Coinbase率先采用中国开源AI模型GLM与Kimi，大幅降低AI运营成本

美国科技企业转向中国AI模型

美国科技企业正悄然将中国开源人工智能模型纳入其生产基础设施。面对顶尖美国AI模型服务成本持续攀升的压力，以加密货币交易平台Coinbase为代表的企业开始将中国开源模型作为默认选项，在不压制使用量的前提下显著压缩AI开支。

Coinbase部署GLM与Kimi为默认模型

Coinbase首席执行官Brian Armstrong于上周五晚间在X平台发文披露，公司已通过内部LLM网关，将智谱AI发布的GLM 5.2以及北京月之暗面推出的Kimi 2.7设定为工程师的默认AI模型。Armstrong表示，在结合智能路由、缓存改进等技术手段后，Coinbase的AI支出已削减“近一半”，而token使用量仍在以指数级速度增长。

成本优势驱动模型切换

Armstrong指出，91%的工程师从未触及原有的AI使用上限，因此Coinbase并未选择限制用量或增设消费提醒，而是直接转向“更便宜的默认模型”。GLM 5.2和Kimi 2.7均为开源权重模型，适用于常规任务场景。对于需要复杂推理或规划的任务，工程师仍可调用前沿闭源模型。Armstrong强调，在执行层面使用顶级模型往往是“大材小用”。

多模型并行保障代码质量

在关键的代码审查环节，Coinbase采用多模型并行策略，让不同AI模型相互校验输出结果，以维持高质量标准。这一做法既利用了低成本模型的经济性，又确保了关键流程的可靠性。

三层架构实现成本优化

Armstrong列出了驱动成本削减的三大核心措施：

• 智能路由：在自定义调度框架中，系统对提示词进行预处理，综合缓存命中率与模型定价，自动将任务分发至最经济、合适的模型，目标是让AI自主完成模型选择。
• 积极缓存：所有请求均具备缓存感知能力，最大限度复用已有结果。以LibreChat为例，正确实施缓存机制后，缓存命中率从5%跃升至60%。
• 精简上下文：建议工程师在切换任务时开启新会话、缩小文件上下文范围、断开未使用的工具连接，旨在减少“被浪费的token”，而非单纯降低总用量。

效率优先，扩大AI采用规模

Armstrong强调，此次成本压缩并非限制AI使用，而是为扩大AI采用规模创造前提条件。工程师仍可自由使用任意数量的token和任意模型，但公司已将用量数据可视化，并将使用量与业务影响挂钩——“花得越多，我们期望的影响也越大”。尽管未披露具体支出数字，但在使用量指数增长的同时实现近半成本削减，表明Coinbase已在一定程度上实现了AI消耗与成本的解耦。

方法论具普适性

Armstrong总结称，这套AI基础设施优化方法论具有广泛适用性，任何企业均可借鉴，以便在不将成本设为天花板的前提下，实现AI使用规模的可持续扩张。