美國科技企業悄然轉向中國AI模型，Coinbase帶頭用上GLM與Kimi

美國科技企業正在悄然將中國開源AI模型納入生產基礎設施。隨著頂尖美國模型服務成本持續攀升，以Coinbase為代表的企業開始以中國開源模型作為默認選項，以此在不壓制使用量的前提下大幅壓縮AI開支。

Coinbase首席執行官Brian Armstrong於上週五晚間在X平台發文披露，公司已將智譜旗下剛剛發布的GLM 5.2以及北京月之暗面旗下的Kimi 2.7，通過內部LLM網關設定為工程師的默認模型。Armstrong表示，在結合路由優化與緩存改進等措施後，Coinbase的AI支出已削減"近一半"，而token使用量仍在以指數級增速增長。

中國開源模型成本優勢被擺上台面

Armstrong在帖子中明確指出，91%的工程師從未觸及原有的使用上限，因此Coinbase並未選擇降低上限或增設消費提醒，而是轉向"更便宜的默認模型"。

GLM 5.2來自智譜，Kimi 2.7來自北京月之暗面，二者均屬開源權重模型。Armstrong表示，這些模型被部署於常規任務場景，而對於需要複雜規劃的任務，工程師仍可選用前沿模型。他的邏輯是：在執行層面使用頂級模型往往是"大材小用"。

代碼審查環節則採用多模型並行策略，讓不同模型相互校驗輸出結果，以維持質量標準。

三層基礎設施重構驅動成本削減

Armstrong列出了三項核心手段。

第一是智能路由：在自定義調度框架中，系統對提示詞進行預處理，綜合緩存命中率與模型定價，將任務自動分發至最合適、最經濟的模型。他表示，最終目標是讓AI而非人工來完成模型選擇這一任務。

第二是積極緩存：Coinbase要求所有請求具備緩存感知能力，盡量複用已有緩存。以LibreChat為例，在正確實施緩存機制後，緩存命中率從5%躍升至60%。

第三是精簡上下文：Armstrong建議在切換任務時開啟新會話，縮小文件上下文範圍，斷開未使用的工具連接。他強調，目標不是減少token使用總量，而是減少"被浪費的token"。

效率優先，而非壓制使用

Armstrong將此次成本壓縮定性為擴大AI採用規模的前提條件，而非一種限制。他表示，工程師仍可自由使用任意數量的token和任意模型，但公司已將用量數據可視化，並將使用量與業務影響掛鉤——"花得越多，我們期望的影響也越大"。

他並未披露具體的絕對支出數字。但從結構上看，在使用量指數增長的同時實現支出近半削減，意味著Coinbase已在一定程度上實現了消耗與成本的解耦。

Armstrong的結論是，這套方法論具有普適性，任何企業均可借鑑，以便在不將成本設為天花板的前提下，實現AI使用規模的可持續擴張。

風險提示及免責條款

        市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。