3-preview 等最新模型进展进行点评。

行业主线：

1. 推理利润率驱动机制：推理利润率由每秒 token 吞吐量 (TPS)、GPU 成本及商业折扣共同决定。报告指出，通过量化、预取-解码分离等软硬件优化可显著提升 TPS，从而改善利润率。
2. 竞争格局分化：AI 模型市场正分化为“前沿智能”和“低成本骨干模型”两类。前沿模型有望维持一定的定价权，而轻量化低成本模型将面临剧烈的价格竞争。

关键变化与分歧：

1. DeepSeek-V4 的影响：DeepSeek-V4 以极低成本实现了接近全球 SOTA 的性能，且采取开源/开放权重策略，这将加速国内 AI 实验室的整体能力提升，但同时加剧了轻量级模型的价格战。
2. 腾讯 hy3-preview 观察：被视为向正确方向迈出的迟到一步，结果符合中庸预期，但尚未产生显著的“惊艳感”。未来的核心在于其 AI 数据和基础设施重构能否支撑更快的模型迭代。

受益方向与风险：

1. 受益方向：能够实现高效软硬件优化以提升 TPS 的厂商，以及在前沿智能领域保持绝对领先的头部平台。
2. 核心风险：模型端价格战导致推理利润率低于预期；基础设施迭代节奏缓慢；AI 应用层未能快速产生规模化商业价值。