北京智譜華章科技股份有限公司8月31日發布上市後首份中期業績公告。截至2026年6月30日止六個月，公司實現總收入9.54億元，按年增長399.7%；同期淨虧損收窄至20.7億元。

收入高速增長的同時，公司業務結構也發生明顯變化。報告期內，開放平台及API業務收入達到8.25億元，按年增長2735.7%，佔總收入的比例由去年同期的15.2%提升至86.5%；同期，企業級通用大模型（本地化部署）收入由1.48億元降至6704萬元。

換言之，智譜AI的商業化重心正在從一次性本地化部署，明顯轉向按調用量計費的雲端MaaS業務。

這一變化也體現在用戶和調用量上。截至公告日期，MaaS平台付費日活用戶數較年初增長603%，前十大用戶日均調用量較年初增長98倍；平台Token調用量較年初增長超過40倍。與此同時，API平均售價較年初提升約101%，顯示收入增長並非單純依賴價格下調換取規模。

模型能力仍是公司下一階段投入的重點。報告期內，智譜AI持續迭代GLM系列模型，並將資源更多投入後訓練、強化學習以及長程任務環境建設。

公司稱，GLM-5.3與GLM-5.2在架構、總參數和激活參數保持一致的情況下，通過擴大後訓練規模，端到端編碼完成率提升超過50%。此外，公司正推進下一代基座模型訓練，重點方向包括更大的有效規模、更長的原生上下文以及原生多模態統一建模。

收入結構明顯向MaaS傾斜

本次財報最顯著的變化，是收入結構的快速調整。

報告期內，開放平台及API收入由去年同期的2910萬元增至8.25億元，按年增長2735.7%。與之相對應的是，企業級通用大模型收入由1.48億元下降54.6%至6704萬元。

這一變化意味着，隨着模型能力提升，智譜AI的商業化模式正在從本地化部署逐步向雲端調用遷移。公司將這一過程概括為「賣模型→賣調用→賣訂閱→賣端到端任務結果」。

從運營數據來看，MaaS業務的增長已經開始形成一定規模。截至公告日期，平台付費日活用戶數較年初增長603%，前十大用戶日均調用量增長98倍，Token調用量增長超過40倍。同時，API平均售價較年初提升約101%，Coding Plan訂閱價格也有所上調。

企業級智能體業務也保持增長，收入由1374萬元增至5556萬元，按年增長304.4%，但目前佔整體收入的比重仍然較低。

雲端業務毛利率由負轉正

收入結構變化也對盈利能力產生了明顯影響。

報告期內，公司整體毛利率由去年同期的50.0%下降至26.4%。主要原因在於，毛利率相對較高的本地化部署業務佔比下降，而處於快速擴張階段的開放平台及API業務佔比大幅提升。

不過，從單項業務來看，雲端業務的盈利能力正在改善。開放平台及API業務毛利率由去年同期的-0.4%提升至24.6%，實現由負轉正。

公司表示，Token調用量增長、產品定價提升以及推理成本下降，是毛利率改善的主要因素。報告期內，公司單位Token推理成本較年初下降約80%，並通過「All-in-Infra」戰略擴大國產芯片在推理算力中的應用。

成本端，公司銷售成本由9545萬元增至7.02億元，按年增長635.4%，主要受到計算服務費用增加的影響。研發開支則按年增長33.6%至21.31億元，仍然明顯高於當期收入，研發費用率超過200%。

與此同時，銷售及營銷開支按年下降14.8%，一般及行政開支按年下降44.2%，顯示公司在收入快速擴張的同時，部分運營費用有所收縮。

虧損仍高企，研發投入維持高位

儘管收入大幅增長，智譜AI目前仍處於虧損階段。

報告期內，公司淨虧損20.72億元，按年收窄12.1%。剔除股份支付等非現金項目後，經調整淨虧損為19.64億元，較去年同期有所擴大，主要與研發投入增加有關。

從虧損結構來看，公司仍在將大量資金投入模型研發和算力基礎設施。上半年研發開支達到21.31億元，按年增長33.6%，約為同期收入的2.2倍。

因此，對於智譜AI而言，當前業績的核心變化仍然不是利潤端，而是收入規模擴大以及雲端業務毛利率改善能否持續。隨着MaaS收入佔比快速提升，公司未來盈利能力將更多取決於模型調用規模、API定價、推理成本以及研發投入之間的平衡。

報告期結束後，公司於7月完成配售，以每股1588港元的價格募資約314億港元，為後續模型訓練、算力基礎設施及產品研發提供資金支持。

模型迭代從「堆參數」轉向強化後訓練

技術層面，智譜AI在報告期內密集迭代GLM系列模型，發布GLM-5、GLM-5.2、GLM-5.3及GLM-5.3-Flash等模型。

其中，GLM-5.3與GLM-5.2的對比體現了公司當前的技術路線。公司稱，在保持兩款模型架構、總參數量和激活參數量一致的情況下，通過擴大長程任務環境和強化學習規模，GLM-5.3的端到端編碼完成率提升超過50%。

這意味着，在當前模型規模不斷擴大的背景下，公司開始更加重視後訓練、強化學習以及任務環境建設，希望通過提高模型的實際任務完成能力，而不僅僅是繼續增加參數規模來推動性能提升。

GLM-5.3-Flash則主要針對推理效率和成本。該模型總參數量為3200億，激活參數180億，採用稀疏注意力與線性注意力等架構，並使用30萬億級多模態預訓練語料。公司稱，其定價約為GLM-5.2的十分之一，同時在多項能力上實現提升。

在算力方面，智譜AI進一步推進國產芯片的規模化應用。公司表示，GLM-5.3-Flash已在10萬級國產芯片規模的集群上提供推理服務，端到端服務性能較初始基線提升3倍。

從Coding向Agent和Co-work延伸

在商業化路徑上，Coding是智譜AI目前重點突破的應用場景。

公司認為，大模型的商業化空間可以從Chat進一步向Coding、Agent、Co-work以及更高程度的自主化任務執行延伸。其中，Coding既是模型能力的重要驗證場景，也是目前較容易形成付費模式的應用之一。

智譜AI表示，公司正在通過ZCode等產品，將模型能力從代碼輔助進一步延伸至軟件開發的完整流程，並嘗試讓模型承擔更長鏈條、更復雜的工程任務。

網絡安全則是公司向Agent和Co-work拓展的另一個方向。報告期內，公司在CyberGym基準上取得84.5%的成績，並在ExploitGym完成130項任務。截至報告期末，公司聯合多家安全團隊累計發現漏洞2436個，其中中高危漏洞1097個。

相比Coding，法律、金融、教育等領域目前仍處於早期階段，尚未形成規模化收入。隨着模型能力進一步提升，這些場景能否從技術驗證轉化為穩定商業收入，將成為公司後續商業化的重要觀察點。