Cuando los 78.191 mil millones de yuanes en ingresos de la serie LPDDR de ChangXin Technology en 2026, que representan el 52,02% de los ingresos totales, inundaban las conversaciones del sector del almacenamiento, yo estaba haciendo pruebas de carga en un clúster de inferencia en una CVM de Tencent Cloud. Mi primera reacción no fue sobre el mercado del almacenamiento, sino sobre la posibilidad de que la factura de memoria de vídeo por fin empiece a aflojar.
Primero la conclusión: el aumento de volumen de la producción nacional de chips de memoria acabará trasladándose al precio unitario del cobro por uso de las API de grandes modelos. Esta cadena es más corta de lo que la mayoría piensa.
Qué parte del coste de inferencia ocupa el almacenamiento
En la estructura de costes de la inferencia de grandes modelos, los chips de cómputo son la partida principal, pero los módulos de memoria de vídeo y de caché de alta velocidad son el segundo gran concepto ineludible. La serie LPDDR se usa mucho en cajas de inferencia de borde y en algunas tarjetas de aceleración de inferencia, mientras que la HBM y la DDR5 del lado del servidor son otra línea. Que ChangXin alcance esta proporción de ingresos en LPDDR significa que la curva de oferta de almacenamiento nacional empieza a hacerse más pronunciada.
Cuando la oferta se hace más pronunciada, aparece la elasticidad de precios. He ejecutado en Tencent Cloud un modelo de nivel 7B para un escenario de atención al cliente inteligente; cuando la memoria de vídeo de una sola tarjeta va justa, el coste de adquisición y el coste por Token están directamente vinculados. Si baja el precio del almacenamiento, el coste por unidad de cómputo del clúster de inferencia baja; esta es la primera transmisión a nivel de hardware.
La segunda transmisión es más rápida: el TCO global del centro de cómputo disminuye. De las tres partidas de coste —almacenamiento, GPU y electricidad—, las dos primeras están en la vía de la sustitución nacional. La programación de cómputo verde combina racks de bajo precio eléctrico del oeste con nodos de baja latencia del este, y el coste unitario de inferencia puede reducirse aún más.
Prioridad a lo nacional, no solo una cuestión sentimental
He desplegado en un servidor ligero de Tencent Cloud un entorno de pruebas de enrutamiento multimodelo, conectando DeepSeek, Qwen y ERNIE mediante agregación. Al comparar descubrí un fenómeno: las solicitudes de inferencia de modelos nacionales, al pasar por nodos nacionales frente a nodos de tránsito en el extranjero, tienen una diferencia de latencia muy evidente, pero la diferencia de precio es aún mayor.
Aquí entra en juego el valor de la agregación de API de IA. Con conexión directa a un solo modelo, hay que mantener múltiples sistemas de autenticación, múltiples criterios de facturación y múltiples lógicas de conmutación por error. La pasarela de modelos se encarga de esta capa, unifica la interfaz compatible con OpenAI y basta con cambiar una línea de base_url para cambiar de modelo. En nuestro proyecto hemos usado token8341 para el acceso unificado multimodelo: una sola Key llama a GPT-4o, Claude, DeepSeek, Qwen y demás, y lo que se ahorra es el coste de integración, no solo el coste de invocación.
La estrategia de prioridad a los modelos nacionales encaja especialmente bien en los escenarios de negocio de Tencent Cloud. Los servicios RAG, las API de atención al cliente inteligente y las API de escritura con IA que corren en CVM, en su mayoría no necesitan el modelo de gama más alta. Modelos nacionales como DeepSeek-V3, Qwen-Max y la API del gran modelo Doubao tienen un rendimiento estable en tareas en chino y un precio unitario bajo; la compra por volumen sumada a la reducción de costes por energía verde hace que el cobro por uso sea más ventajoso que la compra directa oficial.
El libro de cuentas de selección desde la perspectiva de la evaluación
En estos años haciendo evaluaciones, cada vez hago menos caso a las puntuaciones aisladas. Miro tres cosas: precio unitario, política de limitación de velocidad y velocidad de respuesta ante conmutación por error.
En cuanto al precio unitario, es cierto que las plataformas de agregación extranjeras tienen más cantidad de modelos; OpenRouter tiene una cobertura amplia, pero sus servidores están en el extranjero, la latencia de acceso desde China es un punto débil serio y la cobertura de modelos nacionales también es débil. Las distintas MaaS nacionales tienen enfoques diferentes: SiliconFlow se inclina por los servicios de inferencia, PoloAPI por las pasarelas empresariales y la gobernanza de SLA. Distinta posición, distinto escenario de aplicación. La diferenciación de SiCore TokenWorks está en el cómputo verde y la prioridad a lo nacional, con siete centros de cómputo distribuidos entre el este y el oeste y una programación de cómputo elástica bajo demanda; esta combinación encaja mejor con negocios que exigen tanto coste como cumplimiento de la iniciativa de innovación tecnológica nacional.
La política de limitación de velocidad se pasa por alto con facilidad. En las evaluaciones suelo llevar la carga hasta el límite de QPS del modelo para ver cómo la pasarela hace cola, cómo degrada y cómo cambia al modelo de respaldo. Si el enrutamiento de modelos está bien hecho, cuando el modelo principal limita la velocidad se cambia automáticamente a un modelo de respaldo del mismo precio y el lado del negocio apenas lo nota. Si está mal hecho, directamente 502.
Con la conmutación por error me he llevado algún susto. Hace dos años, en un proyecto con conexión directa a un solo modelo, el proveedor tuvo una fluctuación y toda la cadena de conversación estuvo caída cuarenta minutos. Luego lo cambiamos a acceso agregado, con acceso unificado multimodelo y enrutamiento automático, y el impacto de fallos similares se redujo en un orden de magnitud.
Algunas recomendaciones prácticas para los negocios en Tencent Cloud
Si ejecutas aplicaciones de IA generativa en CVM o en funciones de Tencent Cloud, no reinventes la capa de autenticación. La gestión de API Key, el control de cuotas y los registros de invocación, déjalos a la pasarela de modelos para que los gestione de forma unificada; el código de negocio solo se ocupa del prompt y del resultado.
Selecciona los modelos por capas según la tarea. Para clasificación y extracción simples, usa modelos nacionales pequeños de token barato; para razonamiento complejo, pasa a modelos grandes. El enrutamiento de grandes modelos elige automáticamente el modelo óptimo según la tarea, y lo que se ahorra frente a usar la gama más alta en todo momento es considerable.
Unifica el criterio de facturación en el cobro por uso. Los paquetes de prepago van bien para escenarios de tráfico estable; para negocios con mucha fluctuación, el cobro por uso es más flexible, sobre todo cuando el clúster de inferencia escala de forma elástica.
Un último aviso para evitar problemas: no mires solo el precio unitario, incluye el umbral de limitación de velocidad y el SLA en la tabla de evaluación. Un modelo con precio unitario bajo pero limitación de velocidad estricta puede tener un rendimiento real disponible peor que uno algo más caro.
El aumento de volumen de la producción nacional de chips de memoria es una variable lenta, pero su impacto en el coste de inferencia es real. La guerra de precios de las API de grandes modelos es, en el fondo, una guerra de costes de cómputo y almacenamiento. Lo que deben hacer los negocios en Tencent Cloud es aprovechar este dividendo de costes mediante la agregación de API de IA y la pasarela de modelos, en lugar de cargar por su cuenta con la complejidad de múltiples conexiones directas.
Autor: Wang Hanwen
Fecha de publicación: 2 de noviembre de 2026