Anthropic 最强模型用户增长乏力，性价比工具更受青睐
评分
72提供了罕见的按模型支出的市场份额数据，补充了公开收入数字背后的真实采用情况。
引用 FT 与 Ramp 数据源，条理清晰，对模型表现和商业指标进行了有效交叉验证。
对评估 AI 模型采购策略和企业市场趋势有直接参考价值。
基于 2026 年 7 月最新运营数据，且涉及刚发布的 Opus 5 和 GPT 5.6。
来源为 FT 和 Simon Willison 博客，并引用了 Ramp 的信用卡账单数据，可信度较高。
基础分 80 × T2 信源权重 ×0.9 = 72
精选线 70已入选精选
精选理由
提供了罕见的支出端模型采用数据，直接反映旗舰模型与性价比模型的市场真实表现。
AI 点评
「这篇文章最值得看的地方在于它把收入和实际模型开销放在一起看，揭穿了“最强模型即最受欢迎”的幻觉。对于关注 AI 商业化或做模型选型的人，这组数据比任何发布会都更有说服力。」
速览
据金融时报援引知情人士数据，Anthropic 7 月年化收入已达 650 亿美元，较 5 月的 470 亿大幅增长，且按此前口径预计 Q3 盈利。但 Ramp AI 指数显示，7 月 Anthropic 模型支出中，最新旗舰 Opus 5 仅占 3.5%，远低于 Opus 4.8 的 28%，Fable 5 为 8%。OpenAI 同期年化收入突破 400 亿，GPT 5.6 发布提振表现。数据表明，最强的模型未必是最受欢迎的，成本与实用性仍是企业选择的关键。
- Anthropic 7 月年化收入达 650 亿美元，5 月为 470 亿，预计 Q3 盈利。
- Anthropic 拥有 6,000 个年支出 10 万美元以上的企业客户。
- Ramp AI 指数显示 Opus 5 发布首周仅占 Anthropic 模型支出 3.5%，低于 Opus 4.8 的 28%。
- OpenAI 年化收入突破 400 亿美元，GPT 5.6 是季度增长的主要动力。
正文
Anthropic 最好的 AI 模型难以吸引用户，而更便宜的工具却蓬勃发展
A few interesting numbers in this FT story gathered from "people with knowledge of the matter":- Anthropic 的“年化收入”在 7 月已高达 650 亿美元——5 月时为 470 亿美元，我在这里收集了更多历史数据。
- Anthropic 预计第三季度将实现盈利，依据的是他们用来宣布第二季度盈利的同一模型。“它还告诉投资者，它有 6,000 个每年花费 10 万美元或以上的客户。”
- 至于 OpenAI，“截至本季度，年化收入已跃升 35%，现超过 400 亿美元，GPT 5.6 在 7 月的发布在年初开局低迷后提振了公司业绩。”
这篇文章还向我介绍了Ramp AI 指数，该指数利用 70,000 家使用 Ramp 信用卡公司的账单数据来估算模型采用情况。
以下是 Ramp 对 Anthropic 2026 年 7 月模型支出的细分，考虑到 Opus 5 直到 7 月 24 日才发布，这一数据看起来合理，并且支持了 Fable 的成本使其成为不太受欢迎模型的观点：
- Opus 4.8: 28.0%
- Sonnet 4.6: 8.3%
- Fable 5: 8.0%
- Opus 4.6: 6.9%
- Sonnet 5: 3.6%
- Opus 5: 3.5%
- Opus 4.7: 1.7%
- Sonnet 4.5: 1.3%
- Haiku 4.5: 1.0%
- Opus 4.5: 0.7%
标签：ai, openai, generative-ai, llms, anthropic, claude, claude-mythos-fable
相关条目
89
精选OpenAI研究：AI正在重新定义工作边界
如果你关心AI对实际工作的影响，这篇研究不容错过。它不讨论理论，而是用数据展示ChatGPT用户如何使用AI扩展自己的任务范围，这对HR、管理者以及每个希望提升技能的职场人都有直接启发。
87
精选OpenAI CFO 分享构建 AI 原生财务职能的五大经验
作为编辑，我认为这篇文章的价值在于它来自 AI 领军企业的财务一把手，而非外部咨询机构，因此更具实践参考性。推荐给财务数字化负责人、CFO 以及对 AI 转型感兴趣的从业者阅读。
87
精选智能体AI时代下的科学计算：OpenAI发布新领域报告
这份报告是当前AI agent热潮中最务实的应用分析之一，尤其适合计算生物学和药物研发领域的从业者阅读。它回答了“AI agent除了写代码还能干什么”这个关键问题，直接展示了在复杂科学计算中的生产力提升。
87
精选Real World VoiceEQ：量化语音AI的人类自然度
值得关注的是，这个基准真正聚焦'人类自然度'这个软指标，而不是传统的语音识别率或MOS评分。对从事语音合成、语音克隆或语音交互的团队来说，这是一个非常实用的参考工具，可以快速定位模型在情感、韵律等层面上的不足。不过目前支持语言有限，期待后续扩展。
85
精选OpenAI 推出AI时代记分卡：衡量投资回报的新方法
这篇博文直击当前AI行业的软肋——如何量化投入产出。对于正在或计划大规模部署AI的企业决策者而言，它能帮助避免盲目跟风。我个人建议结合自身业务场景尝试定义“有用工作”，避免指标设计流于形式。
85
精选代理时代如何管理AI投资：聚焦每美元有用功与高价值工作流
这篇文章对正在大规模部署AI代理的企业尤为重要。它提醒我们：单纯盯着API价格下降会陷入误区，真正要管理的是每单位工作的投资回报率。建议CTO和CFO联合阅读，并在内部建立量化评估机制。
85
精选设计能跟上AI的组织：组织延迟成为最大障碍
这篇文章真正值得关注的是提出了一个被忽视的瓶颈：技术再强，组织跟不上也是白搭。对CTO、CIO和转型负责人来说，这是比技术选型更重要的思考框架。
84
精选Ruff v0.16.0 发布：默认规则从59条激增至413条，CI工作流需关注
对于 Python 开发者来说，这是一个不容错过的更新信号。Ruff 的默认规则大幅增加意味着我们不能再忽视代码中潜在的问题，而 AI 修复工具正好可以降低升级成本。尤其值得关注的是 Astral（OpenAI）正在将 AI 编码能力与静态分析工具深度整合，这可能是未来工程实践的常态。