猜你想问
这份研报主要讲了什么内容？
这份研报分析了AI模型Scaling多线演进趋势，重点探讨了Pre-training Scaling持续进行，头部厂商如Anthropic和国内厂商持续扩大模型参数规模，前沿模型参数已迈入万亿级别。同时，报告关注RL向长程Agent和真实工作流延伸，如Kimi K3的Agentic RL和Grok 4.5的扩展应用。此外，报告还提及RSI推动AI参与下一代模型研发，AI研发自动化提速但可靠评价仍是核心约束。研究结论指出模型升级转向系统协同，算力需求扩展，并看好大厂Capex生态、国产芯片与超节点、算力服务等投资方向。
AI模型Scaling多线演进的行业发展趋势如何？
AI模型Scaling多线演进的行业发展趋势表现为Pre-training Scaling持续加速，模型参数规模不断突破万亿级别，推动AI从单次任务工具向长期自主Agent发展。RL技术向长程Agent和真实工作流延伸，支持更复杂的任务处理。AI参与下一代模型研发成为趋势，自动化程度提高但面临可靠评价挑战。系统协同、算力需求扩展成为行业关键议题，大厂Capex生态、国产芯片与超节点、算力服务等领域值得关注。
研报重点分析了哪些方向？
研报重点分析了Pre-training Scaling的持续进行，包括头部厂商扩大模型参数规模的具体案例，如Anthropic Mythos 5和Fable 5达8万亿和5万亿参数，国内Kimi K3、Qwen3.8-Max-Preview达2.8万亿和2.4万亿参数。同时，报告关注RL技术向长程Agent和真实工作流的延伸，如Kimi K3的百万Token轨迹和数千次工具调用。此外，报告分析了RSI推动AI参与下一代模型研发的趋势，以及AI研发自动化提速但可靠评价仍是核心约束的问题。研究结论指出模型升级转向系统协同，算力需求扩展，并看好大厂Capex生态、国产芯片与超节点、算力服务等投资方向。
当前AI模型市场现状如何判断？
当前AI模型市场现状表现为Pre-training Scaling持续加速，模型参数规模不断突破万亿级别，推动AI从单次任务工具向长期自主Agent发展。RL技术向长程Agent和真实工作流延伸，支持更复杂的任务处理。AI参与下一代模型研发成为趋势，自动化程度提高但面临可靠评价挑战。系统协同、算力需求扩展成为行业关键议题，大厂Capex生态、国产芯片与超节点、算力服务等领域值得关注。市场整体处于快速发展阶段，但可靠评价和算力支持仍是重要制约因素。
研报提示了哪些风险？
研报提示的风险主要集中在AI模型研发的可靠评价和算力支持方面。尽管AI参与下一代模型研发加速，但可靠评价仍是自我改进闭环的核心约束，技术瓶颈可能影响研发效率。此外，长轨迹、多轮工具调用和环境交互增加GPU、CPU、KV Cache、存储等算力需求，算力成本上升可能制约行业发展。同时，模型升级转向系统协同，对技术整合能力提出更高要求。投资方向需关注大厂Capex生态、国产芯片与超节点、算力服务等领域，但需警惕技术迭代风险和市场竞争加剧带来的不确定性。