文｜Alpha说 X
2022年夏天，中国大模型还没有迎来“百模大战”。
那一年，清华大学团队发布GLM-130B。1300亿参数，在当时已经是国内少有公开探索千亿参数规模的大模型项目。项目总负责人是清华大学计算机系教授唐杰，主要研发力量来自清华KEG实验室；与此同时，另一支清华团队也出现在技术贡献名单中，清华大学自然语言处理实验室的曾国洋、韩旭、赵威霖和刘知远，参与的技术又恰好与大模型高效推理有关。智谱AI则是项目的算力赞助方。
这是一个颇有意味的历史切片。
几年之后，唐杰作为联合创始人的智谱继续沿着GLM路线向前推进；刘知远、曾国洋则成为面壁智能的联合创始人，逐渐把公司的重心压向MiniCPM和端侧AI。
一边不断挑战更强的前沿模型、Coding和Agent能力，一边试图把同样的智能压进更少的参数、更有限的内存和手机、汽车等终端。
曾经参与同一个千亿参数模型项目的两支清华团队，最终走出了两条越来越不同的路。
如果一定要给这种分野找一个简单概括，可以说智谱更关注模型能力的上限，面壁更关注智能落地所需要的资源下限。
这也恰好折射出中国大模型过去几年始终存在的一道选择题：继续追逐更强的模型，还是先让足够强的模型变得更便宜、更容易部署？
01 1300亿参数里，其实已经埋着两条路
回头看GLM-130B，会发现今天的分叉并没有想象中突然。
2022年的GLM-130B首先是一场Scaling实验。
团队希望验证，一个1300亿参数的中英双语模型，能否达到甚至超过GPT-3 175B的部分能力。当时大模型竞争的逻辑仍然相当明确：参数、数据和算力共同推动模型性能向上。
这条路线后来被智谱延续下来。
从ChatGLM到GLM-4，再到GLM-4.5、GLM-5系列，智谱始终没有放弃对前沿基座模型能力的竞争。2025年发布的GLM-4.5采用MoE架构，总参数达到355B、激活参数32B，重点强化Agent、Reasoning和Coding；今年6月上线的GLM-5.2，又把1M上下文和长程Coding任务作为主要卖点。
但GLM-130B还有另一面：这么大的模型，怎么才能跑得动？
项目当时进行了INT4量化，希望让1300亿参数模型从昂贵的数据中心GPU进一步下沉到4张RTX 3090；BMInf也被整合进模型代码，通过CPU与GPU之间的权重调度降低显存需求。参与BMInf相关技术贡献的，正是刘知远、曾国洋所在的清华NLP团队。
换句话说，同一个1300亿参数模型里，其实已经存在两个问题：
一个是，模型还能不能更强？
另一个是，这么大的模型怎么才能更便宜地运行？
ChatGPT之后，前一个问题迅速成为行业主流；而面壁后来选择把第二个问题单独放大。
2024年2月，面壁发布MiniCPM。第一代模型只有1.2B和2.4B参数，研究重点已经十分明确：不再单纯讨论扩大模型规模，而是研究如何让更小的模型获得过去更大参数模型才能达到的能力。团队由此提出Model Wind Tunnel、WSD学习率策略等方法，希望提高模型训练和部署效率。
从这一刻开始，两条路线真正变得清晰。
02 智谱继续Scaling，面壁开始研究“模型制程”
今天的大模型已经很少有人单纯依靠堆参数提升性能。MoE、稀疏注意力、量化、训练效率优化，同样存在于智谱的技术体系里；智谱早在2024年11月就开源了GLM-Edge系列，包括1.5B和4B对话模型，以及5B参数的多模态视觉模型GLM-Edge-V-5B，并针对移动芯片进行了量化适配。
真正的差别，不是两家公司“做不做端侧”，而是把哪一端放在组织资源配置的第一优先级。
对智谱而言，目前主线仍然是首先保证基座模型达到足够高的能力，再围绕模型搭建API、Coding和Agent产品。
GLM-5.2的官方定位仍然是“旗舰基座模型”，重点强调Coding、1M上下文和长程任务；商业产品GLM Coding Plan则直接以订阅制向个人和企业开发团队提供模型能力。
这更接近过去几年主流大模型公司的发展方式：先做出更强的模型，再让更多应用和用户调用它。
面壁则把顺序部分倒了过来。它更早开始追问：终端究竟允许多大的模型存在，再反推模型应该怎样训练、量化和部署。
在面壁目前的官网上，“把大模型放到离用户最近的地方”已经成为最核心的公司描述，手机、AI PC、智能座舱、具身机器人和可穿戴设备都被列为主要方向。
模型参数量由此不仅是能力指标，也成为需要主动压缩的成本。
2025年的MiniCPM4已经把优化范围从模型架构扩大到训练数据、训练算法和推理系统，包括稀疏注意力InfLLM v2、UltraClean数据处理、ModelTunnel v2和自研推理系统CPM.cu，提供0.5B和8B两个版本。
刘知远团队后来又把这种趋势概括为“密度定律”。
2025年发表于《Nature Machine Intelligence》的论文统计了51个开源基座模型。按照论文定义的“能力密度”指标，头部模型的最大能力密度约每3.5个月翻倍——换言之，实现相近智能水平所需要的参数量正在快速下降。
这并不意味着“模型越小越好”。
它真正指向的是另一种Scaling：过去Scaling Law更关心增加算力、参数和数据之后，模型能力还能增长多少；
面壁更关心在相近能力水平下，参数、内存和计算成本还能下降多少。
如果把大模型比作芯片，智谱更像在不断追求更高性能，面壁研究的则更接近如何提高“制程”和能效。
03 技术路线不同，最后变成了两种赚钱方式
真正让这种分叉产生商业意义的，不是论文，而是两家公司正在形成不同的收入逻辑。
智谱最明显的一条商业主线仍然发生在云端。
开发者通过开放平台API调用GLM模型，企业和个人可以购买Coding Plan；模型进入第三方云平台后，又可以按照Token计费。
这里最重要的变量是模型调用量。
模型越强，能够完成的Coding、Agent和长程任务越复杂，就越有机会吸引开发者持续调用。这也是为什么智谱近年来不断把产品重心向Coding、Agent和复杂任务移动。
但智谱并非只做云端。AutoGLM Agent已经进入三星Galaxy S25系列，GLM-4V也曾与高通合作适配骁龙8至尊版生态；GLM-Edge系列则意味着智谱拥有明确的端侧技术储备。
只是从智谱目前披露的收入结构和产品重心来看，端侧尚未成为其商业化的主叙事。
面壁面对的则是另一套生意。
端侧模型不能只存在于API里，它必须真正塞进一块芯片、一辆车或者一部手机。
因此模型能力只是第一关，后面还有量化、NPU适配、内存、功耗、响应速度以及不同硬件平台之间的工程兼容。
今年7月，面壁宣布MiniCPM进入三星Galaxy Z Fold8和Z Fold8 Ultra，为Galaxy AI提供端侧文本理解和多模态感知能力。三星并没有把全部AI能力交给面壁，但这至少意味着MiniCPM已经从Benchmark进一步进入头部消费电子产品供应链。
图源：面壁智能公众号
汽车上的商业模式更加典型。
面壁已经把SuperMate做成完整的端侧智能座舱方案，并增加Agent、全模态交互和多芯片适配能力。公开信息显示，SuperMate已经在吉利、长安马自达等车型实现量产交付。
面壁此前披露，其端侧商业模式主要包括NRE工程开发费加License授权费：前期帮助车企完成模型适配，车型量产后再按照设备授权收费；此外还在尝试软硬一体AI Box等模式。
这意味着两家公司逐渐需要证明两件完全不同的事情。
智谱需要回答的是，中国大模型公司能不能持续做出接近全球前沿的模型，并把模型能力转换成足够大的Token、Coding和Agent收入。
面壁则需要证明，一家不掌握操作系统、不制造手机，也不生产汽车的独立模型公司，能不能长期成为终端厂商愿意持续付费的软件供应商。
前者竞争的是模型能力以及由此带来的调用量。后者竞争的是单位智能的成本，以及进入硬件供应链的位置。
04 一个怕模型太贵，一个怕模型越来越便宜
这两条路目前都还没有走到答案。
智谱面对的问题相对直观。
前沿模型仍是一场资本密集型竞争。OpenAI、Anthropic、Google以及国内阿里、字节、DeepSeek等玩家，都有能力继续提高训练和推理投入。
IPO前，智谱累计融资超过83亿元，投资方包括阿里、腾讯、美团等互联网公司；2026年初登陆港交所后，资本市场也对其进行了快速重估。
支撑这种估值想象的，是前沿模型最终成长为平台型基础设施的可能性。
但智谱仍需要不断证明，向模型能力上限持续投入，能够转换成足够大的使用量和商业回报。
面壁面对的问题恰好相反。
“密度定律”如果成立，对它既是利好，也可能是一种威胁。
如果越来越小的模型就能获得足够好的能力，端侧AI自然会越来越重要；但另一方面，小模型本身也可能越来越不稀缺。
Qwen、Gemma、Phi、GLM-Edge都可以继续向小参数移动，华为、小米、OPPO、vivo等终端厂商也拥有训练自己端侧模型的动力。
模型越容易做小，单纯一个“小模型”本身的价值反而可能下降。
这也是为什么面壁近年来不断从MiniCPM向推理系统、全模态、Agent、智能座舱乃至机器人延伸。
面壁的“向上”并不是简单扩大参数，而是在扩展有限参数可以承载的能力。2026年，公司开始把MiniCPM-V用于具身机器人，MiniCPM-o 4.5则以9B参数支持实时全双工全模态交互。
问题已经从“怎样把模型做小”，进一步变成“怎样让有限参数承载更多能力”。
资本结构也从侧面反映出这种路线差异。
相较于智谱，面壁近年的融资呈现出更明显的产业资本色彩。2026年上半年，公司累计融资超过50亿元、估值突破200亿元；此前及年内公开投资方包括中国电信、汇川产投、华为哈勃等，最新一轮还出现国家级基金、央企和汽车制造商。这至少说明，资本对面壁的想象越来越多地与芯片、汽车、通信和设备产业链绑定。
所以，智谱与面壁最终可能并不是一场谁对谁错的路线之争。
现实甚至可能是，两家公司会重新走向彼此。
智谱已经有GLM-Edge，也在进入手机和移动芯片生态；面壁则不断提高MiniCPM的推理、Agent和全模态能力。云端模型公司不会放弃终端，端侧模型也不会永远停留在“轻量版AI”。
真正的分野，只是在今天这个阶段，两家公司选择了不同的优先级。
四年前，唐杰、刘知远、曾国洋等人的名字还共同出现在GLM-130B项目中。当时行业最兴奋的问题是：中国能不能训练出一个1300亿参数的模型。
四年之后，问题已经变了。
智谱仍在回答：模型到底还能有多强？
面壁则越来越专注于另一个问题：同样的智能，到底还能有多小？
从千亿参数模型的共同起点出发，两种答案正在长成中国大模型产业不同的枝杈。
而究竟是更强的模型先找到足够大的市场，还是足够便宜的模型先进入足够多的设备，可能比“谁的参数更多”，更能决定下一阶段中国大模型公司的位置。