文章核心观点 - DeepSeek实验室因其“零外部融资、无商业化压力”的独特模式，在全球AI行业中构建了最坚固的护城河，使其能够专注于AGI研究而不受资本裹挟 [2][8][13] 市场预期与行业竞争格局 - 市场对DeepSeek在农历新年前发布更强大新模型期待高涨，但行业已习惯每隔一两个月就有新的“开放权重”模型发布，DeepSeek的新模型可能难以再次震惊世界 [3] - DeepSeek通过发布V3和R1打响了MIT License许可开源模型的第一枪，但已不再是市场上最开放的实验室，因其未开源训练数据集或主代码库 [4] - 目前全球开放程度排名前三的模型分别来自NVIDIA（Nemotron 3）、Allen Institute（Olmo 3）和穆罕默德·本·扎耶德人工智能大学（MBZUAI，K2-V2） [5] - DeepSeek的模型在开放模型中已不再是最强、最便宜或最开放的 [8] 独特的“零融资”商业模式 - DeepSeek是全球顶尖AI实验室中唯一坚持“零外部融资”的异类，其创始人梁文锋将控制权看得比融资更重要 [3][10] - 公司通过其关联的量化基金“幻方量化”的利润来自筹资金，该基金在去年以53%的回报率创造了超过7亿美元（约50亿人民币）的利润，并用于购买GPU和招聘人才 [3][12] - 2023年公司成立初期寻求风险投资失败，因中国VC的短视和风险厌恶，但这反而使其避免了商业化KPI压力，只需对技术负责 [3][10] - 即便在获得全球知名度后，公司仍拒绝筹集外部资金，以保持对自身命运和AGI研究目标的完全控制权 [12][13] 资金充裕带来的组织问题 - 过多的外部资金会滋生“大公司病”，例如资源内耗、部门宫斗以及浮夸的排场，如某些实验室在健身房使用印有自家Logo的定制杠铃片 [3][16] - 外部融资会带来估值、股票期权以及商业化的期望，这可能导致组织层级化、嫉妒和人才被挖角 [16][17] - 相比之下，DeepSeek因无外部资金，组织架构极度扁平，内部没有资源竞争和官僚主义，有利于研究想法的支持与实施 [15] 算力与创新效率的关系 - 前OpenAI研究员Ilya Sutskever指出，颠覆性创新并不总是需要无限堆算力，例如Transformer架构最初仅使用了8到64张GPU [3][14] - 对于研究而言，需要一定量的算力，但并非绝对需要最大量的算力，过多的资金和算力反而可能让团队变懒，失去“科研品味” [3][14][15] - DeepSeek通过消除“因有钱就必须购买更多算力”的必要性，避免了资源分配的内部斗争，使良好的研究品味能得到最大支持 [15] 行业融资趋势对比 - 全球AI行业资金涌入剧烈，几乎所有有影响力的实验室都在筹集更多资金，例如埃隆·马斯克的xAI近期完成了高达200亿美元的E轮融资 [3][11] - 一批由明星研究员领导、风投支持的“AI新实验室”涌现，如Thinking Machines Lab、SSI（已筹集30亿美元）和AMI Labs [11][17] - 在此背景下，DeepSeek坚持自筹资金，使其激励机制与行业内其他实验室截然不同，实现了内部目标与AGI研究的最大化对齐 [18]

文章核心观点 - 大模型架构创新呈现接力演进模式，DeepSeek近期发布的两篇重要论文（mHC与Conditional Memory）均建立在字节Seed团队前期研究工作的基础上，并进行了关键性改进与规模化工程实现，指明了架构创新的未来方向[1][8] - 公开研究成果与社区协作对技术进步至关重要，DeepSeek与字节Seed的研究接力展示了持续积累与相互启发的价值，在头部厂商日益封闭的背景下尤为可贵[19][20] 残差连接架构的演进 - **ResNet奠定基础**：2015年何恺明等人提出的残差连接解决了深度神经网络训练中的信息失真问题，成为近十年几乎所有主流深度网络架构的默认配置[3] - **字节Seed提出HC范式**：2024年9月，字节Seed团队提出Hyper-Connections，核心创新在于通过扩展残差流宽度和引入可学习的Dynamic Hyper Connections，在不改变单个计算单元FLOPs开销的前提下，显著提升了网络拓扑复杂度，打破了恒等映射残差连接传统[3][4] - **HC的三大核心思路**：为后续研究提供了宽度扩展（Stream Expansion）、多尺度连接的权重化、动态拓扑潜力三个核心思路，但自身在大规模训练中遇到稳定性瓶颈和受限的可扩展性[6] - **DeepSeek推出mHC实现突破**：mHC在继承HC架构优势的同时，通过引入Sinkhorn-Knopp算法施加流形约束，将HC的广义空间投影回特定流形，恢复了残差网络至关重要的恒等映射特性，解决了HC在超大规模训练时的不稳定性[7] - **mHC的工程价值**：提出了更高效的内核优化，使该范式从理论实验走向了万亿级参数规模的工业级应用，在27B模型等大规模训练中表现出卓越的可扩展性[7] 条件存储与知识检索的创新 - **解决核心问题**：Conditional Memory旨在解决标准Transformer缺乏原生知识查找原语的问题，为模型配备一个名为Engram的“小抄本”，通过N-gram哈希查表直接获取常见词组知识，节省算力用于更复杂推理[9] - **字节Seed的先行探索**：在OverEncoding方法中，字节Seed团队发现为模型配备巨大的N-gram词典能带来几乎“白捡”的性能提升，因为海量的嵌入参数稀疏激活，既不显著占用显存也不过多耗费算力，且词典越大性能越好[10] - **DeepSeek的理论升华与工程化**：DeepSeek将N-gram查表机制升华为“条件存储”这一与条件计算（MoE）并列的scaling law新轴线，并提出了“稀疏分配”问题，实验发现将约20%-25%的参数分配给Engram效果优于全押MoE[12][13] - **系统性技术改良**：在架构上将Engram模块注入到模型中间层；在交互机制上引入“上下文感知门控”；在系统优化上通过分词器压缩和提高存储效率，并利用硬件预取技术解决延迟问题，具备了大规模工业落地能力[13] - **性能对比**：在相同参数预算下，DeepSeek的Engram比字节Seed的OverEncoding方法具有更高的缩放效率[14] 其他值得关注的底层技术探索 - **字节Seed的UltraMem架构**：通过分布式多层级联内存结构、Tucker分解检索与隐式参数扩展优化，有效解决了传统MoE架构在推理阶段的高额访存问题，并验证了其优越的Scaling Law扩展特性[19] - **更多前沿范式尝试**：包括系统验证离散扩散技术路线的Seed Diffusion Preview；舍弃文本编码器、直接用原始文本分词作为多分类标签并在视觉任务上效果优于CLIP的SuperClass；以及引入傅里叶原理思想以弥补Transformer在周期性建模方面缺陷的新型神经网络架构FAN[20]

产业生命周期与早期投资 - 产业技术早期投资出现估值泡沫并非坏事 需要愿意承担风险的资本支持 这类似于历史上由国王或贵族资助的远航探险 [3][7] - 整个产业生命周期必然经历早期一级市场投资、估值泡沫、估值杀泡沫阶段 [3][7] 2015-2016年的历史参照 - 2015-2016年埃隆·马斯克SpaceX的失败 体现了人类文明对挑战与颠覆的追求 [3][7] - 2015年“木头姐”（Cathie Wood）的经典PPT列出了人类未来的所有技术路径 其投资风格被描述为二级市场里的一级市场投资人 而非女版巴菲特 [3][7] - 从2015、2016年到2022年的六年里 市场并不确定技术革命的具体方向 但普遍认识到需要一场技术革命来应对日益不稳定的世界秩序 [3][7] 2022年的关键转折与英伟达案例 - 2022年是产业生命周期中的重要一年 [3][7] - 英伟达在2022年股价下跌了70% 但随后成功从游戏显卡转型为AI算力不可或缺的“金铲子” 开启了通往一万亿、两万亿、三万亿市值的道路 [4][8] - 英伟达的路径是标准的产业生命周期路径和逻辑 [4][9] 人工智能（AI）的发展与验证期 - 2023年年初ChatGPT的横空出世 标志着从算力基建端到应用端的曙光出现 [4][9] - 目前广泛使用的ChatGPT、千问、DeepSeek等应用 并非未来真正最重要的东西 [4][9] - 过去一年半 全球都在讨论AI是否是泡沫 但核心问题在于大规模基建投资能否带来回报 [4][9] - 未来15个月到18个月（即从2025年初算起）将是关键验证期 将证明这场以生产力提升为核心的科技革命是真是假 [4][9] 生产力、生产关系与世界秩序 - 解决世界秩序不稳定和错配的生产关系的唯一方法是科技进步与生产力提高 [3][7] - 若此轮生产力提升为真 将对全人类和当前陷入困局的生产关系与世界秩序是好事 [5][9] - 若此轮生产力提升是假的 各国将面临错配的生产关系问题 [5][9] - 在聚焦生产力前行的同时 必须聚焦改变各国内部生产关系 例如以人为本、加大对居民部门的福利与补偿 以重塑世界秩序并防止其大规模崩塌 [5][9]

公司发展历程与市场地位 - 公司于2024年12月26日推出基础模型V3，随后在2025年1月20日上线开源推理模型R1，凭借“先思考、再作答”的显式推理能力获得市场关注 [4] - 公司推出的R1+V3聊天产品在国内收获极高关注度，已成长为中国AI工程能力领域的标杆企业之一 [4] - 公司创始人梁文锋与北京大学研究人员于1月12日晚间共同发布了新训练架构论文，题为《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》 [9] 新一代模型V4的技术突破 - 新一代大模型V4预计于2026年2月中旬农历新年前后上线 [1] - 新模型编程能力大幅提升，在Design2Code等权威编程基准测试中以92.0分刷新纪录，可将手绘草图直接转化为可运行的React代码，多项关键指标超越GPT-4.5、Claude3.7等海外头部产品 [6] - 模型解决了超长上下文处理难题，搭载NSA机制实现64K上下文窗口下6-9倍提速，可一次性处理百万级Token，适配复杂软件工程的完整上下文需求 [6] - 模型在高端GPU受限的情况下研发而成，依托自研的mHC架构，训练稳定性大幅提升 [7] - 在270亿参数模型测试中，仅增加6.7%训练时间，就使复杂推理任务准确率从43.8%跃升至51.0%，有效规避了行业常见的训练崩溃与性能衰减问题 [7] 核心架构创新与竞争策略 - 论文提出的Engram条件记忆模块，核心是实现计算与存储“解耦”，让CPU负责静态知识存储，GPU专注推理计算，无需依赖芯片数量堆砌即可实现模型规模扩展 [10] - 公司采取“不拼资源拼方法”的路线，在海外大厂侧重算力与参数竞赛时，深耕效率与架构创新，形成差异化竞争 [10] - V4的推出旨在证明自身技术领先性，并向行业验证其架构创新方法论的成熟度 [13] - 从内部反馈看，V4回答结构严谨、推理路径清晰，拆解复杂任务能力可靠，是一次贴合实际应用需求的实用型升级 [13] 行业趋势与竞争格局 - 2025年开源成为大模型行业的核心趋势之一，大厂和初创公司密集发布模型，争夺全球开源生态话语权 [11] - DeepSeek、MiniMax、智谱、月之暗面等中国企业，频繁与全球同行同台竞技，旗下模型在HuggingFace等国际社区的存在感持续提升 [11] - 全球大模型竞争焦点已从单纯的参数竞赛，转向技术方法的精妙与运行效率高下的角逐 [16] - V4的市场表现，不仅关乎公司在全球开源生态中的地位，更能折射出中国大模型技术路线的成熟度 [16]

文章核心观点 - 中国人工智能行业在2025年显著缩小了与美国的差距 中美两国的人工智能发展路径呈现出明显差异 美国侧重于前沿能力、闭源模型和平台化产品 而中国则侧重于开源权重、极致工程效率和快速产业扩散 [1][4] - 中国公司如深度求索和阿里巴巴通过开源模式和工程效率 在全球人工智能领域竞争力迅速提升 特别是在模型应用落地、供应链完整度和成本控制方面展现出显著优势 [2][3][7] - 行业专家预测 未来的竞争焦点将从“谁更聪明”转向“智能落地” 下一个突破性进展可能出现在人形机器人、工业大模型和低成本推理等与中国工程制造优势结合的领域 [10] 中国AI行业发展与竞争力 - 深度求索公司预计在2月中旬推出下一代AI模型V4 该模型被认为编码能力强大 表现可能优于Anthropic的Claude和OpenAI的GPT系列 [1] - 深度求索的R1大模型在2025年上线后引发全球关注 仅用两个月完成训练 成本远低于美国同行 但效果与ChatGPT和Meta的Llama模型不相上下 [2] - 中国的开源AI模型占全球AI技术使用总量的近30% 赢得了全球开发者的信任 美国公司如爱彼迎和Meta也在使用阿里巴巴的Qwen大模型 [3] - 阿里巴巴自2018年启动AI大模型研发 已开源近400个模型 全球衍生模型超过18万个 下载量突破7亿次 [3] - 更多中国大模型公司在2025年紧跟最新发展 跻身全球大模型第一梯队 [2] 中美AI发展路径对比 - 美国发展路径是“前沿能力持续拉高+闭源模型+平台化产品” 目标是将智能变成可控、可收费、可治理的基础设施 [4] - 中国发展路径是“开源权重+极致工程效率+快速产业扩散” 目标是将足够强的能力快速做成可复制、可落地的工程资产 让智能迅速进入真实业务系统 [4] - 在“最强模型的前沿能力”上 美国仍领先中国数月到一年 已非代际差 在“工程效率、成本和落地速度”上 中国几乎没有时间差 局部甚至更快 在“产品平台、生态与规则制定”上 美国依然领先一到两年 [5] - 美国AI渗透主要体现在“软处” 如算法推荐和办公渗透 已成为基础设施 而在“硬处”的物理硬件普及尚在爆发前夜 [6] - 中国在“工程落地速度”和“供应链完整度”上具有优势 在激光雷达、高能量密度电池和高性价比电机组件等领域占据半壁江山 机器人迭代快且具备大规模量产潜力和成本优势 [7] 行业技术趋势与未来展望 - 行业仍在发力研究“长思考、代码能力和多模态”的大模型 2025年AI改变最大的领域是代码编写 [8] - 阿里巴巴将AI发展归纳为学习人、辅助人、超越人三大阶段 认为当前仍处于“辅助人”的早期 终点可能是超级人工智能ASI [8] - 特斯拉CEO马斯克预测AGI最快可能于2026年出现 2030年前AI能力将超越人类总和 [8] - 专家认为AGI很可能首先在美国被技术实现 但其是否真正成立 取决于能否在社会中被大规模信任并被制度接纳 [9] - 中国更容易在真实社会中快速规模化部署AI 将其嵌入产业、政务和公共服务 让AI在现实系统中长时间运行并积累优势 [9] 潜在的下一个突破领域 - 下一个“DeepSeek时刻”可能出现在人形机器人结合大模型、工业/能源/供应链大模型 以及低成本推理与端侧模型突破等领域 [10] - 中国在“智能落地”方面具有优势 而美国在“智能上限”方面领先 [10] - AI硬件在2026年可能迎来“DeepSeek时刻” 因大模型技术成熟、供应链成本可控、消费者认知提升三大条件已具备 [10] - AI潮玩品牌珞博智能将2026年销售目标定为100万台AI玩具 百万台设备产生的海量交互数据将加速模型“数据飞轮”运转 形成良性循环 [10][11] - 100万台的销量意味着市场教育完成 AI玩具将从小众潮流品转变为能提供情感价值的“生活必需品” [11]

核心观点 - 摩根资产管理认为，随着中国加大力度创建更多类似DeepSeek的公司，中国科技股将继续受益于技术突破 [1] - 人工智能支出和更有利的政策将成为推动中国科技股的关键催化剂 [3] 市场表现与驱动因素 - 年初至今，一项衡量中国内地科技股的指数已上涨12%，表现跑赢香港以及美国的同类指数 [3] - 投资者纷纷涌入，从芯片到人形机器人再到商用火箭等领域的每日进展，以及大量计划中的股票上市，共同推动了这股热潮 [3] 未来机遇 - 中国在科技领域仍然有很多机会，将会看到越来越多机器人技术的进步，以及更多类似DeepSeek的突破时刻 [3]

行业与公司 * **行业**：AI+医疗，涵盖医疗信息化、AI辅助诊断、临床决策支持系统、康复机器人、个人健康管理应用等领域[1] * **涉及公司**： * **技术/模型提供商**：DeepSeek（大模型）、华为（大模型、910B一体机）、海光（CPU）、商汤（病理影像识别）、科大讯飞（CDSS、C端应用）[1][2][5][13] * **医疗AI软件/服务商**：“为您健康”（VMAX GPT）、惠美（临床决策、病例生成）、医启（病例生成）、润达医疗（病例生成）、联影（影像识别）、树坤（影像识别）[1][5] * **机器人/设备厂商**：傅立叶智能（康复机器人）、富利业（康复机器人）[2][5][16] * **互联网/科技公司**：OpenAI Health、阿里（蚂蚁阿福）[1][7] 核心观点与论据 * **AI医疗应用现状与价值**： * AI在医学影像识别（胸片、CT、磁共振、血管造影、肺结节、冠状动脉疾病、心电图）方面表现出色，显著减轻医护人员负担[2] * 智能分诊系统通过患者自述匹配医院、科室和专家，提高诊疗效率[2] * 瑞金医院与华为合作开源的大模型显著提升病理识别能力，已在多家医院推广，缓解病理科医生短缺问题[1][2] * 大模型用于内部网络问答、病例质控、风险预警、护理表单自动生成，提高医疗服务质量与运营效率[4] * 临床医生期待自动生成病历功能以减少文书工作时间，目前部分功能已实现逐段生成并由医生审核[4] * **医院AI系统构建模式**： * 系统主要由外部服务商提供，医院负责提供算力硬件设备（如海光CPU、华为910B一体机）[1][5] * 医院信息化水平相对较低，采购一体机并由公司部署系统更为顺利[5] * **医疗IT支出与AI占比**： * 近年来医疗信息化支出有所缩减，与各地财力缩减有关[6] * 通过集约化管理（如公立医院使用相同信息系统、区域统一招标AI解决方案）可实现投资缩减和应用扩张，提高整体效率[1][6] * **AI在医疗IT支出中占比较少，大约占总营收的1%，其中三分之一用于人工智能解决方案**[6] * **个人健康应用（ToC）发展**： * 海外（如OpenAI Health）及国内（如蚂蚁阿福）个人健康应用发展迅速[1][7] * 通过与第三方公司合作，通过APP管理患者数据（饮食、血糖、血压等），结合医生和营养师指导[7] * **院内CDSS系统与ToC端产品结合将带来巨大突破**[1][8] * **康复与手术机器人前景**： * 康复机器人是潜力巨大的领域，尤其在康复医师短缺的二三级或社区医院[2][14] * 傅立叶智能在康复机器人领域推广力度较大，通过实际使用不断学习和迭代升级[2][16] * 骨科手术机器人普及速度加快，各地中大型医院都在添置设备，已有明确收费标准[18] * **骨科手术机器人纳入医保的概率很高，例如上海地区已可通过医保报销**[18] * **数据整合与管理趋势**： * 未来可能从常见慢性病（如糖尿病、肥胖）入手进行院内外数据整合[1][9] * 经过脱敏处理后的数据资产可以交易，将促进与第三方公司合作，实现更广泛的数据共享和利用[1][9] * 医院数据管理工作正在推进，由市卫健委主导试点项目，整理数据资产并尝试交易，目前仍处于初步阶段[1][10][11] * **产业链竞合关系**： * 公立医院、第三方公司和大厂在AI医疗发展中形成竞合关系[2] * 医院提供医疗服务，公司解决运营模式，覆盖更多患者[2] * 商业公司通过资金投入培养商业模式，可以解决医保范围外或难以开展的服务的收费问题[2][12] 其他重要内容 * **算力是主要瓶颈**：AI深入医疗行业，当前瓶颈不在网络基础设施（医院基本已具备全光网），而在于算力硬件资源（如显卡、内存、CPU）不足[12] * **医保云项目**：国家推进医保云项目，通过收集全人群全周期诊疗数据，实现区域性医保云建设，为未来AI医疗发展奠定基础[3] * **康复机器人付费模式**：当前收费标准参考政府、物价及医保规定；未来私立机构可能采用特需服务或保险支付方式[17] * **设备采购限制**：部分省市对骨科手术机器人等设备的许可证发放有限制，每年只发放一定数量，没有许可证即使有资金也无法购买[18]

中国人工智能行业发展态势 - 中国AI初创公司深度求索预计将于2月中旬推出下一代AI模型V4，其编码能力表现可能优于美国公司Anthropic的Claude和OpenAI的GPT系列 [1] - 2025年一年时间，中国缩小了与美国在人工智能领域的差距，中美大模型已跑出两条不同的主航道 [1][4] - 中国的开源人工智能模型占全球AI技术使用总量的近30%，中国的开源模式正在赢得世界各地开发者的信任 [3] 中美AI发展路径对比 - 美国走的是“前沿能力持续拉高+闭源模型+平台化产品”路线，将最强模型封装成ChatGPT等超级入口，目标是把智能变成可控、可收费、可治理的基础设施 [4] - 中国走的则是“开源权重+极致工程效率+快速产业扩散”路线，不追求长期垄断最强模型，而是把足够强的能力尽快做成可复制、可落地的工程资产 [4] - 若只看“最强模型的前沿能力”，美国仍领先数月到一年级别；若看“工程效率、成本和落地速度”，中国几乎没有时间差，局部甚至更快；若看“产品平台、生态与规则制定”，美国依然领先一到两年 [5] 中国AI公司的竞争力与进展 - 深度求索的R1大模型仅用两个月完成训练，成本仅为美国公司所花费金额的一小部分，但效果与OpenAI的ChatGPT和Meta的Llama大模型不相上下 [2] - 阿里巴巴早在2018年就启动了AI大模型研发，截至目前已开源近400个模型，全球衍生模型超过18万个，下载量突破7亿次 [3] - 更多的中国大模型公司已紧跟最新AI发展步伐，跻身全球大模型第一梯队 [2] AI技术应用与落地前景 - 2025年，AI改变最大的地方是写代码，未来信息接收、创造和处理会更多地被AI替代 [8] - 中国在“工程落地速度”和“供应链完整度”方面具有优势，在激光雷达、高能量密度电池和高性价比电机组件上几乎占据半壁江山，机器人迭代快且具备大规模量产的潜力和成本优势 [7] - 下一个“深度求索时刻”可能出现在人形机器人+大模型、工业/能源/供应链大模型、低成本推理与端侧模型突破等方向 [10] AI产业规模化与市场影响 - AI潮玩品牌珞博智能将2026年销售目标定为100万台AI玩具，认为大模型技术成熟、供应链成本可控、消费者认知提升三大条件已具备 [10] - “100万台”是AI玩具行业的里程碑，海量高质量的交互数据将极大加速模型“数据飞轮”的运转，形成良性循环 [11] - “100万台”意味着市场教育完成，证明AI玩具能够真正融入日常生活，成为提供情感价值的“生活必需品” [11] 对AGI（通用人工智能）发展的看法 - 特斯拉CEO马斯克认为AGI最快可能于2026年出现，2030年前AI能力将超越人类总和 [9] - 从技术角度看，AGI最先逼近的很可能还是美国头部实验室体系，其算力、工程与前沿探索优势明显 [9] - 中国更容易在真实社会中快速规模化部署AI，将其嵌入产业、政务和公共服务，让AI在现实系统里长时间运行并积累优势 [9]

文章核心观点 - 摩根资产管理认为中国科技股将继续受益于技术突破 中国正加大力度创建更多类似DeepSeek的公司 [1] - 该公司认为中国在科技领域仍然有很多机会 [1] 行业展望与机会 - 策略师指出市场将会看到越来越多机器人技术的进步 [1] - 策略师预测未来将出现更多类似DeepSeek的突破性时刻 [1]

公司动态 - 雅化集团表示其位于津巴布韦的锂矿已实现批量运回国内并已用于生产 [1][4] 行业影响分析 - 雅化集团从津巴布韦批量运回锂矿用于生产氢氧化锂，表明其原料供应趋于稳定且有所增加 [2][5] - 原料供应增加可能提升雅化集团的氢氧化锂产量，导致市场对氢氧化锂的供应预期增强 [2][5] - 该事件对氢氧化锂现货价格构成下行压力，因为供应增加可能缓解市场短缺局面，并抑制价格上涨动力 [2][5] - 该事件被评析为对氢氧化锂价格的一般利空（评分为-1），因实质性供应增量对价格有负面影响 [2][5] 定价机制说明 - 生意社基准价是基于价格大数据与价格模型产生的交易指导价，可用于确定指定日期或指定周期的平均结算价 [2][5] - 大宗商品定价公式为：结算价 = 生意社基准价 × K + C，其中K为调整系数（包括账期成本等因素），C为升贴水（包括物流成本、品牌价差、区域价差等因素） [2][3][5][6]