问题——大模型进入“规模化应用”阶段后，衡量标准正从“能不能用”转向“用不用得起、用得稳不稳、能不能大范围铺开”。随着智能终端、物联网设备和云服务对智能化能力的需求快速上升，竞争焦点也从单纯比参数规模，转为看真实业务的调用强度、稳定性和单位成本。词元调用量作为衡量模型使用频次和业务覆盖面的指标之一，正被更多用来观察模型落地深度与产品渗透水平。 原因——技术持续迭代与面向场景的工程化优化，是调用量增长的重要支撑。小米上介绍，MiMo系列模型自推出以来保持更新，从早期面向推理优化的模型开源，到更轻量、更贴合业务的版本，再到面向智能体时代发布旗舰基座模型，形成了相对清晰的演进路径。新一代模型架构上引入并强化混合注意力等机制——提升长上下文处理能力——并在工具调用、代码生成、通用任务处理各上加强适配，以覆盖更复杂的工作流与多任务协同需求。同时，通过动态参数分配、计算资源调度等工程策略，在不削弱能力的前提下提升推理效率，力求在成本、能耗与性能之间取得更好的平衡，为更广泛的端侧部署创造条件。 影响——万亿级词元调用量传递出两点信号：一是大模型应用正从试点验证走向高频使用；二是端云协同与生态化布局正在成为新的增长点。对企业而言，调用量不仅代表用户使用行为的累积，也意味着模型在产品体验中的嵌入更深：从智能问答扩展到内容生成、图像识别、任务编排、设备控制等多类能力。对产业链而言，高强度调用会推动推理效率、算力供给、数据治理与隐私安全等能力加速升级，并带动软硬件协同优化。对消费者而言，模型能力供给更稳定、成本逐步下降，可能带来更可负担的智能服务体验，并推动智能手机与IoT设备向“可理解、可执行、可协作”演进。 对策——在竞争加速、监管趋严并行的背景下，规模化应用需要在能力、成本与安全之间建立可持续的平衡。一是围绕真实场景提升能力，强化工具调用、任务规划与跨应用协作，让智能体从“会对话”深入走向“能办事”。二是持续推进端云协同，通过模型压缩、动态调度与异构计算等方式降低单位推理成本，提升在移动端与边缘侧的可用性。三是完善治理与风控体系，在数据合规、内容安全、个人信息保护、模型输出可解释性等关键环节形成闭环，确保规模扩大同时守住安全底线。四是以生态建设带动标准化接口与开发者工具完善，降低接入门槛，推动创新应用在手机、家居、车载等多终端联动落地。 前景——大模型竞争将更多体现在“以调用促迭代、以生态促扩张”的长期能力上。随着多模态与智能体应用加速渗透，长上下文、低时延与低成本推理将成为体验的关键变量。未来，谁能在端侧形成稳定可控的推理能力，在云侧形成可扩展的服务能力，并在生态侧形成高质量应用供给，谁就更可能在新一轮智能化升级中占据先机。对企业而言，万亿级调用量既是阶段性成果，也意味着更高的可靠性要求与更复杂的治理挑战；对行业而言，则预示着大模型正在从“技术展示”走向“基础设施”，其价值将更多体现在对产业效率与服务供给的持续改善上。
小米此次技术突破表明了中国企业在人工智能领域的研发能力，也为行业探索规模化落地提供了参考。在全球科技竞争加剧的背景下，持续推进自主创新与核心技术突破，将是科技企业提升竞争力的重要路径。接下来，如何把技术优势转化为产品与产业优势，仍值得业界持续关注。