Nomura 研报解读:Moonshot AI 9 月 ARR 约 12 亿美元,年底或达 16

Nomura 研报解读:Moonshot AI 9 月 ARR 约 12 亿美元,年底或达 16–18 亿

Kimi的商业化状况，是 Nomura 于 2026 年 10 月 8 日发布的一份研报的核心看点。这份主题为 "Moonshot AI: scaling intelligence with efficiency" 的报告，基于作者与一位 Moonshot AI 专家的交流整理。

其中几个数字值得留意：9 月的ARR约 12 亿美元，年底年化收入有望达到 16 亿至 18 亿美元；而收入增长与模型发布节奏高度绑定，定价更低、走量更大的模型，反而贡献了更高的收入占比。

以下是对报告主要内容的梳理，重点落在商业化层面。

分层模型：旗舰冲上限，高效模型铺规模

报告指出，Kimi 正在向更分层的模型组合演进。在这一策略下，旗舰模型负责推进智能水平与 Agent 能力的前沿，而更高效的模型承担扩大使用量、改善经济性、并在大规模应用中持续产生真实数据的角色。

具体到产品节奏：2026 年 9 月 11 日发布的 K2.8 Preview，被定位为面向编程、软件工程和常规 Agent 工作负载的效率型模型；K3 仍是冲击能力天花板的旗舰。专家预计 K3.1 会在 10 月中旬前发布，作为 K3 的增强版本而非全新基座，其提升主要来自后训练、计算机使用轨迹（computer-use trajectories）、真实任务数据以及更强的多模态能力。

此外，Moonshot 还在训练一个参数规模达 5–6 万亿的更大模型，重点在于长程推理与 Agent 执行能力；报告称其主要瓶颈并非数据，而是高端训练算力的可获得性，因此下一代模型的时间表，很大程度上取决于何时能获得足够的高端训练产能。

算力：推理端国产化提速，训练端替代仍难

在算力结构上，专家估算国产芯片目前约占 Kimi 推理算力的 35%–40%，此前约为 15%。SuperPoD 这类架构可以通过大规模互联弥补单芯片性能的差距，从而缩小与 NVIDIA 在系统层面的性能差。但国产方案在互联效率、产能与良率、以及软件生态上都仍存在短板——不少算子和训练框架尚未针对国产芯片充分优化。因此报告判断，国产芯片在推理场景中越来越可行，但要在近期内把大规模预训练完全从 NVIDIA 迁移出去，难度依然很大。

商业化：增长高度依赖模型发布

专家估算，Kimi 9 月的ARR约为 12 亿美元；若推理产能不成为主要瓶颈，年底年化收入有望达到 16 亿至 18 亿美元。一个关键观察是，ARR 的增长与模型发布节奏高度相关：重大模型发布后增长会明显加速，而在两次发布之间则趋于线性。

分产品看，K2.8 Preview 已贡献约 40%–45% 的 ARR，K3 约为 30%–35%。这意味着定价更低、走量更大的模型，有可能凭借更高的使用量，带来比旗舰模型更多的收入。从收入来源看，API 仍占最大比重，Coding Plan 约占 20%–25%，海外市场贡献了 ARR 的一半以上。

报告还提到，Kimi 正把模型能力延伸到垂直行业解决方案，金融服务是首批切入的领域之一。其金融方案整合了第三方专业数据、行业化技能、工作流设计与合规能力，覆盖机构研究、IPO 跟踪、财报分析、财务建模和报告生成等场景。这套框架具有一定的可复制性：一旦“行业数据 + 专门技能 + 合规 + 工作流 + FDE/SI 交付”的组合成立，同样的方法有望延伸到医疗、教育、公共服务等专业领域，从而推动更深度的垂直整合与端到端的企业级部署，提高客户黏性。

价格与毛利：降价未必是结构性的

在盈利能力上，专家估算 K3 当前的毛利率约为 35%–40%，而 K2.8 Preview 及其他低价模型约为 20%–25%。不过报告强调，更低的定价未必意味着长期的结构性低毛利。高使用量的模型可以提升批处理效率、基础设施利用率和固定成本摊销，而更小的模型通常也更容易迁移到成本更低的国产芯片上。因此，未来盈利能力的关键变量或许不是价格本身，而是“每 token 推理成本的下降速度”能否超过模型定价的下降速度。报告指出，目前多数模型厂商更看重用户获取与规模，因为更大的用户基数既能强化专有数据的积累，也有助于摊薄推理成本。