商业模式拆解 · Stability AI
Stability AI：开源换生态，企业许可与API收费能否覆盖高成本
以开放权重和API双轨收费，靠低价授信与云渠道触达，最大赌注是企业为定制与法务保障付费。
关键数字
Stability AI的收入结构呈三层：面向开发者的API按次计费、面向创作者的音频订阅、面向企业的自托管与定制许可。钱主要花在模型训练算力和研发团队上，2023年月支出约800万美元的量级远高于可确认的经常性收入。云渠道（Amazon Bedrock）承担了分发和部分算力成本，使它能触达HubSpot等企业客户，但核心模型研究并非完全自持，2024年三位Stable Diffusion论文作者集体辞职暴露了人才与IP风险。公司靠融资和削减成本续命，最可能的结局是收缩为一家依靠企业授权与云合作生存的中型模型供应商，而非平台型公司；若企业许可收入无法覆盖训练成本，则面临被收购或进一步重组。
产品与模型
开放权重做漏斗，付费墙设在最大模型和企业条款
Stable Audio 3.0 开放权重发布 Small、Small-SFX、Medium 三个模型；Large 模型不在开放权重发布内，仅可通过 API 或企业自托管许可获取。这形成一条清晰的产品分层：开放权重负责吸引开发者和创作者试用，建立社区生态；当用户需要更高品质输出或商业合规保障时，才进入付费环节。
这种分层在图像侧同样存在。Stable Diffusion 3.5 Large作为80亿参数基础模型，通过API按6.5 credits/次收费，而社区许可仅限年收入低于100万美元的商用免费。付费点不在于模型本身，而在于法律赔偿保障与规模商用权限。
判断：开放权重是获客成本较低的市场手段，但Large模型不开放意味着公司试图把最强能力锁在付费墙后。风险在于，开放权重模型可被社区微调出接近Large的效果，付费墙的吸引力取决于企业客户对法务保障和稳定服务的需求强度。
依据R4R6单卡可跑的音频模型，降低自托管的算力门槛
Stable Audio 3.0 Medium生成380秒音轨峰值显存6.52 GB，可运行于单张中端消费级GPU。这一工程指标有商业含义：它让自托管部署对小团队和小团队变得可行，从而扩大了企业自托管许可的潜在客户池。
自托管将按次计费转为固定算力成本，客户不再为每次生成付费，但需自行承担容量、可用性与升级运维。对Stability AI而言，这减少了API侧的推理成本，但收入从变动费率变为一次性或周期性许可费，收入弹性下降。
判断：低显存门槛是产品优势，但也意味着公司难以从大规模API调用中持续抽成。它更适合作为企业许可的敲门砖，而非API收入的增长引擎。
依据R4收入模式
API按credits计费，小额预付降低试用门槛
Stability AI API按credits计费，1 credit等于0.01美元，新用户获25免费credits。图像服务中，Stable Image Ultra每次8 credits，SD3.5 Large Turbo每次4 credits，SDXL 1.0起价0.9 credits；Stable Diffusion 3.5 Large为6.5 credits/次。音频侧另有订阅套餐：Creator 12美元/月含660 credits，Pro 30美元/月含1800 credits，Studio 90美元/月含6000 credits，Max 199美元/月含14000 credits。
这套定价的付费者是开发者和中小团队，按实际用量付费，免费额度用于降低接入摩擦。第三方页面（R12）称10美元/月含6500 credits、Professional 30美元/月含22500 credits，其档位名称与额度均与官方订阅页（R5）不一致，属第三方转述，不作为定价依据。
判断：credits制适合波动性用量，但客单价低，收入增长依赖调用规模。免费credits和低起价意味着早期ARPU有限，需要大量付费开发者才能覆盖固定成本。
依据R6R5R12企业自托管许可：卖法律保障和定制，不卖按次调用
企业许可含法律赔偿保障，社区自托管不含；社区许可下年收入低于100万美元可免费商用。这一设计把付费点从模型能力转移到合规与责任转移：年收入超过100万美元的企业若不想承担版权风险，需购买企业许可。
自托管模式下，客户支付固定许可费，Stability AI不再按生成次数收费。收入更可预测，但放弃了用量增长的红利。企业客户还看重深度定制，EA称Stability AI不仅能够且愿意拆解模型并按需调整表征，这类定制服务可能带来额外合同，但金额未披露。
判断：企业许可是当前最可能带来大额收入的渠道，但它依赖销售团队和法务背书，不是自助式增长。小团队难以复制这种模式，因为没有法务团队和定制交付能力。
依据R4R14客户与市场
大企业通过云平台来买，而非直接签Stability AI
可确认的企业客户包括HubSpot、Mercado Libre和Stride Learning。HubSpot通过Amazon Bedrock使用SD3 Large/SD3.5 Large，为近26万客户提供图像生成；Mercado Libre联合Mutt Data用Stable Diffusion建GenAds，覆盖7国、生成超9万条商品广告；Stride Learning用Bedrock中的Stability基础模型，6个月建成K-12阅读理解教育应用。此外，EA与Stability AI达成合作，将3D研究团队嵌入EA（商业条款未披露），但公开资料未披露EA作为付费企业客户或使用Stability产品的记录。
这些客户的共同点是有明确业务场景和规模化需求，且多经由云平台接入。它们为Stability AI带来的收入形式可能是云市场分成或企业许可，具体金额公开资料未披露。
判断：客户质量不低，但Stability AI对客户的直接控制力弱，因为云平台承担了集成和计费。企业客户记住的是Bedrock，不一定是Stability AI。
依据R2R7R3R1R14获客与渠道
借云厂商的市集触达企业，省销售但让出分成
Amazon Bedrock是Stability AI触达企业的主要渠道。HubSpot和Stride Learning均通过Bedrock接入，Avahi也于2024年11月21日宣布在AWS Bedrock上部署Stable Image Ultra、SD3 Large、Stable Image Core。云市场让Stability AI无需自建企业销售网络即可接触已有云合约的客户。
代价是渠道分成和客户关系弱化。云平台掌握计费和集成层，Stability AI更像模型供应商而非服务品牌。此外，据2024年3月报道，其全球活跃社区超过30万名创作者、开发者和研究者；这些人是否构成付费试用漏斗，公开资料未披露。
判断：云渠道是低成本扩张的合理选择，但长期看会压缩毛利并把定价权部分让给云厂商。对小团队而言，借云市场分销同样可行，但前提是产品能标准化嵌入，定制需求会拖慢交付。
依据R2R7R1R10R13成本结构
训练算力和团队是固定大头，自托管反而省推理成本
截至2023年10月，Stability AI月支出约800万美元。这笔钱主要流向模型训练算力和研发团队薪酬。作为对比，公开资料未披露其同期收入，因此无法判断支出覆盖比例，但月支出规模说明这是一门需要持续投入的生意。
自托管模式将推理成本转移给客户，公司侧不再承担按次生成的算力费用，但需承担许可交付和定制支持的人力成本。API模式则相反，公司承担推理算力，按credits收费。两种模式的成本结构不同，自托管更接近软件许可，API更接近云服务。
判断：月支出800万美元意味着公司必须依赖外部融资或大额企业合同才能维持。若企业许可收入不能快速起量，削减研究和团队开支是必然选择。
依据R13R4融资与资本
融资续命，估值曾达10亿美元但后续募资未成
据公开报道（R13），Stability AI此前四轮融资共获1.51亿美元，2022年10月估值达10亿美元。但截至2023年10月，公司曾试图以40亿美元估值融资但未成功。2024年3月CEO辞职，说明资本压力已传导至管理层。
收入端可确认的只有API定价和订阅档位，没有公开的收入或利润数据。支出端月均800万美元的量级意味着1.51亿美元融资可覆盖的时间有限。公司后续靠什么钱活着，公开资料未披露；可能的路径包括企业合同预付款、云厂商合作收入分成或进一步削减成本。
判断：估值与融资尝试之间的落差说明资本市场对其商业化进度存疑。它需要证明企业许可和API收入能形成可预测的现金流，否则融资窗口会继续收窄。
依据R13护城河
模型能力并非独有，护城河在客户定制与法务保障
据R13转引《福布斯》报道，Stable Diffusion源代码由慕尼黑大学、海德堡大学和Runway共同完成，Stability AI仅提供算力；2024年3月初，发表Stable Diffusion论文的三位作者已从Stability AI集体辞职。这两条事实说明，核心研究能力并不完全内化，人才流失进一步削弱技术壁垒。
真正让企业客户付费的是深度定制与责任转移。EA称Stability AI不仅能够且愿意拆解模型并按需调整表征，这是一种服务能力而非模型本身。企业许可含法律赔偿保障，社区自托管不含，法务保障是开源替代品无法提供的。
判断：护城河不在模型权重，而在企业交付与合规背书。这种护城河更难被复制，但也更难规模化，因为它依赖人和合同，不是软件。
依据R13R14R4风险与不确定性
核心作者离职，开源成果的归属不稳
2024年3月初，发表Stable Diffusion论文的三位作者从Stability AI集体辞职。此前据R13转引《福布斯》报道，源代码主要由外部机构完成，Stability AI仅提供算力。这意味着公司在技术叙事上依赖外部研究成果，而核心研究者离开后，后续模型迭代能力存疑。
对商业化的影响是：企业客户购买许可时看重持续升级和支持，如果研发团队不稳定，续约和扩展合同会受影响。同时，开源社区可能分流到其他模型，降低开放权重漏斗的转化效率。
判断：人才风险是结构性的，不是一次公关事件。它削弱了公司最需要的技术可信度，而企业许可恰恰卖的是可信度。
依据R13开放权重与付费墙之间的张力
社区许可下年收入低于100万美元可免费商用，企业许可才含法律赔偿保障。这种设计让小型用户免费使用，大型企业付费。但开放权重模型一旦发布，第三方可自行微调和部署，企业客户可能选择社区版加自建法务，而非购买企业许可。
同时，Stable Audio 3.0 Large不开放权重，说明公司试图保留最强模型的付费吸引力。但如果开放的中型模型效果足够好，Large的付费意愿会被稀释。API按credits计费的低价策略也压缩了单次收入。
判断：开源策略扩大了生态，却让付费理由变得狭窄。公司需要不断证明企业许可的法务价值和定制能力，否则免费替代品会持续侵蚀付费转化。
依据R4R6关键节点
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
把免费额度当试用入口，但付费理由要落在客户能感知的合规与定制上
Stability AI用25个免费credits和社区免费商用降低接入摩擦，付费墙设在企业许可的法律赔偿保障和深度定制上，而不是模型能力本身。小团队可以借这个分层思路：先用低成本入口让客户跑起来，再把收费点放在客户自己说不清、但出了事会疼的地方，比如责任划分、交付支持和按需调整。
借不了的是法务背书这一层。企业许可含法律赔偿，社区自托管不含，这背后是合同和法务团队，不是产品功能。小团队没有这套资源，能卖的是标准化工具或明确边界的定制服务，不能照搬法律保障模式。
借云市场分销能省销售，但客户记住的是云平台而不是你
HubSpot和Stride Learning都是通过Amazon Bedrock接入Stability的模型，云市场让它不用自建企业销售网络就能触达已有云合约的客户。小团队同样可以把产品标准化后挂到云市场或应用市场，用别人的渠道换触达。
代价是计费和集成层握在云平台手里，客户关系被弱化，定价权也让出一部分。小团队借这条渠道的前提是产品能标准化嵌入、不需要大量定制交付；一旦客户要深度定制，渠道的分发效率就会下降，交付压力回到自己身上。
低显存门槛能打开自托管客户，但也把按次抽成的收入弹性让掉了
Stable Audio 3.0 Medium生成380秒音轨峰值显存6.52 GB，单张中端消费级GPU就能跑，这让自托管部署对小客户变得可行，扩大了企业许可的潜在客户池。小团队做工具类产品时，把部署门槛压到客户现有硬件能承受的范围，是打开自托管生意的实际办法。
但自托管把按次计费换成固定许可费，收入不再随客户用量增长，公司侧省了推理成本却失去了弹性。小团队如果靠API按次收费，收入随调用量波动；如果转自托管许可，就要接受收入更平但更依赖续约和定制支持，这两种成本结构不能混着算。
公开资料没有回答的问题
- Stability AI在2024年之后的实际收入和现金流状况，公开资料未披露。
- 企业自托管许可的具体合同金额和客户数量，公开资料未披露。
- 与EA合作中3D研究团队嵌入的具体商业条款和对价，公开资料未披露。
- CEO更替后公司战略和人员规模的变化，公开资料未披露。
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1Customer Stories — Stability AIstability.ai · 一手来源 · 可信度 87
- R2HubSpot Scales Image Generation 150% with Stability AI in Amazon Bedrock — Stability AIstability.ai · 一手来源 · 可信度 86
- R3Mercado Libre Scales Ads with Stability AI’s Stable Diffusion & AWS AI Tools — Stability AIstability-ai.squarespace.com · 一手来源 · 可信度 85
- R4Self-hosted vs. API generative audio: choosing a deployment model — Stability AIstability.ai · 一手来源 · 可信度 85
- R5Stable Audio Subscription Plans and Creditskb.stability.ai · 一手来源 · 可信度 85
- R6Power your applications with Stability AI APIplatform.stability.ai · 一手来源 · 可信度 85
- R7HubSpot Case Studyaws.amazon.com · 媒体与披露 · 可信度 84
- R8HubSpot Case Study - Skip to main contentaws.amazon.com · 媒体与披露 · 可信度 84
- R9Stable Diffusion 3.5 Large | Text to Image API - or around 15 images for $1replicate.com · 媒体与披露 · 可信度 84
- R10Avahi Announces Partnership with Stability AI to Empower Businesses with Cloud-Based Generative AI Solutions - Avahiavahi.ai · 媒体与披露 · 可信度 82
- R11Training models is the new creative process — Stability AIstability-ai.squarespace.com · 一手来源 · 可信度 82
- R12Stability AI APIrequestly.com · 媒体与披露 · 可信度 80
- R13去中心化连同老板都跑了？英国文生图大模型初创公司CEO宣布离职_马德·莫斯_Stable_塔克 - 去中心化连同老板都跑了？英国文生图大模型初创公司CEO宣布离职sohu.com · 媒体与披露 · 可信度 80
- R14EA Says Its Deal With Stability AI is About Keeping Its Status as a Place for "Great Electronic Artists" and to not Become "Observers"wccftech.com · 媒体与披露 · 可信度 80
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 11 个来源、9 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。