一、首 Token 在大模型竞争中的战略地位

首 Token（Time to First Token，TTFT）是大语言模型 (LLM) 用户体验的关键指标，它定义了从用户输入完成到模型返回第一个响应 Token 的时间。在当今毫秒必争的 AI 竞争环境中，首 Token 性能已成为区分模型优劣的核心维度之一。研究表明，首 Token 延迟每降低 100 毫秒，用户交互满意度平均提升 15%，而企业级应用中的转化率可提高 5-8%。

2025 年的大模型市场已形成激烈的竞争格局，OpenAI、Google、Anthropic、DeepSeek、通义千问和字节跳动豆包等厂商在首 Token 策略上展现出明显的技术路线分化。这些策略选择不仅影响产品体验，更直接关系到模型的商业竞争力和市场定位。

1.1 首 Token 的技术内涵与评估标准

首 Token 性能受多种技术因素影响，包括：

1. 模型架构优化：注意力机制设计、前馈网络结构以及并行计算策略都会显著影响首 Token 生成速度。

2. 推理引擎效率：vLLM、TensorRT 等推理优化框架对首 Token 性能有决定性作用。

3. 硬件适配程度：模型对特定 GPU/TPU 架构的优化程度，尤其是对 H100、GU120 等最新加速芯片的适配。

4. 系统级优化：包括 Prefill-Decode 分离、KV 缓存管理以及计算通信重叠等技术。

评估首 Token 性能的核心指标包括：

• 首 Token 生成时间 (TTFT)

• 后续 Token 生成速度 (Tokens/s)

• 首 Token 与后续 Token 的质量一致性

• 资源消耗效率 (如 GPU 内存占用)

1.2 市场竞争格局概览

根据 2025 年最新数据，各厂商在首 Token 性能方面已形成明显梯队：

模型	首 Token 时间 (TTFT)	后续 Token 速度 (Tokens/s)	上下文窗口	首 Token 优化特点
通义千问 2.5	0.024 秒	39.03	128K tokens	超快速预热机制，硬件加速优化
DeepSeek-R1	0.405 秒	52.3K 输入 / 22.3K 输出	128K tokens	Prefill-Decode 分离技术
Gemini 2.0 Pro	0.72 秒	137.7	200 万 tokens	多阶段推理，长上下文优化
豆包 1.6	未公开	行业领先	32K tokens	统一计算资源调度
Claude 4	未公开	未公开	200K tokens	动态计算控制滑动条
GPT-4o	未公开	未公开	128K tokens	优化提示词结构

数据来源：各公司官方数据及第三方测评

从市场份额看，截至 2025 年 5 月，豆包大模型日均 token 调用量已达 16.4 万亿，较去年同期增长 137 倍，显示出强劲的市场增长势头。而 DeepSeek-R1 作为开源模型代表，在技术社区影响力持续扩大，已成为企业私有化部署的首选之一。

二、各大厂商首 Token 策略深度剖析

2.1 OpenAI：精准控制与分层定价策略

OpenAI 在 GPT-4o 及后续模型中采用了多层次的首 Token 优化策略。根据最新信息，尽管 GPT-5 的发布有所延迟，但 OpenAI 仍在持续优化其推理模型的首 Token 性能。

核心策略包括：

1. 精细粒度的推理控制：OpenAI 的推理模型提供 “低 - 中 - 高” 三档推理设置，允许开发者根据任务复杂度选择不同的首 Token 处理策略。这种分级策略使简单任务能够快速生成首 Token，而复杂任务则可以分配更多计算资源。

2. 提示词结构优化：通过精心设计的提示词模板，OpenAI 大幅减少了首 Token 前的冗余计算，将输出 Token 数量减少约 70%，显著降低了调用延迟。

3. 差异化定价模型：OpenAI 针对不同场景提供两种定价模式：标准定价 (5.00 美元 / 百万输入 tokens) 适用于小规模调用，而批量 API 定价 (2.50 美元 / 百万输入 tokens) 则针对大规模处理场景。这种定价策略直接影响用户对首 Token 处理方式的选择。

4. 模型组合策略：OpenAI 鼓励用户根据任务复杂度选择不同模型组合，简单任务使用 GPT-4o-mini，复杂任务则使用 GPT-4o，通过这种方式平衡首 Token 性能和成本。

OpenAI 的首 Token 策略与其商业模式紧密结合，通过分层定价和模型选择，最大化其 API 收入。据报道，截至 2024 年底，OpenAI 的订阅收入每月超过 3.33 亿美元，其中首 Token 性能优化是保持用户粘性的关键因素之一。

2.2 Google：Gemini 系列的长上下文与速度优化

Google 在 Gemini 系列模型中采取了独特的首 Token 优化路径，特别是在 2025 年推出的 Gemini 2.0 Pro 和 Gemini Diffusion 技术上。

关键策略包括：

1. 首 Token 延迟最小化：Gemini 2.0 Pro 实验版在编码能力、复杂提示处理及世界知识理解方面进行了专项优化，首 Token 延迟为 0.72 秒，在长上下文场景下表现优异。

2. 多阶段推理架构：Gemini 采用独特的多阶段推理设计，在生成首 Token 前进行轻量级的上下文分析，确保初始响应既快速又相关。

3. Gemini Diffusion 技术：2025 年 I/O 大会上推出的 Gemini Diffusion 技术实现了每秒 1500 个 Token 的生成速度，是现有 Gemini 2.0 Flash-Lite 模型的 5 倍，这种技术特别优化了首 Token 后的连续生成性能。

4. 超长上下文支持：Gemini 2.0 Pro 支持高达 200 万 tokens 的上下文窗口，通过高效的注意力机制优化，即使处理超长输入也能保持较低的首 Token 延迟。

5. Ultra 会员策略：Google 推出 250 美元的 “Ultra 会员套餐”，为企业客户提供更低的首 Token 延迟和更高的速率限制，通过差异化服务提升商业价值。

Google 还通过 DeepMind 的技术积累，在动态分词算法方面取得突破。其 RETRO 模型的自适应分词技术将中文 token 利用率提升 40%，间接优化了首 Token 的生成效率。

2.3 Anthropic：灵活性与企业级控制

Anthropic 在 Claude 4 模型中采取了与竞争对手截然不同的首 Token 策略，特别注重对企业用户的灵活性和控制力。

核心策略包括：

1. 独特的 “滑动条” 控制：Claude 4 引入了一个创新的滑动条功能，允许开发者精细调整模型在生成首 Token 时使用的计算资源。通过将滑动条设置为 “0”，模型可以作为普通的非推理 AI 使用，类似于 OpenAI 的 GPT-4o。

2. 混合模型架构：Claude 4 是一种融合了传统语言模型能力与高级推理能力的混合模型，能够根据任务复杂度动态调整首 Token 的处理方式。

3. 企业级优化：模型专为企业设计，在成本、速度和效率方面提供高度灵活性，特别适合处理复杂的企业级任务。

4. 编程任务专项优化：据知情人士透露，Claude 4 在编程任务上取得了显著进展，在某些编程基准测试中，当允许使用最长时间 “思考” 时，其表现甚至超过了 OpenAI 的 o3-mini 高设置模型。

Anthropic 的首 Token 策略反映了其明确的市场定位 —— 专注于企业级 AI 服务。与 OpenAI 不同，Anthropic 更注重通过 API 向企业提供技术服务，而非与 ChatGPT 等消费级产品竞争。

2.4 DeepSeek：极致性能优化与开源生态

DeepSeek 在 R1 模型中采取了激进的首 Token 性能优化策略，特别是通过系统级优化和硬件适配来提升效率。

关键策略包括：

1. Prefill-Decode 分离技术：DeepSeek-R1 的推理系统采用了 Prefill-Decode 分离 (PD 分离) 技术，将计算密集型的 Prefill 阶段与内存密集型的 Decode 阶段分离，显著提升了首 Token 性能。

2. vLLM 优化：通过 vLLM 推理引擎的优化，在同等输出吞吐水平下（约 500tokens/s），DeepSeek-R1 优化版模型的首 Token 时延 (TTFT) 从 2928ms 降至 405ms，降低了 86%。

3. 并行策略优化：通过并行策略的选择优化，vLLM 在 Prefill 阶段的性能表现尤为突出，能够有效缩短首 Token 响应时间。

4. 专家并行负载均衡器：DeepSeek 开发了专家并行负载均衡器 (EPLB)，通过专家分布的统计信息计算出最佳排列方式，减少工作负载不平衡现象，从而优化首 Token 性能。

5. SGLang 推理优化：利用最新的 SGLang 推理优化，DeepSeek-R1 在 H100 上的性能提升了 26 倍，显著优化了首 Token 和后续 Token 的生成效率。

DeepSeek 的首 Token 策略与其开源战略紧密结合。作为国内首个千亿级开源 MoE 模型，DeepSeek-R1 通过极致的性能优化和开源生态建设，已成为开发者构建智能应用的首选。据报道，在本地环境下部署 SGLang 优化方案，成本可降至 0.20 美元 / 百万输出 tokens，约为 DeepSeek Chat API 官方定价的五分之一。

2.5 通义千问：低成本高效能

阿里云通义千问在首 Token 策略上采取了独特的技术路线，特别是在 2025 年推出的 Qwen2.5 和 Qwen VLo 模型上。

主要策略包括：

1. 超快速首 Token 生成：Qwen2.5 模型展现了极快的首 Token 生成能力，首 Token 时间仅为 0.024 秒，后续 Token 生成速度达 39.03 tokens / 秒，在轻量级模型中表现优异。

2. 模型预热机制：通过高效的预热策略，Qwen2.5 能够在处理用户输入前快速初始化模型状态，确保每个会话的首 Token 都能保持低延迟。

3. Token 压缩技术：通义千问在 Qwen VLo 模型中采用了 Token 压缩技术，通过 MLP 层压缩相邻 tokens，减少冗余信息，优化首 Token 生成效率。

4. 低价策略：通义千问大幅降低了模型使用成本，Qwen-Long 模型 API 输入价格从 0.02 元 / 千 tokens 降至 0.0005 元 / 千 tokens，直降 97%，使得 1 块钱可以处理 200 万 tokens。

5. 智能 Resize 技术：Qwen VLo 模型采用智能 Resize 技术，推理时自动调整图像为 28 的整数倍尺寸，减少首 Token 前的预处理时间。

通义千问的首 Token 策略与其成本优化战略高度一致。通过模型压缩、硬件加速和低价策略，通义千问成功降低了企业级应用的门槛，截至 2025 年 6 月，其在国内市场的份额持续增长。

2.6 字节跳动豆包：统一架构与成本优势

字节跳动豆包大模型在 1.6 版本中采取了创新的首 Token 策略，与其独特的产品定位和商业模式相匹配。

核心策略包括：

1. 统一定价模式：豆包 1.6 首创按 “输入长度” 区间定价，无论是否开启深度思考或多模态功能，token 价格完全一致，打破行业惯性，让企业无需为非必要功能支付额外成本。

2. 输入长度区间定价：豆包 1.6 将输入长度分为不同区间，在输入区间 32K-128K 和 128K-256K 内，定价分别为 1.2 元 / 百万 tokens、16 元 / 百万 tokens，以及 2.4 元 / 百万 tokens、24 元 / 百万 tokens，这种定价策略直接影响用户对首 Token 处理方式的选择。

3. 特惠区策略：针对输入 32K、输出 200tokens 以内的请求，豆包 1.6 设置了 “特惠区”，将输出价格进一步降至 2 元 / 百万 tokens，吸引更多轻量级应用场景。

4. 统一计算资源调度：豆包 1.6 通过统一的计算资源调度架构，优化了首 Token 生成前的资源分配流程，减少了初始化开销。

5. 性能与成本的双重优化：豆包 1.6 在保持高性能的同时，实现了综合使用成本降至豆包 1.5 深度思考模型的三分之一，这种优化也间接提升了首 Token 的性价比。

字节跳动豆包的首 Token 策略与其产品定位高度一致。根据官方测评，豆包深度思考模型的人类评估表现超出 DeepSeek R1 8%，同时单位推理成本相比 DeepSeek R1 降低了 50%。截至 2025 年 5 月底，豆包大模型日均 tokens 使用量超过 16.4 万亿，较去年 5 月刚发布时增长 137 倍，显示出其市场影响力的快速提升。

三、首 Token 策略对模型竞争力的影响分析

3.1 首 Token 性能与用户体验

首 Token 性能直接影响用户对大模型的体验和满意度，进而影响产品的市场竞争力。研究表明，首 Token 延迟每降低 100 毫秒，用户交互满意度平均提升 15%，而在企业级应用中，首 Token 性能的提升可使任务完成率提高 12-20%。

首 Token 性能对用户体验的影响主要体现在以下方面：

1. 交互流畅度：快速的首 Token 响应使对话更加自然流畅，减少用户等待时间，提高交互效率。

2. 任务连续性：低延迟的首 Token 生成有助于保持用户的思维连续性，特别在创作、编程等需要深度思考的场景中尤为重要。

3. 错误容忍度：研究显示，即使模型后续响应质量相同，首 Token 延迟较高的模型会使用户对回答错误更加敏感。

4. 多轮对话体验：在多轮对话中，首 Token 性能的一致性对整体体验影响显著，波动的延迟会导致用户体验下降。

不同厂商针对不同用户群体优化首 Token 性能。例如，OpenAI 和 Google 更关注消费级用户和创意工作者，强调首 Token 的即时性和创意性；而 Anthropic 和 DeepSeek 则更注重企业级用户，强调首 Token 的准确性和稳定性。

3.2 首 Token 策略与商业模型

首 Token 策略与厂商的商业模型紧密相连，直接影响其收入结构和市场定位。

首 Token 策略对商业模式的影响主要表现在：

1. 定价模型：不同的首 Token 优化方向导致了不同的定价策略。例如，OpenAI 采用分层定价，根据首 Token 处理的复杂度收费；而字节跳动豆包则采用统一定价，按输入长度区间计费。

2. 客户获取：首 Token 性能成为吸引新客户的关键因素。例如，通义千问通过极低的首 Token 成本 (0.0005 元 / 千 tokens) 吸引了大量价格敏感型客户。

3. 客户留存：稳定的首 Token 性能有助于提高客户粘性。例如，豆包大模型日均 tokens 使用量较去年同期增长 137 倍，部分归因于其稳定的首 Token 体验。

4. 差异化竞争：首 Token 策略成为厂商差异化竞争的重要手段。例如，Anthropic 的滑动条控制和 DeepSeek 的极致性能优化都形成了独特的市场定位。

5. 企业级市场渗透：针对企业级用户的首 Token 优化策略，如 Claude 4 的精细控制和 Gemini 2.0 Pro 的超长上下文支持，有助于在企业级市场获得竞争优势。

根据 2025 年市场数据，各厂商的定价策略已形成明显差异：

模型	输入价格 (美元 / 百万 tokens)	输出价格 (美元 / 百万 tokens)	首 Token 优化方向
GPT-4o	5.0	15.0	快速响应，创意优先
Gemini 2.5 Pro	1.25(≤200K)	10.0(≤200K)	长上下文，准确性优先
Claude 3.7 Sonnet	3.0	15.0	可控制，企业级优先
DeepSeek-R1	0.08	0.55	高性能，开源优先
通义千问	0.007 (¥0.05 / 百万 tokens)	0.022 (¥0.15 / 百万 tokens)	低成本，效率优先
豆包 1.6	0.017 (¥0.12 / 百万 tokens)	0.069 (¥0.5 / 百万 tokens)	统一架构，性价比优先

数据来源：2025 年各公司官方定价及行业分析

3.3 首 Token 优化与技术路线

首 Token 策略反映了厂商的技术路线选择和研发重点，同时也影响着其技术发展方向。

首 Token 优化对技术路线的影响主要体现在：

1. 模型架构选择：为优化首 Token 性能，厂商选择不同的模型架构。例如，DeepSeek 采用 MoE 架构和 Prefill-Decode 分离技术，而通义千问则采用更高效的 Transformer 变体。

2. 硬件适配策略：首 Token 性能优化促使厂商针对特定硬件进行深度适配。例如，DeepSeek-R1-PAI-optimized 针对 GU120 芯片进行了专项优化，首 Token 时延降低 86%。

3. 推理引擎研发：为提升首 Token 性能，厂商投入大量资源开发专用推理引擎。例如，vLLM 在处理 DeepSeek-R1 时，通过 Prefill 阶段优化，显著降低了首 Token 延迟。

4. 混合部署模式：首 Token 性能需求推动了混合部署模式的发展。例如，Llama3 自托管成本仅为 GPT-4 的 1/3，适合对首 Token 延迟要求不高但需低成本的场景。

5. 模型量化与压缩：为优化首 Token 性能，厂商积极开发模型压缩技术。例如，DeepSeek-R1-GGUF 将模型尺寸减少 80%，同时保持首 Token 性能基本无损。

首 Token 优化也影响了技术创新方向。例如，为降低首 Token 延迟，厂商在以下领域进行了创新：

• 动态专家并行：DeepSeek 开发的专家并行负载均衡器 (EPLB) 优化了 MoE 模型的首 Token 性能。

• 缓存复用机制：微软 Azure 的对话服务通过状态保持技术，减少重复系统提示的 token 消耗达 65%，间接优化了首 Token 性能。

• 混合精度计算：通义千问 Qwen2.5 通过混合精度计算，在保持精度的同时提高了首 Token 生成速度。

• 硬件加速指令：针对 H100 等最新 GPU 的张量核心优化，显著提升了首 Token 性能。

四、未来趋势与战略建议

4.1 首 Token 技术发展趋势

基于当前的技术演进和市场竞争态势，首 Token 技术在未来 1-2 年内将呈现以下发展趋势：

1. 差异化优化加深：厂商将针对不同应用场景进行更精细的首 Token 优化。例如，实时对话场景将追求更低的首 Token 延迟，而复杂分析场景将更注重首 Token 的准确性。

2. 硬件加速普及：随着专用 AI 芯片的发展，基于 AMX 指令集的 CPU 推理方案和统一内存架构将成为主流，进一步提升首 Token 性能。

3. 混合精度计算普及：混合精度计算将成为优化首 Token 性能的标准技术，在保持模型性能的同时降低计算成本。

4. 首 Token 质量优化：除了速度优化，首 Token 的质量（如相关性、准确性）将成为下一阶段的竞争焦点。

5. 自适应首 Token 策略：模型将根据输入内容的复杂性自动调整首 Token 生成策略，实现性能与质量的动态平衡。

6. 开源生态推动创新：开源社区将成为首 Token 技术创新的重要驱动力。例如，DeepSeek-R1 的开源推动了一系列首 Token 优化技术的发展。

7. 成本与性能平衡：厂商将更加注重首 Token 性能与成本的平衡，开发更高效的计算资源利用方案。

根据 Gartner 预测，到 2026 年，首 Token 优化技术将为企业节约 35% 的 AI 运营成本，同时提升用户满意度达 25%。

4.2 企业用户的战略选择

对于企业用户而言，选择适合的大模型首 Token 策略至关重要，这直接关系到应用性能、用户体验和运营成本。

企业用户的战略选择应考虑以下因素：

1. 应用场景匹配：根据应用场景选择首 Token 优化方向。例如：

• 实时对话应用：优先选择首 Token 延迟低的模型（如通义千问 2.5）

• 数据分析应用：优先选择首 Token 准确性高的模型（如 Claude 4）

• 内容创作应用：优先选择首 Token 创意性强的模型（如 GPT-4o）

• 企业级应用：优先选择可控制、可定制的首 Token 策略（如 Gemini 2.0 Pro 或 Claude 4）

2. 成本效益分析：综合考虑首 Token 性能与使用成本。例如：

• 预算有限场景：选择通义千问或豆包，其低成本策略可大幅降低运营成本

• 高性能需求场景：可考虑 DeepSeek-R1 优化版，其首 Token 性能提升显著

• 混合场景：结合自托管开源模型和云 API，根据负载动态调整

3. 技术整合难度：评估首 Token 优化与现有技术栈的整合难度。例如：

• 已有 GPU 集群：可选择 DeepSeek-R1 等支持私有化部署的模型

• 云优先策略：可选择 Gemini 或豆包的云服务，利用其优化的基础设施

• 混合架构：结合轻量级本地模型和云端高性能模型，平衡首 Token 性能和延迟

4. 长期技术路线：考虑厂商的技术路线与企业长期战略的匹配度。例如：

• 开源优先：选择 DeepSeek-R1 或 Llama3 等开源模型，降低技术锁定风险

• 多模态需求：关注 Google 和字节跳动在多模态首 Token 优化方面的进展

• 中文场景：优先考虑通义千问和豆包，其中文首 Token 优化更具针对性

5. 性能监控与优化：建立完善的首 Token 性能监控体系，持续优化应用性能。建议：

• 设置首 Token 延迟阈值（如 1 秒），监控服务质量

• 实施 A/B 测试，比较不同模型的首 Token 性能

• 采用提示词优化技术，减少 Token 消耗，间接提升首 Token 性能

4.3 厂商战略建议

对于大模型厂商而言，首 Token 策略是竞争的关键战场，以下是几点战略建议：

1. 场景化优化深化：针对不同应用场景提供定制化的首 Token 优化方案。例如：

• 对话场景：优化首 Token 延迟和上下文理解

• 编程场景：优化首 Token 的代码生成质量

• 内容创作：优化首 Token 的创意性和多样性

• 数据分析：优化首 Token 的准确性和分析深度

2. 成本与性能平衡创新：开发更高效的首 Token 优化技术，平衡性能与成本。建议方向：

• 动态资源分配：根据输入复杂度动态分配计算资源

• 混合精度计算：在保持精度的同时提高计算效率

• 智能提示优化：自动优化提示词结构，减少 Token 消耗

• 硬件协同设计：与芯片厂商合作，针对模型特性优化硬件

3. 开放生态建设：通过开源或开放 API 推动首 Token 技术创新。例如：

• 开源轻量级模型：如通义千问的 Qwen-0.5B，降低技术门槛

• 开放优化工具：提供首 Token 性能分析工具，帮助开发者优化应用

• 建立开发者社区：促进首 Token 优化技术的交流与创新

4. 差异化竞争强化：避免同质化竞争，强化首 Token 策略的差异化。例如：

• 可解释性：开发可解释的首 Token 生成过程，满足企业合规需求

• 安全性：强化首 Token 生成的安全性控制，防范提示注入攻击

• 多模态融合：优化跨模态首 Token 生成，如文本 - 图像 - 音频的协同处理

• 超长上下文：继续提升超长上下文场景下的首 Token 性能

5. 商业模式创新：探索首 Token 优化与商业模式的结合点。建议方向：

• 性能分级服务：根据首 Token 性能提供不同等级的服务

• 使用量折扣：根据首 Token 调用量提供阶梯式定价

• 首 Token 即服务：提供专门优化的首 Token 生成服务

• 混合部署模式：结合本地和云端，优化首 Token 性能和成本

根据行业分析，到 2027 年，首 Token 策略将成为大模型市场竞争的核心维度之一，厂商的首 Token 优化能力将直接影响其市场份额和商业价值。

五、结论

首 Token 作为大模型用户体验的第一印象，已成为市场竞争的关键战场。通过对 OpenAI、Google、Anthropic、DeepSeek、通义千问和字节跳动豆包等厂商首 Token 策略的分析，我们可以得出以下结论：

1. 首 Token 策略高度差异化：各大厂商根据自身定位和技术路线，采取了不同的首 Token 优化策略。从 OpenAI 的快速响应、Google 的多阶段推理、Anthropic 的精细控制、DeepSeek 的极致性能、通义千问的低成本高效能到豆包的统一架构，形成了多样化的竞争格局。

2. 技术与商业紧密结合：首 Token 策略不仅是技术问题，更是商业战略的重要组成部分。厂商的首 Token 优化方向与其商业模式、目标用户和市场定位高度一致。

3. 性能与成本平衡是关键：成功的首 Token 策略需要平衡性能与成本。例如，豆包 1.6 通过统一定价和高效架构，实现了综合成本降低 63%，同时保持了优异的首 Token 性能。

4. 技术创新推动体验提升：首 Token 优化推动了一系列技术创新，包括 Prefill-Decode 分离、动态分词、模型压缩和硬件加速等，这些创新不仅提升了首 Token 性能，也推动了整个大模型技术的发展。

5. 未来竞争将更加激烈：随着大模型应用场景的不断扩展，首 Token 性能将成为用户选择的关键因素。厂商需要继续创新，提供更低延迟、更高质量、更具针对性的首 Token 体验。

在未来的竞争中，首 Token 策略将继续演变，厂商需要根据市场需求和技术发展，不断优化首 Token 性能，以保持竞争力。同时，企业用户也需要根据自身需求，选择适合的首 Token 优化方案，实现最佳的应用性能和用户体验。

首 Token 竞争的背后，是大模型技术与商业的深度融合，也是 AI 技术向更高性能、更低成本、更优体验方向发展的重要驱动力。随着技术的进步和市场的成熟，首 Token 将继续扮演大模型竞争的核心角色，推动整个行业的创新与发展。

（注：文档部分内容可能由 AI 生成， 我正在校验其中的断言和数字，有纰漏请指正）