幣界網消息，分析師 max、for、ai 发文稱，國內大模型目前正進入一個「尷尬期」，核心挑戰集中在訓練算力、推理資源和商業定價三個方面。隨著國內廠商持續擴大模型規模，5t、8t甚至10t參數規模開始被討論，但訓練算力的增長速度可能難以跟上模型規模的擴張，算力正逐漸成為現實限制。阿里巴巴此前在雲栖大會上提到，未來可能訓練5t至10t參數規模的模型，kimi、glm 等廠商也在繼續推進大規模模型。在推理端，大模型訓練完成並不意味着能夠長期穩定地向大規模用戶提供服務。部分大模型上線初期運行速度較快，但隨後可能出現限速、排隊和額度收緊等情況，反映出推理算力仍是重要瓶頸。隨著模型規模擴大，每增加一個用戶額度都意味着更高的實際推理成本。此外，模型規模和推理成本上升也可能迫使廠商調整價格，而國內大模型此前的重要競爭優勢之一正是開源和性價比。