上海壁仞科技披露截至2025年12月31日止年度业绩：
在AI算力需求从“技术突破”走向“规模化落地”的阶段，公司收入同比大增207%至10.35亿元，在国产GPU公司中交出一份“交付放量”的阶段性答卷。
但利润表出现了极强的“会计噪音”：剔除赎回负债账面值变动、股份薪酬及上市开支后，公司经调整年内亏损为8.74亿元，同比扩大约14%。
与此同时，研发投入继续上强度：全年研发开支14.76亿元，同比增长78.5%，明显指向下一代BR20X产品、光互连/超节点等系统级能力的持续押注。
收入暴增背后：BR10X量产+千卡集群交付放量
2025年公司收入10.35亿元（2024年3.37亿元），几乎全部来自“智能计算解决方案”产品销售（10.28亿元）。公司将增长归因于BR10X系列旗舰通用GPU（BR106、BR166）实现“全形态量产与规模交付”，并完成多个千卡级智算集群交付。
管理层在业务侧给出的关键信息点包括：
- 标杆项目：交付2,048卡“光互连+光交换GPU超节点集群”，以及多个市场化数千卡集群，客户覆盖国家级算力平台、电信运营商、商业AIDC、AI/大模型公司与企业客户。
- 从“卖卡”到“交付系统”：强调已形成“芯片+系统+垂直场景”的端到端能力，场景覆盖AIGC、AI Agents/AI Coding、金融科技、智能制造、政务与教育等。
这意味着公司当前的商业化路径，更接近“算力系统解决方案提供商”，而非单一芯片供货商——交付形态越系统化，收入确认规模与毛利结构也更容易被抬升，但项目制交付也往往伴随更高的应收与存货波动（后文详述）。
毛利率站上53.8%：系统交付带来的结构性改善
2025年公司毛利5.57亿元（+211%），毛利率53.8%，同比提升63个基点。对应销售成本4.78亿元（+203%），基本随收入放量而同步上行。
在国产GPU仍处“导入期+规模爬坡”的阶段，53.8%的毛利率具备一定信号意义：
- 一方面，说明公司在解决方案交付中具备一定的定价与产品结构支撑；
- 另一方面，也意味着公司短期经营杠杆的核心矛盾不在毛利端，而在研发与系统能力建设的高投入、以及项目交付带来的周转占用。
研发费用14.76亿元：为BR20X、光互连与超节点“提前付费”
研发开支同比增长78.5%至14.76亿元，远高于收入规模，研发/收入约143%。公司解释主要由两部分驱动：
- 为支持产品与技术迭代增加的研发技术服务、设备折旧等；
- 研发团队扩张及股份薪酬增加。
研发投入对应的技术路线在公告中被清晰锚定：
- 下一代BR20X计划于2026年推出：在保持训练优势的同时，面向推理时代的指数级需求进行优化，升级算力密度、内存容量与带宽、互连能力，并支持FP8/FP4等低精度计算，强调“性能与能效双突破”。
- 系统级创新：推出“光跃LightSphere X”超节点方案（光互连与分布式光交换dOCS），并已在国家级算力平台落地2,048卡集群；BR20X还将基于自研互连协议Blink2.0推出超节点方案，强调scale-up到千卡规模集群。
- 软件生态：围绕PyTorch、vLLM、SGLang、Triton、TileLang等主流/开源框架持续优化，并推进自有软件栈BIRENSUPA的开源策略，降低客户迁移成本。
“推理工作负载上升+系统级竞争”是管理层反复强调的产业判断：当算力竞争从单卡峰值转向集群效率、部署成本与稳定性，硬件之外的软件栈、互连与系统工程能力，决定了产品能否真正进入生产环境。
净亏损为何“爆表”：154.71亿元赎回负债变动吞噬利润表
IFRS口径下，2025年年内亏损164.93亿元（2024年15.38亿元），表面看极端恶化，但拆开看主要来自财务成本净额的异常飙升：
- 2025年财务成本净额154.51亿元（同比+2097.8%）
- 公司解释为：与授予投资者赎回权相关的赎回负债公允价值增加所致
- 对应非经常、非现金的“赎回负债账面值变动”为154.71亿元（2024年为6.74亿元）
公司进一步给出关键会计节点：上市后赎回权不可撤回地终止，相关赎回负债将于2026年1月2日终止确认并计入权益，2026年将不再有与赎回负债相关的收益或亏损。对投资者而言，这类波动更接近“上市前资本工具的会计重估”，不宜与经营性亏损混为一谈。
更能反映经营情况的是非IFRS口径：经调整年内亏损8.74亿元（2024年7.67亿元）。其调整项包括：
- 加回赎回负债账面值变动154.71亿元
- 加回股份薪酬1.06亿元
- 加回上市开支0.42亿元
换句话说，公司2025年的核心矛盾仍是“高研发投入换取下一代产品与系统能力”，而非毛利崩塌或销售失速。
生态与客户：从“适配模型”走向“芯模联动”的产业位置争夺
公告中一段值得细读的表述是：公司支持多个头部模型实现“Day 0适配”，并与大模型公司、国家级智算服务企业组建“国产AI联合实验室”，推动“芯－模－云”协同以降低每Token成本。
被点名的模型/平台包括DeepSeek、MiniMax、智谱GLM、阿里Qwen、阶跃星辰Step、腾讯混元等。对GPU厂商而言，生态合作的价值不止是“能跑”，更在于：
- 在框架、算子、通信与并行策略层面把性能“打出来”，缩小从实验到生产的落差；
- 在推理成本敏感的商业环境中，通过软硬协同争夺TCO（总拥有成本）优势；
- 让硬件路线（如低精度FP8/FP4、互连与超节点）与模型演进形成更强绑定。
这也解释了公司为何在“系统级竞争”“推理倾斜”“应用驱动（Agents带来乘数效应）”上反复强调：当算力需求从训练走向推理与在线服务，客户买的不是峰值参数，而是持续运行的成本、稳定性与交付确定性。
