免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀?？萍既A泰研究全球主流大模型集中于中美。據(jù)ArtificialAnalysis數(shù)據(jù)，美國頭部模型廠商包括OpenAI、xAI、Anthropic與Google；國內(nèi)DeepSeek、阿里、智譜、Kimi與MiniMax較為領先。由于國內(nèi)高性能算力受限，在同樣強化學習+后訓練范式下，海外模型偏向規(guī)模擴展，而國內(nèi)擅長架構優(yōu)化。投資建議上，把握算力、存儲、電力、應用四個方向，我們認為：1）大模型產(chǎn)業(yè)的基座是算力。2）隨著多模態(tài)模型的普及，存儲需求同步提升。3）電力是算力的配套，是大規(guī)模集群上線的前提之一。4）AI應用是商業(yè)化落地的關鍵。1）中美大模型差異并非技術強弱，而是算力結構決定路線：海外依托高密度集群深化后訓練與推理擴展，國內(nèi)在算力約束下以Attention優(yōu)化、MoE稀疏化和長上下文重構追求單位算力效率，因此跑分不構成統(tǒng)一比較錨。2）AI應用落地并非遙遠，OpenAI提出統(tǒng)一模型、Pulse主動Agent與ACP對話內(nèi)結賬已使應用從“能用”進入“可經(jīng)營”，電商等高頻閉環(huán)場景率先具備規(guī)?；瘲l件。3）市場普遍低估數(shù)據(jù)標注的價值，ScaleAI、SurgeAI等高收入與高客單價顯示標注是模型能力上限的關鍵投入；需求擴張疊加客戶對獨立供應鏈偏好提升，行業(yè)定價權仍在抬升。大模型能力演進呈預訓練、后訓練與推理全鏈路擴展范式。早期ScalingLaw聚焦預訓練（參數(shù)/數(shù)據(jù)/算力同步放大2024年9月OpenAI發(fā)布o系列后，強化學習系統(tǒng)性并入后訓練，推理端以思維鏈延長思考時間、生成更多token釋放能力。海外以xAI為代表，依托約20萬卡級集群，持續(xù)在推理端擴算力；國內(nèi)在算力受限下更側重架構與算法精修，Qwen、DeepSeek、Kimi等以注意力優(yōu)化、稀疏化與MoE等提升訓練推理效率與性價比。我們認為，兩條路徑將沿各自要素稟賦持續(xù)演進。OpenAI提出GPT-5統(tǒng)一模型后，后續(xù)的模型迭代更多屬工程整合、價值再提效，研發(fā)重心上移至應用與變現(xiàn)。OpenAI以ACP（與Stripe）實現(xiàn)對話內(nèi)購買，首批接入Shopify、Etsy，并與Salesforce、Walmart協(xié)作，打通“發(fā)現(xiàn)-支付”閉環(huán)。國內(nèi)側阿里Qwen以多模態(tài)與場景推動token上量；據(jù)云棲大會2025主題演講，近2-3個月Token消耗倍增、百煉平臺過去一年日均調(diào)用量增約15倍、FY26Q1云業(yè)務收入同比增速25.8%。我們認為，支付閉環(huán)疊加生態(tài)擴展將主導下一階段商業(yè)化。1）算力：預/后訓練迭代推高算力需求，OpenAI規(guī)劃算力中心合計超36GW；據(jù)SCMP，出口限制后NVIDIA在華先進芯片份額95%→0，國產(chǎn)供給接棒。利好海外/國產(chǎn)算力鏈，如翱捷科技、滬電股份、芯原股份。2）存儲：多模態(tài)/長視頻抬升容量與帶寬（圖片1MB、音頻5MB、視頻≈50MB/分）。3）電力：美國新建大型數(shù)據(jù)中心并網(wǎng)申請到商運的中位時長繼續(xù)增加，而礦場改造成本約500-800萬美元/兆瓦、落地更快。4）應用：OpenAIACP實現(xiàn)對話內(nèi)結賬貫通“觸達-體驗-支付”；國內(nèi)入口卡位者更易受益：2C領域，福昕軟件、金山辦公、奧多比有豐富的C端用戶積累；2B領域，用友網(wǎng)絡、泛微網(wǎng)絡、鼎捷數(shù)智、虹軟科技、微軟有多樣化的企業(yè)客戶。風險提示：宏觀經(jīng)濟波動，技術進步不及預期，中美競爭加劇。研報中涉及到未上市公司或未覆蓋個股內(nèi)容，均系對其客觀公開信息的整理，并不代表本研究團隊對該公司、該股票的推薦或覆蓋?？萍加嬎銠C行業(yè)走勢圖計算機科技計算機滬深300(%)滬深3004731(3)(19)Dec-24Apr-25Aug-25Nov-25資料來源：Wind，華泰研究重點推薦股票名稱股票代碼(當?shù)貛欧N)投資評級用友網(wǎng)絡600588CH22.57買入鼎捷數(shù)智300378CH68.07買入奧多比(Adobe)ADBEUS474.87買入虹軟科技688088CH73.47買入泛微網(wǎng)絡603039CH75.60買入翱捷科技688220CH130.00買入芯原股份688521CH207.43買入微軟MSFTUS648.00買入(Microsoft)福昕軟件688095CH119.23買入金山辦公688111CH380.80買入滬電股份002463CH84.40買入資料來源：華泰研究預測免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。與市場不同的觀點 5#1：中美大模型走出了差異化的發(fā)展路線 5#2：AI應用的轉(zhuǎn)折點或?qū)⒌絹?5#3：數(shù)據(jù)標注的重要性被低估 5投資建議 6中美兩國持續(xù)引領大模型迭代 8Transformer架構依然主流，Diffusion值得關注 12ScalingLaw2.0下，中美模型迭代的差異化路徑 14ScalingLaw2.0含義更加豐富，數(shù)據(jù)、算力持續(xù)攀升 14MoE之后，推理模型成為主流選擇 14大模型訓練數(shù)據(jù)量持續(xù)提升 15訓練算力與訓練成本保持快速增長 16模型性價比提升的趨勢不變 17ScalingLaw2.0下，中美模型迭代的差異化路徑 18海外：xAI持續(xù)踐行“大力出奇跡”，緊抓后訓練和強化學習 18國內(nèi)：阿里、DeepSeek創(chuàng)新性架構優(yōu)化，抓住Attention本質(zhì) 20推理/非推理模型統(tǒng)一后，模型應用轉(zhuǎn)折點或?qū)⒌絹?24GPT-5確立了行業(yè)內(nèi)模型“統(tǒng)一系統(tǒng)”的方向 24頭部廠商重心開始向應用和商業(yè)化生態(tài)轉(zhuǎn)移 25模型Agent能力：海外注重基模，國內(nèi)偏向應用 32海外：旗艦模型執(zhí)行復雜任務的時長持續(xù)Scaling 32國內(nèi)：智譜AutoGLM應用開始占領用戶心智 33多模態(tài)領域國內(nèi)領先，Sora2有望再次引發(fā)熱潮 35國內(nèi)模型廠商在多模態(tài)生成領域全球領先 35Sora2和相應社交App的發(fā)布，掀起多模態(tài)+社交的熱潮 37標注/合成數(shù)據(jù)都是后訓練時代重要的數(shù)據(jù)來源 39海外：專業(yè)化的數(shù)據(jù)標注公司是海外大廠首選 39國內(nèi)：DeepSeek、Kimi在最新的模型中均系統(tǒng)性使用了合成數(shù)據(jù) 43投資建議 44算力 44存儲 45 46應用 49風險提示 53免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。圖表1：推薦標的與產(chǎn)業(yè)鏈標的一覽 7圖表2：全球主流大模型智能性概覽：中美大模型之爭 8圖表3：全球大模型主要玩家的能力矩陣 9圖表4：Google2025年以來的模型更新情況 10圖表5：Gemini3在多項測評集領先 圖表6：當前全球大模型仍以Transformer的decoder-only架構為核心主流 12圖表7：GoogleGeminiDiffusion 13圖表8：字節(jié)SeedDiffusionPreview 13圖表9：字節(jié)SeedDiffusionPreview性能超過GoogleGeminiDiffusion 13圖表10：OpenAIo系列模型帶來ScalingLaw2.0 14圖表11：ScalingLaw的三層遞進 14圖表12：主流頭部模型幾乎全部是推理模型 15圖表13：MoE（混合專家架構）是頭部模型主要采用的技術架構 15圖表14：大模型訓練數(shù)據(jù)量從15Ttokens提升到30T以上 15圖表15：前沿人工智能模型的訓練計算量大約每六個月翻一番 16圖表16：前沿AI模型訓練的攤銷硬件和能源成本隨時間變化 17圖表17：大模型API調(diào)用價格持續(xù)下降趨勢不變 17圖表18：Grok模型的演進對應了ScalingLaw的1.0到2.0階段 18圖表19：xAI訓練團隊在X平臺指出Grok-4.1后訓練算力有數(shù)量級的提升 19圖表20：OpenAI的算力擴張之路 20圖表21：Qwen3-Next通過Attention優(yōu)化提升長文本與大參數(shù)效率 21圖表22：DeepSeek-V3.2-Exp相比V3.1-Terminus在不同長度位置Token的推理成本顯著降低 22圖表23：DeepSeek-V3.2-ExpNSA注意力架構 22圖表24：KimiK2vsDeepSeek-V3：架構變化 23圖表25：GPT-5統(tǒng)一系統(tǒng)架構 24圖表26：Grok4Fast在保持高性能的前提下輸出更少的token 25圖表27：ChatGPT周活用戶變化 26圖表28：OpenAIPulse的使用情境#1 26圖表29：OpenAIPulse的使用情境#2 26圖表30：Agent商業(yè)協(xié)議（ACP）為ChatGPT提供即時結賬功能 27圖表31：OpenAI2025開發(fā)者大會展示的開發(fā)者生態(tài)進展（2023vs2025） 28圖表32：OpenAI2025開發(fā)者大會展示的ChatGPT與外部Zillow應用集成 28圖表33：OpenAI打造的軟硬件朋友圈將持續(xù)豐富 29圖表34：OpenAI收入預測變化情況 29圖表35：阿里Qwen系列2025年以來的模型更新情況 30圖表36：主要云廠商收入云業(yè)務收入增速對比 31圖表37：不同大型語言模型能夠50%概率完成軟件工程任務的時間跨度 32圖表38：GenSpark使用Claude模型構建智能體 33圖表39：Manus支持OpenAI的API 33圖表40：AutoGLM2.0自動操作云端手機 34免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。圖表41：AutoGLM2.0自動操作云端電腦 34圖表42：騰訊混元系列2025年以來的模型更新情況 35圖表43：文生圖像排行榜-ArtificialAnalysis 36圖表44：文生圖像排行榜-LMArena 36圖表45：文生視頻排行榜 37圖表46：圖生視頻排行榜 37圖表47：文字轉(zhuǎn)語音排行榜 37圖表48：SoraApp發(fā)布后迅速登上ios美國區(qū)免費第一 38圖表49：Sora主頁的網(wǎng)站訪問量隨著Sora2發(fā)布而提升 38圖表50：海外數(shù)據(jù)標注初創(chuàng)公司對比：ScaleAI、SurgeAI、Mercor 40圖表51：KimiK2的大規(guī)模Agent數(shù)據(jù)合成流程 43圖表52：算力推薦標的與產(chǎn)業(yè)鏈標的 45圖表53：多模態(tài)AI帶來存儲需求數(shù)量級的提升 46圖表54：存儲產(chǎn)業(yè)鏈標的 46圖表55：海外大廠與SMR廠商簽訂了相關協(xié)議或PPA 47圖表56：礦場改造數(shù)據(jù)中心相關產(chǎn)業(yè)鏈標的及簡況 48圖表57：電力產(chǎn)業(yè)鏈標的 49圖表58：應用推薦標的與產(chǎn)業(yè)鏈標的 50圖表59：重點公司推薦一覽表 50圖表60：重點推薦公司最新觀點 51免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。我們認為，市場以模型跑分來衡量國內(nèi)外大模型技術孰優(yōu)孰劣，是對國內(nèi)算力供給約束的誤讀。海外依托高密度算力把后訓練與強化學習做大做深，更易拔高長尾任務基準分；國內(nèi)面臨算力供給不足，并非技術不行，而是主動轉(zhuǎn)向差異化路線：以Attention本質(zhì)優(yōu)化、MoE稀疏化、長上下文工程重構，追求單位算力的有效產(chǎn)出。因此，跑分并不構成統(tǒng)一錨；決定路徑的變量是算力結構而非研究能力，分化由此形成并將延續(xù)。海外路徑正將算力重心移向后訓練與推理，國內(nèi)路徑在算力約束下押注架構與算法精修。xAI以ScalingLaw2.0為綱，圍繞后訓練+強化學習+算力擴張迭代Grok。而在算力供給差距下，國內(nèi)頭部廠商聚焦Attention本質(zhì)優(yōu)化與MoE稀疏化以換取訓練推理效率：Qwen3-Next在Transformer+MoE框架內(nèi)引入“75%線性注意力+25%傳統(tǒng)注意力”的混合注意力機制，顯著提高長上下文與大參數(shù)場景的效率。DeepSeekV3.2以DSA(動態(tài)稀疏注意力)重構算子與內(nèi)核，API輸入/輸出成本相比上一代模型約-50%/-75%。市場多認為AI應用大規(guī)模落地仍遠；我們認為時間點正在接近，電商等高頻垂類具備先行條件。OpenAI為代表的頭部廠商研發(fā)重心由底層能力轉(zhuǎn)向應用與商業(yè)化：統(tǒng)一模型提供一致能力底座，Pulse把模型從被動問答推進為主動智能體，ACP對話內(nèi)結賬打通“推薦-下單-履約”，疊加AppsSDK與MCP的標準化接入與分發(fā)，以及與Shopify、Etsy等合作擴展生態(tài)，“對話即入口、即時結賬”的工程與流量前提已具備。商業(yè)化抓手成形、需求側啟動。OpenAIPulse引入異步推理，使Agent在用戶離線時持續(xù)分析與生成，算力需求由“交互次數(shù)”轉(zhuǎn)向“在線Agent數(shù)量”。在2025年10月OpenAI開發(fā)者大會上，官方把ACP對話內(nèi)即時結賬確認為生態(tài)核心，AppsSDK與MCP提供接入、控制與富交互能力；其后宣布與Salesforce、Walmart合作擴展生態(tài)。據(jù)TheInformation數(shù)據(jù)，OpenAI2030年營收預期上調(diào)至約2,000億美元，結構從訂閱/API拓展至Agent與新產(chǎn)品。國內(nèi)側，阿里Qwen推進多模態(tài)與2B落地；據(jù)云棲大會2025主題演講，百煉平臺模型日均調(diào)用量一年增約15倍，阿里云FY26Q1云業(yè)務收入增速25.8%。我們認為，“統(tǒng)一模型+Pulse+ACP”已將應用從“能用”推進到“可經(jīng)營”，電商垂類具備流量、閉環(huán)與支付三要素，轉(zhuǎn)折點正在逼近。市場低估標注價值，海外龍頭營收與客單價已給出明確反證與強力證據(jù)。市場認為“數(shù)據(jù)Digital數(shù)據(jù)，ScaleAI收入由2022年2.5億美元升至2023年7.6億美元、2024年8.7億美元；據(jù)路透社信息，SurgeAI在2024年營收超過10億美元并實現(xiàn)盈利，單筆合同與客單價多在八位數(shù)至九位數(shù)美元區(qū)間；據(jù)TechCrunch信息與Forbes數(shù)據(jù)、Sacra數(shù)據(jù)，2025年9月，Mercor年化收入快速逼近4.5億美元，2025年上半年錄得凈利潤約600萬美元。高收入與高客單價共同說明標注價值被系統(tǒng)性低估。需求擴張疊加供給演變，行業(yè)空間與議價能力同步抬升。據(jù)MordorIntelligence數(shù)據(jù)，全球AI數(shù)據(jù)標注市場規(guī)模預計自2025年約19億美元增至2030年近55億美元，年復合增長率超過20%。驅(qū)動來自更高LLM性能需求、基于LLM的Agent數(shù)據(jù)、機器人與自動駕駛感知數(shù)據(jù)、以及醫(yī)療保健與金融科技等垂直場景。供給側出現(xiàn)結構變化：客戶對數(shù)據(jù)隔離與供應鏈獨立性的偏好增強。2025年6月，Meta以戰(zhàn)略入股方式取得ScaleAI49%股權后，部分大型實驗室為降低信息外泄風險傾向選擇與大型互聯(lián)網(wǎng)公司股權關系更疏的獨立標注方，SurgeAI承接相關遷移并實現(xiàn)業(yè)務躍升。我們認為，高質(zhì)量標注決定模型能力上限與商業(yè)化效率，在需求與結構性變化共同作用下，行業(yè)滲透率與定價權仍有提升空間。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。算力投資主線延續(xù)，訓練與推理共振抬升需求。據(jù)OpenAI現(xiàn)在的算力規(guī)劃，截至25年10月，成體系大型算力中心已超30GW，奠定大模型容量基礎；頭部廠商在預訓練與后訓練持續(xù)迭代，訓練端擴容保持韌性，硬件投入與軟件優(yōu)化圍繞版本與架構升級推進。Google在多國擴展AIOverview、AIMode，25年10月AIMode引入36種新語言/40多個新國家和地區(qū)，覆蓋逾200個國家和地區(qū)；OpenAI在2025年開發(fā)者大會宣布打造應用生態(tài)，周活用戶達8億（圖表29）。隨用戶與場景擴大，推理端對吞吐與響應要求提升，算力需求走強。我們認為，推理側邊際增量更為突出，對上游提出更高并發(fā)與更低時延的配置要求。國產(chǎn)算力接棒推進，供給體系趨于多元穩(wěn)健。據(jù)SouthChinaMorningPost于2025年10月信息，黃仁勛指出受美國出口限制影響，NVIDIA不被允許向中國大陸公司出售先進產(chǎn)品，其在中國先進芯片市場份額由95%降至0。疊加國內(nèi)互聯(lián)網(wǎng)廠商采購國產(chǎn)化趨勢增強，外采第三方與自研并行，有助縮短迭代、優(yōu)化成本并強化自主可控，帶動本土生態(tài)協(xié)同升級。我們認為，并行策略將提升國產(chǎn)芯片規(guī)?；涞匦逝c韌性。2）存儲AI存儲需兼顧容量、吞吐與可靠性。訓練側重穩(wěn)定寫入與快速恢復檢查點，推理側重高效查詢與即時響應，對系統(tǒng)擴展性與可用性提出更高門檻。硬盤用于保留模型產(chǎn)出、檢查點與查詢數(shù)據(jù)；SSD與內(nèi)存承擔高并發(fā)低時延通路。隨模型參數(shù)與能力擴張，訓練對數(shù)據(jù)規(guī)模、豐富度與標注質(zhì)量要求提升，多模態(tài)樣本需持續(xù)匯聚與留存，催生原始與清洗多副本管理與分層留存。我們認為，大容量HDD與高性能SSD協(xié)同、以容量擴充與分層優(yōu)化為主，將與算力投入并行成為中長期建設重點。視頻多模態(tài)推理驅(qū)動容量與帶寬上行。多模態(tài)成熟后，線上推理對素材、緩存與生成成品留存擴大，并發(fā)訪問與調(diào)用頻率提升。據(jù)希捷科技數(shù)據(jù)：單圖約1MB、音頻約5MB、視頻按分鐘計約50MB；隨生成視頻分辨率與時長上行，單體內(nèi)容容量繼續(xù)抬升。SoraApp等應用病毒式傳播提升創(chuàng)作者滲透率與產(chǎn)量，視頻生成分發(fā)依托邊緣低時延內(nèi)存與SSD快速檢索與回源，推動本地緩存與中心存儲協(xié)同調(diào)度與分層管理細化。我們認為，推理端需前瞻規(guī)劃容量與帶寬冗余，邊緣存儲與SSD加速將獲增量。電力約束抬升算力門檻，能源成為AI時代稀缺要素。AI訓練與推理持續(xù)推高用電負荷，據(jù)彭博新能源財經(jīng)（BNEF）預測，至2035年美國數(shù)據(jù)中心電力需求將由2024年的近35吉瓦增至78吉瓦，平均每小時用電由16吉瓦時升至49吉瓦時。AI與能源已“合二為一”，有效算力的度量正轉(zhuǎn)向以吉瓦為單位的供電能力。我們認為，能獲得穩(wěn)定低價電力者，將在算力競爭中占據(jù)結構性優(yōu)勢。核能被視為穩(wěn)定低碳的中長期解法，海外頭部云廠商等已簽訂多個電力購買協(xié)議（PPA）。美國電網(wǎng)當前面臨需求激增與多年投資滯后疊加，SMR（小型模塊化反應堆）有望成為新增負荷的重要抓手。海外頭部廠商，包括微軟、Gogole、亞馬遜、Meta均與SMR廠商簽訂了相關協(xié)議或PPA。AI應用是后續(xù)AI商業(yè)化落地的核心戰(zhàn)場與抓手。在OpenAI加速擴展數(shù)據(jù)中心的同時，2025年9月OpenAI與Stripe合作推出ACP支付協(xié)議，打通ChatGPT內(nèi)的即時支付功能，形成商業(yè)化變現(xiàn)閉環(huán)。首批接入ChatGPT應用生態(tài)的廠商包括Etsy、Shopify兩家電商，以及Figma、Zillow、Expedia、Instacart、Salesforce、Spotify、Duolingo等各垂類應用。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。國內(nèi)入口卡位稀缺、覆蓋較多2B/2C客戶的標的更易受益于AI應用商業(yè)化浪潮。面向國內(nèi)AI應用標的，我們延續(xù)“生態(tài)優(yōu)先”的判斷框架：以平臺級入口為抓手、具備服務企業(yè)（2B）或消費者（2C）的用戶結構，并能與模型、支付與分發(fā)渠道形成閉環(huán)者，更有望在應用商業(yè)化范式變化中率先兌現(xiàn)。此類公司通常兼具穩(wěn)定的終端觸達與企業(yè)服務能力，能通過API、插件或原生場景快速嵌入，放大用戶黏性與付費轉(zhuǎn)化。我們認為，入口卡位、用戶結構齊備與生態(tài)協(xié)同將構成篩選受益標的的關鍵標準。最新收盤價市值(百萬)最新收盤價市值(百萬)股票名稱股票代碼(當?shù)貛欧N)(當?shù)貛欧N)股票名稱股票代碼(當?shù)貛欧N)(當?shù)貛欧N)算力存儲滬電股份002463CH72.09138,727兆易創(chuàng)新603986CH212.82135,573翱捷科技688220CH92.1838,559德明利001309CH214.1249,892芯原股份688521CH153.3580,640佰維存儲688525CH112.250,895工業(yè)富聯(lián)601138CH59.811,205,789SNDKUS223.2831,515勝宏科技300476CH268.82235,604西部數(shù)據(jù)WDCUS163.3353,931生益電子688183CH98.0276,977希捷科技STXUS276.6958,148源杰科技688498CH535.146,318燦芯股份688691CH112.4514,304應用NVIDIANVDAUS4,380,318奧多比(Adobe)ADBEUS320.13134,006AMDAMDUS217.53348,792金山辦公688111CH317.08146,865GoogleGOOGLUS320.183,864,036福昕軟件688095CH95.688,741OracleORCLUS201.95584,298多鄰國DUOLUS191.418,711CoreWaveCRWVUS73.1237,020REDDITRDDTUS216.4739,332NebiusNBISUS94.8722,547三六零合合信息601360CH688615CH13.26210.9995,33428,993萬興科技300624CH75.6614,618IRISENERGYIRENUS47.8113,734微軟(Microsoft)MSFTUS492.013,656,804APPLIEDDIGITALAPLDUS27.16,975泛微網(wǎng)絡603039CH53.4013,916TERAWULFWULFUS15.516,213鼎捷數(shù)智300378CH43.6611,856CIPHERMININGCIFRUS20.357,566用友網(wǎng)絡600588CH14.2248,590CLEANSPARKCLSKUS15.13,438虹軟科技688088CH50.7020,339CORESCIENTIFICCORZUS16.895,017賽富時CRMUS230.54218,111RIOTPLATFORMSRIOTUS16.135,562DATADOGDDOGUS160.0155,546HUT8HUTUS454,578漢得信息300170CH19.819,343MARAMARAUS11.814,202賽意信息300687CH23.319,451GALAXYDIGITALGLXYUS26.5910,250卓易信息688258CH71.888,207HIVEDIGITALTECHNOLOGIESHIVEUS3.36530SNOWFLAKESNOWUS251.2484,246比特小鹿BTDRUS13.412,945MONGODB星環(huán)科技-U普元信息海天瑞聲MDBUS688031CH688118CH688787CH332.3765.7226.36114.6926,5447,9362,5056,814注：截至2025年12月1日。資料來源：Wind、VisibleAlpha、華泰研究預測免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。全球主流大模型集中于中美，兩國頭部廠商或長期占據(jù)主導優(yōu)勢?；贏rtificialAnalysis的數(shù)據(jù)與模型智能指標觀察，當前頭部模型整體由美國陣營領跑，海外最具代表性者為OpenAI、xAI、Anthropic與Google；曾在開源方向表現(xiàn)突出的Meta，受Llama4系列推進不順等因素影響，模型性能階段性落后。國內(nèi)方面，從模型性能維度評估，DeepSeek、Qwen（阿里系）、智譜模型位居前列，Kimi與MiniMax等亦處于國內(nèi)較為領先的行列。騰訊、百度的模型沒有被納入排行榜單，但其模型依然各有特色。我們認為，上述格局反映了中美在基礎模型與工程化推進上的綜合優(yōu)勢?？陀^看待大模型幻覺與排行榜結果。OpenAI論文《WhyLanguageModelsHallucinate》指出，模型幻覺源于訓練與評估目標錯位，反映當前“刷分”現(xiàn)象背后的機制。論文顯示，現(xiàn)有訓練體系往往獎勵模型在不確定時仍作出回答，而非承認“不知道”，導致模型更傾向“猜測”而非求真?；糜X因此并非偶發(fā)性錯誤，而是統(tǒng)計學習以語言分布為目標的自然產(chǎn)物，與事實正確性并不等價。要減少幻覺，需要在評估機制上轉(zhuǎn)向激勵模型表達不確定性、懲罰誤導性回答，而非單純追求更高得分率。我們認為，這一機制偏差解釋了部分模型評測得分高但實際體驗不佳的原因，反映了模型能力與真實可用性間的結構性落差。不過，當前階段，大模型排行榜依然是直觀對比不同模型性能的較好選擇。注：ArtificialAnalysisIntelligenceIndexv3.0包含10種評估：MMLU-Pro、GPQADiamond、Humanity'sLastExam、LiveCodeBench、SciCode、AIME2025、IFBench、AA-MCR、Terminal-BenchHard、τ2-BenchTelecom。截至25年11月資料來源：ArtificialAnalysis、華泰研究Google當前擁有較為全面的全棧模型軟硬件能力，其他玩家強化補短。據(jù)ArtificialAnalysis數(shù)據(jù)，以四維能力矩陣系統(tǒng)評估全球大模型主要競爭者的能力與定位現(xiàn)狀，框架涵蓋最底層的硬件支撐、其上的云服務能力、進一步的技術模型能力以及面向終端的頂層應用四個維度。從現(xiàn)階段表現(xiàn)看，Google在上述各維度的能力布局相對均衡且覆蓋面廣，體現(xiàn)為底層自研硬件（TPU系列）到應用的端到端一體化優(yōu)勢。相對而言，其他玩家也在逐步補齊短板，如OpenAI在底層定制化硬件方面暫處于落后位置，但是據(jù)路透社信息，OpenAI已宣布與博通合作開發(fā)新一代ASIC芯片，以期強化算力與成本控制的基礎能力；國內(nèi)DeepSeekV3.1及之后系列、智譜GLM4.6在Day0即適配了國產(chǎn)芯片。我們認為，當前大模型玩家格局呈現(xiàn)“Google更全面、其他廠商強化補短”的階段性特征。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。資料來源：ArtificialAnalysis、華泰研究Google在多模態(tài)模型領域的綜合實力突出，技術積累構筑長期競爭壁壘，實現(xiàn)多點開花。對比海外主要廠商，OpenAI以文本生成和圖片生成為核心，并拓展至實時語音及視頻生成（Sora系列但產(chǎn)品迭代節(jié)奏相對分散，如Sora于24年2月發(fā)布，直到12月才上線，25年10月更新Sora2；Anthropic聚焦純文本及部分視覺理解，多模態(tài)生成能力有限；xAI同樣以文本生成為主，尚未正式發(fā)布視頻生成模型。相比之下，Google依托多模態(tài)融合及跨領域研究的深厚儲備，具備系統(tǒng)化的模型開發(fā)與算力調(diào)度能力，圖像（GeminiImage系列）、視頻(Veo系列）、機器人（PaLM-E、GeminiRobotics系列）多點開花。我們認為，Google的多模態(tài)布局覆蓋面廣，技術底座穩(wěn)健，為后續(xù)模型代際躍遷奠定基礎。Gemini3作為Google多代技術積累的集中釋放，驗證預訓練與后訓練仍具顯著提升空間?；仡櫟?jié)奏，Gemini1以原生多模態(tài)與長上下文能力擴大模型可處理的信息類型與規(guī)模；Gemini2進一步奠定面向復雜任務的Agent能力框架，帶來更高質(zhì)量的推理與任務分解。在此前提下，Gemini3實現(xiàn)多模態(tài)理解、Agent能力與Coding能力的全面釋放，構成更成熟的能力體系。據(jù)Google官網(wǎng)信息，Gemini團隊在預訓練階段取得階段性躍升，未呈現(xiàn)外界擔憂的規(guī)模化受限跡象。與此同時，包括強化學習在內(nèi)的后訓練仍具進步和改進空間。兩條路徑共同塑造了Gemini3的綜合性能進展。Gemini3Pro在多模態(tài)理解和生產(chǎn)力應用場景表現(xiàn)突出，其中Vending-Bench2基準顯示，其在長時序運營模擬中能夠保持穩(wěn)定的工具調(diào)用與決策節(jié)奏，實現(xiàn)更高回報且未偏離任務目標。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。模型發(fā)布日期模型路線特點是否開源Gemini2.0FlashThinking2025.02強化學習CoT模型，當時的性能強于o1否Gemini2.0Flash-Lite2025.02否Gemma32025.03與Gemini相同開源小模型，支持端側是GeminiRobotics2025.03VLA（Vision-Language-Action）面向多步任務；“邊思考邊行動”與自然語言解釋；從ALOHA-2到Franka再到ApptronikApollo的跨機體遷移否Gemini2.5Pro2025.03與Gemini相同在LMArena排行榜（衡量人類偏好）上遙遙領先，表明該模型具有出色的性能和高品質(zhì)的風格。2.5Pro還表現(xiàn)出強大的推理和編碼能力，在常見的編碼、數(shù)學和科學基準測試中處于領先地位。否Gemini2.5Flash預覽版2025.04與Gemini相同，是混合推理模型Google首個完全混合推理模型，讓開發(fā)者能夠開啟或關閉“思考”。該模型還允許開發(fā)者設定“思考預算”。5月21日的I/O大會上，發(fā)布了2.5Flash更新版否Gemini2.5Pro2025.05與Gemini相同，是混合推理模型預覽了實時語音輸出功能。支持推理成本控制，即控制思考時間來控制成本。推出DeepThink功能否GeminiDiffusion2025.05Diffusion主流大廠第一次用Diffusion做文本生成，輸出速度遠快于Transformer架構。值得持續(xù)關注。否Veo32025.05內(nèi)置音效/對白生成、更強的一致性與控制；模型頁標注4K輸出、現(xiàn)實物理、更強提示對齊否GeminiRoboticsOn-Device2025.06本地部署優(yōu)化的VLA通用靈巧操控（如開拉鏈、疊衣等）、任務泛化與低時延推理；面向雙臂平臺起步否Gemini2.5Pro/Flash穩(wěn)定版2025.06MoE，原生多模態(tài)Gemini2.5設計成一個混合推理模型系列。將2.5Pro和Flash模型發(fā)布為穩(wěn)定版和正式版否Gemini2.5Flash-Lite預覽版2025.06MoE，原生多模態(tài)Gemini2.5設計成一個混合推理模型系列，2.5Flash-Lite預覽版——這是我們迄今為止最具成本效益和速度最快的2.5模型。否Gemma3n2025.06MatFormer（套娃式Transformer）設備端人工智能的重大進步，將強大的多模態(tài)能力帶到邊緣設備是Genie32025.08自回歸視頻世界模型可實時交互、數(shù)分鐘級一致性；支持在生成世界里設定目標并用SIMA等智能體驗證；強調(diào)物理與環(huán)境一致性否Gemma3270M2025.08Transformer緊湊模型，從零開始設計用于任務特定的微調(diào)，且已在訓練中具備了強大的遵循指令和文本結構化能力。關鍵優(yōu)勢是其低功耗是Gemini2.5FlashImage(banana)2025.08NA先進的圖像生成和編輯模型否GeminiRobotics1.52025.09升級版VLA更強多步任務與跨機體學習，可與工具調(diào)用（如Search或自定義函數(shù)）聯(lián)動完成復雜鏈路。否GeminiRobotics-ER1.52025.09EmbodiedReasoning，具身推理。不直接控肢體，負責空間理解/規(guī)劃/決策與工具調(diào)用，向VLA下達高層指令理解環(huán)境-制定計劃-估計進度與成功率；可原生調(diào)用工具，支撐長鏈路任務；與VLA協(xié)同提升泛化否Gemini2.5Flash/LiteGemini3Pro2025.092025.11NANA更新版本，有更好的指令遵循能力，更簡潔的輸出和更強大的多模態(tài)和翻譯能力，更好的智能體工具使用。Gemini3Pro的亮點：1）多模態(tài)理解能力。目前視頻生成還沒有和LLM有機統(tǒng)一，但是多模態(tài)理解已經(jīng)成為Gemini的強項。2）生產(chǎn)力落地能力（也是Agent能力）。Gemini3Pro在整個模擬的一年運營中保持了一致的工具使用和決策制定，推動了更高的回報而不偏離任務。否否資料來源：Google官網(wǎng)、華泰研究資料來源：Google官網(wǎng)、華泰研究Google前期在模型發(fā)布節(jié)奏上較慢，主要源于大型企業(yè)內(nèi)部的結構特征，目前陣痛期已過。過去兩年，Google模型迭代速度不及OpenAI（2024年9月員工3000人以上）/Anthropic（2025年5月員工1300人左右）等初創(chuàng)公司，原因在于其公司人員規(guī)模大（截至25Q3共有190,167名員工）、內(nèi)部多條業(yè)務線并行、決策鏈條較長，導致產(chǎn)品落地周期相對延后。然而，這種節(jié)奏背后體現(xiàn)出研發(fā)體系的系統(tǒng)化與安全審慎。一旦內(nèi)部多項目成果集中兌現(xiàn)，往往能形成“多點開花”的局面，帶來技術與產(chǎn)品層面的顯著突破。我們認為，Google在大模型迭代上的滯后并非能力不足，而是戰(zhàn)略穩(wěn)健與組織復雜性使然，后續(xù)一旦節(jié)奏提速，其潛在創(chuàng)新爆發(fā)力值得關注。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。當前全球大模型仍以Transformer的decoder-only架構為核心主流。盡管近年來陸續(xù)出現(xiàn)如Mamba、KAN等新型網(wǎng)絡結構，但尚未在工程實踐中形成主導地位，Transformer體系依舊占據(jù)核心位置。我們認為，在可預見階段內(nèi)，Transformer仍將是大模型研發(fā)與優(yōu)化的基礎框架，其生態(tài)與工具鏈優(yōu)勢將繼續(xù)鞏固主導地位。資料來源：《HarnessingthePowerofLLMsinPractice:ASurveyonChatGPTandBeyond》，Yang（2023）、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。我們認為，未來仍可能出現(xiàn)替代Transformer的新型架構。盡管Transformer自2017年提出以來已成為主導范式，但其真正獲得全球關注與驗證是在2023年底ChatGPT問世之后?；仡欉@一歷程可以發(fā)現(xiàn)，技術范式的更替往往具有滯后性，新的架構或已在研究階段出現(xiàn)，只是尚未進入廣泛應用周期。我們認為，隨著模型規(guī)模、算力利用和推理方式的進一步演進，未來在特定時間點上，或?qū)⒊霈F(xiàn)性能與效率兼?zhèn)?、并能超越Transformer的新一代主流架構。Diffusion架構正被重新審視，其在生成領域的應用邊界正逐步擴展到文本領域。Diffusion架構本身并非全新技術，主要用于圖像與視頻生成。2024年初Sora的發(fā)布，展現(xiàn)了Diffusion與Transformer結合的潛力，顯著提升了視頻生成的一致性、分辨率及時長表現(xiàn)。25年5月，Google首次嘗試將Diffusion算法用于文本生成，發(fā)布GeminiDiffusion預覽版，字節(jié)隨后也推出SeedDiffusion以跟進相關方向。Diffusion的優(yōu)勢在于Token生成速度快（字節(jié)SeedDiffusion專門用于代碼生成，其推理速度達到2,146token/s，比同等規(guī)模的自回歸模型快5.4倍且生成后可進行精細化修改，而Transformer基于NextTokenPrediction的生成方式則缺乏這種可回溯調(diào)整能力。我們認為，盡管Diffusion能否取代Transformer成為主流尚待驗證，但其在頭部廠商中的探索已具前瞻意義，值得持續(xù)關注。資料來源：Google官網(wǎng)、華泰研究資料來源：字節(jié)官網(wǎng)、華泰研究資料來源：字節(jié)官微、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。“ScalingLaw”作為Transformer體系的核心邏輯，正從單一階段演進至多階段范式。早期的ScalingLaw主要聚焦于預訓練階段，通過擴大模型參數(shù)、數(shù)據(jù)規(guī)模、算力規(guī)模實現(xiàn)性能提升，可稱為1.0階段；而自2024年9月OpenAI發(fā)布o系列模型以來，強化學習被系統(tǒng)性引入后訓練流程，標志著ScalingLaw進入2.0階段，即在后訓練環(huán)節(jié)繼續(xù)擴大算力與數(shù)據(jù)投入，使模型在強化學習中形成可擴展的能力增益。進一步地，在推理階段，模型通過思維鏈（ChainofThought）方式開展推理，用戶可在實際使用中使用更多算力以延長思考時間、生成更多token，在推理中充分釋放已習得的強化學習能力。我們認為，這種從預訓練到后訓練再到推理端的全鏈路擴展邏輯，構成了當前大模型性能演進的主線框架，也是2025年黃仁勛在GTC大會上所強調(diào)的關鍵趨勢。資料來源：OpenAI官網(wǎng)、華泰研究資料來源：GTC2025、華泰研究MoE之后，推理模型成為主流選擇頭部大模型整體呈現(xiàn)推理強化與MoE并行的雙特征趨勢。具體看，在混合專家（MoE）架構，便于沿參數(shù)規(guī)模規(guī)律擴展（ScalingLaw）潛力，同時推理時按路由僅激活部分專家，降低單位開銷，兼顧效率與性價比，由此成為頭部模型實踐的優(yōu)先選項。2024年下半年，隨著OpenAI的o系列“推理模型”在預訓練后引入強化學習等后訓練以糾偏優(yōu)化，推理階段進一步給予更高算力與更長思考時間，以換取復雜任務上的性能改進。我們認為，推理階段的資源調(diào)度與MoE的擴展效率將繼續(xù)支撐性能提升。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。注：紫色為推理模型，藍色為非推理模型。截至25年11月資料來源：ArtificialAnalysis、華泰研究注：藍色代表MoE架構，黑色代表稠密架構。坐標軸縱軸為模型智能程度，越大越好。截至25年11月資料來源：ArtificialAnalysis、華泰研究大模型訓練數(shù)據(jù)量持續(xù)提升訓練數(shù)據(jù)Token規(guī)模持續(xù)走高。據(jù)ArtificialAnalysis統(tǒng)計，典型開源模型的訓練數(shù)據(jù)常見在10-15萬億tokens，被視為可免費獲取并高質(zhì)量清洗后的網(wǎng)絡數(shù)據(jù)量級。頭部廠商通過新增標注與合成數(shù)據(jù)等方法持續(xù)擴容訓練數(shù)據(jù)tokens，新近模型的訓練tokens繼續(xù)上行：例如阿里Qwen系列由18萬億（24年9月Qwen2.5）提升至36萬億（25年4月Qwen3Meta在訓練Llama4Scout時引入部分社交數(shù)據(jù)，使總體訓練數(shù)據(jù)約達40萬億。我們認為，隨“垂類”數(shù)據(jù)與新標注數(shù)據(jù)的不斷累積，訓練tokens仍將增加，且從模型泛化性和性能表現(xiàn)來看，OpenAI、Google等頭部模型的訓練規(guī)模或高于公開口徑。資料來源：ArtificialAnalysis、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。訓練算力與訓練成本保持快速增長從全球前沿模型的訓練趨勢來看，算力投入的增長仍是推動大模型性能演進的核心動力。根據(jù)EpochAI在《TrainingComputeofFrontierAIModelsGrowsby4-5xperYear》中的測算，2010年至2024年間，具代表性的前沿模型訓練所需算力的年均增長倍數(shù)約為4-5倍。這一趨勢在主要科技企業(yè)的旗艦模型中表現(xiàn)一致，顯示出業(yè)界對算力擴展的持續(xù)依賴。值得注意的是，最頭部的語言模型的增長趨勢更快，在2017年6月至2024年5月期間，其增長速度高達每年9倍。從2025年發(fā)布的新前沿模型來看，仍然沒有放緩?？傮w判斷，在當前階段，算力仍是大模型能力演進的底層約束與增長引擎，其年均4-5倍的擴張速度構成了行業(yè)發(fā)展的核心節(jié)奏。資料來源：EpochAI、華泰研究從訓練成本趨勢來看，前沿模型的資金投入正快速攀升。根據(jù)EpochAI的研究《HowMuchDoesItCosttoTrainFrontierAIModels》，2016-2024年中具有代表性的前沿模型訓練成本年均增長約2.4倍（區(qū)間為2.0-3.1倍若按云端算力租用價格計算，增速約為2.6倍。當前訓練成本結構中，AI加速器硬件與研發(fā)人力支出占比最高，分別約為47-67%與29-49%。若這一增長趨勢延續(xù)，預計至2027年前沿模型的單次完整訓練成本或?qū)⑦_到十億美元量級。我們認為，訓練成本的持續(xù)攀升將進一步抬高進入壁壘，強化頭部廠商的領先優(yōu)勢，同時促使行業(yè)在硬件能效、算法效率及架構創(chuàng)新方向加速突破，以在性能與成本間尋求平衡。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。資料來源：EpochAI、華泰研究模型性價比提升的趨勢不變大模型API價格延續(xù)下降，但未發(fā)生“智能性-價格”倒掛現(xiàn)象。當前看，各家在新模型發(fā)布后通常同步下調(diào)API費用，整體價格呈持續(xù)下行態(tài)勢；從“智能性-價格”關系看，智能性更強的模型定價仍更高，尚未出現(xiàn)高智能卻更低價的倒掛情形。我們認為，隨著模型效率迭代與供給增加，價格下行趨勢仍將持續(xù)。注：截至25年9月。不同顏色線代表不同智能程度的模型資料來源：ArtificialAnalysis、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。海外：xAI持續(xù)踐行“大力出奇跡”，緊抓后訓練和強化學習ScalingLaw2.0以“后訓練+強化學習”為核心路徑，Grok迭代驗證該方向。圍繞xAI的發(fā)布節(jié)奏可見ScalingLaw側重的遷移：ScalingLaw1.0階段，對應xAI自Grok2到Grok3的迭代，主要通過將預訓練算力擴大約10倍帶來性能躍升；Grok3的推理模型標志著Grok模型進入后訓練階段；至Grok4發(fā)布，其后訓練（Reasoning）相較Grok3再度將算力放大約10倍，使得后訓練算力需求接近預訓練。從目前頭部模型迭代進度看，后訓練的算力需求還有可能繼續(xù)增加。據(jù)xAI官網(wǎng)，Grok4依托20萬卡級別的Colossus大規(guī)模集群進行訓練，因此，持續(xù)擴大后訓練的模式與海外更高密度算力核集群稟賦相匹配。我們認為，ScalingLaw2.0體現(xiàn)出算力重心由預訓練向后訓練與推理環(huán)節(jié)遷移，并對高密度集群供給提出更高要求。Grok4.1在強化學習獎勵范式上引入Agent模型獎勵，并繼續(xù)在后訓練算力上有數(shù)量級提升。Grok4.1延續(xù)“預訓練+強化學習”的總體路徑，但在后訓練環(huán)節(jié)進行了關鍵范式調(diào)整。據(jù)xAI官網(wǎng)信息，本次迭代沿用了Grok4的大規(guī)模強化學習基礎設施，并針對強化學習中不可直接驗證的獎勵信號進行了優(yōu)化，采用具備Agent推理能力的模型作為獎勵模型，使系統(tǒng)能夠?qū)崿F(xiàn)自動化評估與響應迭代。Grok4.1在偏好度測試中達到64.78%，呈現(xiàn)出更符合用戶交互偏好的輸出特征。xAI訓練團隊在X平臺亦指出，其后訓練強化學習規(guī)模相較Grok4擴大了一個數(shù)量級，結合更強推理能力的獎勵模型，使模型在真實對話偏好學習、自主評分與反饋循環(huán)中持續(xù)改進。資料來源：xAI官網(wǎng)、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。資料來源：X平臺官網(wǎng)、華泰研究OpenAI在后訓練Scaling領域或也進入重投入階段。盡管OpenAI未公開其在后訓練階段的具體Scaling進展，但從“Stargate（星際之門）”項目的規(guī)劃細節(jié)與算力布局來看，其在后訓練方向的資源投入已具備顯著規(guī)模。Stargate項目的算力規(guī)劃高度完善，體現(xiàn)出OpenAI對后訓練階段的重視程度，以及為實現(xiàn)ScalingLaw2.0提出的“后訓練-強化學習”體系所需的基礎設施支撐。我們認為，作為后訓練ScalingLaw2.0理念的提出者，OpenAI當前的研發(fā)重點同樣正在從模型規(guī)模擴展轉(zhuǎn)向后訓練與推理環(huán)節(jié)的算力優(yōu)化與結構化部署，進入了重投入階段。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。資料來源：OpenAI官網(wǎng)、CNBC、華泰研究國內(nèi)：阿里、DeepSeek創(chuàng)新性架構優(yōu)化，抓住Attention本質(zhì)國內(nèi)算力受限背景下，模型迭代更依賴架構層創(chuàng)新。相較于海外依托NVIDIA最新GPU構建10萬至20萬卡級超大集群的條件，國內(nèi)在算力基礎設施上仍存在差距。在此約束下，基礎模型的發(fā)展更需通過架構優(yōu)化提升效率。從當前技術演進看，Transformer架構在中短期內(nèi)仍將是主流，其核心算法Attention機制（通過計算Tokens間相關性以預測最優(yōu)輸出構成了模型性能的關鍵環(huán)節(jié)。因此，國內(nèi)頭部廠商普遍聚焦于Attention層面的優(yōu)化與創(chuàng)新，其中以阿里的Qwen系列與DeepSeek的模型為典型代表。我們認為，在算力約束難以短期突破的情況下，架構創(chuàng)新與算法精煉將成為國內(nèi)基礎模型競爭的主要方向。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。Qwen3-Next延續(xù)Scaling大方向，通過Attention優(yōu)化提升長文本與大參數(shù)效率。阿里為進一步增強模型在長上下文與大規(guī)模參數(shù)條件下的訓練及推理效率，其Qwen3-Next在保持Transformer與MoE總體框架不變的前提下，主要改進了：1）引入“75%線性注意力+25%傳統(tǒng)注意力”的混合機制，在兼顧長文本效率與記憶精度間取得平衡；2）顯著提升稀疏化程度，80B總參數(shù)僅激活約3B，激活率約3.7%，推理效率明顯改善；3）擴大MoE專家數(shù)量至512個，為前代的兩倍；4）采用多Token預測機制，提高訓練與推理并行度。我們認為，Qwen3-Next的創(chuàng)新體現(xiàn)出在Scaling框架下通過細粒度結構優(yōu)化實現(xiàn)性能與成本的再平衡，這類“細節(jié)創(chuàng)新”或?qū)⒊蔀楹罄m(xù)國內(nèi)大模型迭代的主要演進路徑。資料來源：Qwen官網(wǎng)、華泰研究DeepSeekV3.2引入DynamicSparseAttention，訓推效率再次有了大幅提升。DeepSeekV3.2-Exp在性能上與上一版V3.1-Terminus差距不大，并將V3.2定位為“邁向新一代架構”的中間步驟。V3.2最大的進步體現(xiàn)在DSA（DynamicSparseAttention）的引入，模型訓練與推理效率顯著提升，相比上一代模型API輸入與輸出成本分別下降約50%與75%以上（推理成本）。DSA的核心優(yōu)化集中在Attention機制層，通過算子級與內(nèi)核級的工程化重構，在長上下文任務中顯著壓縮訓練與推理開銷，同時盡量保持模型性能穩(wěn)定，延續(xù)了以架構精修換取綜合效率提升的技術路線。我們認為，該版本體現(xiàn)出在算力約束下的務實取舍，既為后續(xù)架構演進奠定技術基礎，也展示出國產(chǎn)模型在底層優(yōu)化方面的持續(xù)積累。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。資料來源：DeepSeek官網(wǎng)、華泰研究DSA實現(xiàn)長上下文推理的高效稀疏化。V3.2-Exp在原V3.1架構基礎上新增的結構改動為DSA，旨在顯著提升長上下文的訓練與推理效率。其基本思路是采用“先粗篩、后精算”的雙階段注意力機制：通過一個輕量索引器（Indexer）先對歷史tokens進行快速篩選，選出最可能相關的Top-k候選，再由主注意力模塊進行精細計算，從而將復雜度由O(L2)降至O(Lk)（k?L文本越長節(jié)省越顯著。索引器雖維持O(L2)復雜度，但因采用更少注意力頭、輕量化FP8計算及優(yōu)化實現(xiàn)，使端到端推理顯著加速。我們認為，DSA標志著國內(nèi)Attention機制從全密集計算向動態(tài)稀疏推理的轉(zhuǎn)折，是長上下文方向的重要突破。資料來源：DeepSeek官網(wǎng)、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。KimiK2模型在整體架構上延續(xù)DeepSeekV3框架，并引入了針對性架構優(yōu)化。K2主要改進包括：1）驗證在激活參數(shù)不變的條件下，單純提升MoE總參數(shù)量依然符合Scaling規(guī)律，訓練與驗證loss持續(xù)下降且無過擬合跡象；2）適度減少Attentionhead數(shù)量，在保持性能穩(wěn)定的同時顯著降低算力開銷；3）僅保留首層dense層，其余全部采用MoE結構，以改善首層router負載不均并提升專家利用效率；4）引入無分組的簡化router，優(yōu)化計算路徑與參數(shù)調(diào)度；5）將模型參數(shù)從V3的671B提升到1T；6）引入MuonClip優(yōu)化器，顯著提升訓練穩(wěn)定性與收斂一致性。得益于上述改進，K2在維持與DeepSeekv3相當?shù)挠柧毰c推理成本下，實現(xiàn)了更低loss與更高參數(shù)效率。我們認為，K2的路徑體現(xiàn)了國內(nèi)團隊在算力約束下通過結構精修延展Scaling規(guī)律、提升模型性價比的工程化思路。注：其中粗線方框為架構上顯著改變的部分資料來源：Kimi官網(wǎng)、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。GPT-5以統(tǒng)一架構實現(xiàn)快思與深思的自適應協(xié)同，并以路由器按任務動態(tài)分配資源。具體而言，體系由基礎模型（Mainmodel）承擔多數(shù)日常問答，深度推理模型（GPT-5Thinking）處理復雜任務中的長期思考，實時路由器（Real-timeRouter）依據(jù)對話類型、問題復雜度、工具調(diào)用與用戶意圖（如“認真思考”提示）在兩類模型間動態(tài)選擇與切換。路由器持續(xù)學習用戶信號（如模型切換行為、回答偏好、正確率等）以優(yōu)化決策，并規(guī)劃在后續(xù)將三者進一步融合為單一模型，以在優(yōu)化速度的同時提升思考深度與一致性。我們認為，該架構有利于在不同使用場景下兼顧響應效率與推理質(zhì)量。GPT-5.1以自適應推理與細化模型分工提升智能表現(xiàn)與交互體驗。GPT-5.1在延續(xù)GPT-5統(tǒng)一架構的基礎上強化產(chǎn)品化能力，通過Instant與Thinking雙模型分工使日常交互與復雜推理各得其所。Instant聚焦指令遵循與語境貼合，提升對話自然度；Thinking通過動態(tài)調(diào)整思考時間，在深度推理與響應速度間取得更穩(wěn)妥平衡。據(jù)OpenAI官網(wǎng)，模型在AIME2025、Codeforces等數(shù)學與編程類任務中表現(xiàn)更強，邏輯嚴謹度提升明顯。自適應思考機制使模型可自主判斷是否深入推理，使速度與質(zhì)量兼顧。語言表達趨向簡潔清晰，減少技術術語堆疊。個性化調(diào)節(jié)亦得到增強，新引入Professional、Candid、Quirky等語氣，并支持對簡潔度與情感溫度的細粒度控制。生態(tài)上，GPT-5.1將逐步替代GPT-5，舊版本保留三個月以便用戶平滑遷移，API同步更新至gpt-5.1-chat-latest與gpt-5.1。資料來源：OpenAI官網(wǎng)、華泰研究GPT-5提出統(tǒng)一模型架構后，行業(yè)迅速跟進，并正成為新一代大模型演進的重要方向。其核心在于將推理模型與非推理模型整合到單一系統(tǒng)中，通過動態(tài)調(diào)度實現(xiàn)“快思-深思”的連續(xù)切換，從而在響應速度與推理深度間取得較優(yōu)平衡。我們認為，這種統(tǒng)一思路正在改變模型設計邏輯，使“思考層級”成為可調(diào)系統(tǒng)參數(shù)，而非外部模式選擇，并且更加節(jié)省模型輸出的token數(shù)。此外，統(tǒng)一模型的一個重要優(yōu)勢在于部署與運維效率顯著提升。過去需要分別部署推理模型和非推理模型，而現(xiàn)在只需部署一個統(tǒng)一模型即可覆蓋不同任務場景，不僅降低系統(tǒng)復雜度和算力成本，也提升推理過程的連續(xù)性與資源利用率。DeepSeekV3.1以混合推理架構落地統(tǒng)一模型，實現(xiàn)單體兼容快思與深思。V3.1版本在一個模型內(nèi)同時支持思考模式與非思考模式，使“是否推理、推理到何種程度”由系統(tǒng)自動判定；在思維鏈壓縮訓練的配合下，V3.1-Think能以更少的輸出Token在更短時間內(nèi)完成復雜任務，同時保持與既有基線相近的性能表現(xiàn)。我們認為，該架構通過內(nèi)部機制而非多模型切換，在性能與能效間取得更穩(wěn)定的折中。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。Grok4Fast同樣以統(tǒng)一模型架構為核心，將推理與非推理模式融合于同一體系內(nèi)。Grok4Fast依據(jù)任務復雜度自動調(diào)節(jié)思考深度與計算資源，實現(xiàn)響應速度與推理能力的動態(tài)平衡，通過強化學習優(yōu)化智能密度（intelligencedensity在保持Grok4同等性能的同時平均減少40%推理Token消耗（圖表24）。統(tǒng)一體系下模型可在實時搜索、代碼執(zhí)行、復雜推理與普通對話間自適應切換，使“快思-深思”形成連續(xù)可調(diào)的譜系結構。注：AIME來自美國高中數(shù)學奧賽，HMMT2025常用于檢驗模型在多步數(shù)學推理與抽象推導中的一致性和“鏈式思維”（Chain-of-Thought）質(zhì)量，GPQA用于測試模型在物理學、數(shù)學推理與概念遷移方面的理解能力資料來源：xAI官網(wǎng)、華泰研究統(tǒng)一模型屬于系統(tǒng)層面的重要創(chuàng)新，但并未改變大模型的底層理論架構。其核心價值更多體現(xiàn)在工程與產(chǎn)品層面，通過體系整合提升推理效率與部署便捷性。我們觀察到，在統(tǒng)一系統(tǒng)落地之后，頭部大模型廠商的研發(fā)重心正逐步由底層模型優(yōu)化轉(zhuǎn)向上層應用與商業(yè)化探索，技術競爭正從模型理論創(chuàng)新轉(zhuǎn)向產(chǎn)品體驗與生態(tài)建設。OpenAI的Pulse和購物功能是典型的應用和商業(yè)化生態(tài)新模式探索，也是OpenAI利用其日益增長的周活用戶”變現(xiàn)的“第一步”。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。(百萬)9008007006005004003002001000周活用戶月活用戶周活用戶80070060050040030020012022-112023-12024-82024-122025-22025-32025-62025-82025-10資料來源：OpenAI官網(wǎng)、TheInformation、CNBC、華泰研究Pulse解決了“模型如何主動地行動”的問題，屬于計算密集型服務（compute-intensiveservice）。Pulse讓大模型從被動響應的工具，演化為能主動理解與推理的智能體（Agent真正邁向“自驅(qū)動”的應用形態(tài)。傳統(tǒng)ChatGPT依賴用戶輸入觸發(fā)推理，而Pulse引入異步推理機制，能在用戶離線時自動執(zhí)行分析、生成更新與個性化內(nèi)容。這意味著算力需求不再由“交互次數(shù)”驅(qū)動，而轉(zhuǎn)向“持續(xù)在線的智能體數(shù)量”驅(qū)動，推理任務的觸發(fā)頻率與時間跨度均被極大延展。結合此前DeepResearch的經(jīng)驗，這類Agent的Token消耗較傳統(tǒng)模型高出15-50倍（參見報告《科技/計算機:Token推動計算Compute需求：非線形增長》，2025年7月17日而Pulse的主動推理模式將進一步放大這種差距。從應用與商業(yè)邏輯上看，Pulse的推出意味著OpenAI的重心正在由底層架構轉(zhuǎn)向上層生態(tài)與商業(yè)化探索。一方面，Pulse通過長期積累的用戶上下文，具備構建個性化推薦與廣告體系的潛力，使大模型商業(yè)化路徑從“賣API”擴展至“用戶數(shù)據(jù)驅(qū)動的服務經(jīng)濟”；另一方面，端側硬件的引入讓模型能更深入地嵌入用戶日常生活場景，形成“端側收集+云端推理”的雙層閉環(huán)，從而進一步擴大算力需求與數(shù)據(jù)邊界。我們認為，統(tǒng)一模型奠定了底層能力的集約化基礎，而Pulse則代表了從統(tǒng)一模型走向統(tǒng)一智能體生態(tài)的關鍵一步。它使算力的消耗從“響應一次對話”變?yōu)椤俺掷m(xù)感知與主動決策”，為AI在個性化推薦、數(shù)字助理及端云協(xié)同場景中的商業(yè)化落地打開了新的空間。資料來源：OpenAI官網(wǎng)、華泰研究資料來源：GTC2025、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。OpenAI首推“對話內(nèi)購買”，以協(xié)議驅(qū)動交易閉環(huán)。OpenAI在統(tǒng)一模型與Pulse之后，又推出了AgenticCommerceProtocol（代理商務協(xié)議，ACP標志其正式將智能體（Agent）能力延伸至商業(yè)交易場景。該協(xié)議由OpenAI與Stripe聯(lián)合開發(fā)，旨在讓AIAgent具備直接執(zhí)行購買行為的能力，實現(xiàn)從“推薦商品”到“完成交易”的全流程自動化。第一批電商合作伙伴主要為Shopify（SHOPUS）和Etsy（ETSYUS）。OpenAI對商戶收取少量服務費，但對用戶完全免費，且不影響商品價格或搜索結果排序。“對話內(nèi)購買”使ChatGPT從信息服務工具進一步演化為具備交易執(zhí)行能力的主動型Agent平臺。用戶可在對話中完成即時結賬（instantcheckout無需跳轉(zhuǎn)頁面或輸入額外信息；而商家則可通過接入該協(xié)議直接觸達ChatGPT的數(shù)億級用戶群，在保持自身支付體系與客戶關系的前提下參與交易。從系統(tǒng)演進的角度看，AgenticCommerceProtocol是繼統(tǒng)一模型→Pulse（主動推理）→Agentic生態(tài)之后的又一次關鍵商業(yè)化延伸。統(tǒng)一模型提供了智能體的計算基礎，Pulse讓智能體具備主動性，而該協(xié)議則賦予智能體實際執(zhí)行力，使AI從“會思考”邁向“能行動”。我們認為，這一進展代表OpenAI正在把智能體從生產(chǎn)力工具推進為商業(yè)行為主體，AI產(chǎn)業(yè)的價值鏈由算力與模型競爭，進一步拓展至支付、交易與用戶生態(tài)層面。資料來源：OpenAI官網(wǎng)、華泰研究OpenAI開發(fā)者大會再次強調(diào)以ACP對話內(nèi)即時結賬為核心，貫通需求發(fā)現(xiàn)到用戶支付的商業(yè)閉環(huán)生態(tài)。10月6日2025年OpenAI開發(fā)者大會上，OpenAI再次明確在支付側引入AgenticCommerceProtocol的“對話內(nèi)即時結賬”，并強調(diào)不止電商，后續(xù)各類接入ChatGPT的App均可能通過ACP實現(xiàn)變現(xiàn)。對話即入口、結賬不外跳，已訂閱用戶可在對話直接登錄，未來支持多種變現(xiàn)，使交易鏈路由“觸達-體驗-轉(zhuǎn)化”在同一會話內(nèi)閉合，顯著降低流失點并便于歸因與運營。我們認為，ACP將會話從信息交互延伸為交易承載，提升單位會話的轉(zhuǎn)化效率與可運營性，成為商業(yè)化的關鍵抓手。免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。圖表31：OpenAI2025開發(fā)者大會展示的開發(fā)者生態(tài)進資料來源：OpenAI官網(wǎng)、華泰研究AppsSDK與MCP提供商業(yè)化所需的接入、控制與富交互能力。AppsSDK（預覽）基于MCP，前后端完全可控，支持數(shù)據(jù)接入、動作觸發(fā)與富UI（內(nèi)聯(lián)/畫中畫/全屏/Widget“TalkingtoApps”使應用可反向暴露交互上下文給模型，強化對話-UI-動作閉環(huán)。據(jù)發(fā)布會信息，年內(nèi)將開放提交審核與目錄，開發(fā)者指南草案已發(fā)，達標上架、優(yōu)秀者可獲更多推薦位。我們認為，標準化接入與目錄化分發(fā)共同構成商業(yè)化基礎設施，幫助開發(fā)者更好的接入到ACP環(huán)境中。示例場景在多類應用中展示從體驗到交易的閉環(huán)可行性。開發(fā)者大會上展示了ChatGPT和多個公司/產(chǎn)品的集成用例，如Coursera可在對話中承載“視頻+講解”，Canva支持從命名到海報/一鍵轉(zhuǎn)PitchDeck并繼續(xù)在對話中編輯，Zillow完成地圖檢索/篩選及跨工具回答。上述體驗均可與ACP銜接，在同一對話內(nèi)完成從功能試用到下單/訂閱的轉(zhuǎn)化。我們認為，內(nèi)容、設計與本地生活等高頻場景更易率先跑通閉環(huán)路徑。資料來源：OpenAI官網(wǎng)、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。開發(fā)者大會之后，OpenAI顯著加速軟件生態(tài)的構建步伐。除了在10月6日開發(fā)者大會上宣布的Coursera、Zillow、Figma、Spotify等一系列軟件合作伙伴外，OpenAI加緊與其他軟件應用廠商的合作，10月14日，宣布與Salesforce合作，實現(xiàn)在ChatGPT里使用Salesforce產(chǎn)品，并能夠使用ACP支付協(xié)議完成支付；同日宣布與Walmart達成合作，共同打造新型購物體驗，通過Chatgpt實現(xiàn)購物并即時結賬。OpenAI的戰(zhàn)略中心已經(jīng)逐步向應用和生態(tài)轉(zhuǎn)移，后續(xù)或會有更多的軟件應用廠商加入。資料來源：OpenAI官網(wǎng)、華泰研究OpenAI收入預期顯著上修，驅(qū)動來自ChatGPT、API、Agent與新產(chǎn)品，Pusle/ACP是重要一環(huán)。據(jù)TheInformation數(shù)據(jù)，25Q3OpenAI將2030年營收由年初預測的約1,740億美元上調(diào)至約2,000億美元，2029年由約1,250億提升至約1,450億；2025年仍以約130億為基準。結構上，收入來源由ChatGPT訂閱與API擴展至Agent與“新產(chǎn)品（含免費用戶變現(xiàn)）”。結合ACP（AgenticCommerceProtocol平臺可在對話內(nèi)直連交易與支付，形成“推薦-下單-履約”的閉環(huán)，一方面OpenAI能夠有一定takerate，另一方面有望提升免費用戶變現(xiàn)與商戶轉(zhuǎn)化。此外，配合通用代理能力、企業(yè)級集成與潛在硬件終端等產(chǎn)品形態(tài)，OpenAI收入曲線呈現(xiàn)由單點訂閱向多元生態(tài)的過渡。Pulse/ACP或?qū)⒊蔀锳gent化商業(yè)閉環(huán)的重要抓手，與企業(yè)付費、API用量增長及硬件載體共同構成中期營收彈性的關鍵來源（參見圖表34）。資料來源：TheInformation、華泰研究免責聲明和披露以及分析師聲明是報告的一部分，請務必一起閱讀。阿里的Qwen模型或是國內(nèi)大模型中全領域布局最為齊全的。Qwen系列旗艦模型Qwen3-Max在綜合性能上超越GPT-5、ClaudeOpus-4，Coding與Agent兩項關鍵指標進入全球第一梯隊；Qwen形成大規(guī)模衍生家族，Qwen3-VL、Qwen3-Omni與通義萬相2.5覆蓋視覺、音視頻與內(nèi)容生成，百聆語音面向客服、電商等剛需付費場景；與Nvidia在PhysicalAI的合作或拓展至機器人模型。國內(nèi)C端商業(yè)化稍慢于海外，阿里通過模型布局推動2Btoken上量和商業(yè)化加速。在研報《科技/計算機:多模態(tài)大模型和應用奇點將至》中，我們得出了國內(nèi)2C商業(yè)化（尤其是AI原生應用）稍慢于海外的結論。因此，國內(nèi)商業(yè)化方面，2B是大廠的主要選擇。據(jù)云棲大會2025主題演講，近2-3個月需求端Token消耗實現(xiàn)倍增，伴隨模型能力提升與Agent類應用出現(xiàn)，阿里云百煉平臺過去一年模型日均調(diào)用量增長約15倍，反映開發(fā)者與企業(yè)側的活躍度提升。從阿里云業(yè)務來看，自2024年底以來，一直呈現(xiàn)較快的收入增速，最新的FY26Q1云業(yè)務收入增速達到了25.8%。后續(xù)隨著Qwen多模態(tài)模型持續(xù)擴展，阿里token調(diào)用量有望持續(xù)增長，最終有望帶來商業(yè)化加速。千問APP以All-in-One形態(tài)強化阿里進軍C端AI入口的戰(zhàn)略定位。25年11月，千問APP正式公測上線，依托Qwen3模型作為能力底座，為