根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. 模型名称：GPT-4.1 - 模型构建思路：通过API形式发布，提升编程、指令遵循和长文本理解能力，同时优化性价比[12] - 模型具体构建过程： - 代码能力：在SWE-bench Verified测试中得分54.6%，比GPT-4o提升21.4%[13] - 指令遵循：Scale's MultiChallenge基准测试得分38.3%，比GPT-4o提升10.5%[13] - 长上下文：支持100万tokens处理能力，在Video-MME基准中得分72.0%（提升6.7%）[13] - 训练优化：通过定制化工具评估指令遵循（如格式遵循、负面指令、有序指令等）[19] - 模型评价：在编程和长文本任务中表现卓越，但被质疑与GPT-4.5差异较小[12] 2. 模型名称：GLM-4-32B-0414系列 - 模型构建思路：320亿参数密集模型，支持本地部署，对标GPT系列和DeepSeek V3/R1[26] - 模型具体构建过程： - 预训练：使用15T高质量数据（含推理类合成数据）[26] - 后训练：通过拒绝采样和强化学习增强指令遵循、代码生成和函数调用能力[28] - 衍生版本： - GLM-Z1-32B-0414：通过冷启动和扩展强化学习提升数理能力[31] - GLM-Z1-Rumination-32B-0414：结合搜索工具处理复杂开放性问题[34] - 模型评价：在工程代码和复杂任务中媲美更大规模模型[29] 3. 模型名称：Seed-Thinking-v1.5 - 模型构建思路：采用MoE架构（200B总参数/20B激活参数），专注STEM和创意任务[35] - 模型具体构建过程： - 数据优化： - 可验证数据（数学/代码）：三重清洗（人工筛选→模型过滤→多模型验证）[38] - 非可验证数据（创意写作）：两两对比奖励法优化生成质量[38] - 训练机制：双轨奖励（硬指标对错+软偏好优劣）[40] - 模型评价：在STEM领域表现突出，泛化能力优于DeepSeek R1[35] 4. 模型名称：GPT-o3/o4-mini - 模型构建思路：融合图像推理至思维链，自主调用工具提升视觉任务性能[42] - 模型具体构建过程： - 视觉推理：通过原生图像处理（裁剪/放大/旋转）实现多模态思考[46] - 基准表现：在MMMU、MathVista等视觉任务中刷新SOTA[46] - 模型评价：编程和视觉推理能力接近“天才水准”，但需高算力支持[43] 5. 模型名称：BitNet b1.58 2B4T - 模型构建思路：20亿参数三值权重（-1/0/+1）模型，降低计算资源需求[49] - 模型具体构建过程： - 架构创新：BitLinear层（1.58位存储）+ 8位整数量化激活值[49] - 训练阶段：4万亿token预训练→监督微调→DPO优化[52] - 模型评价：内存占用仅0.4GB，性能逼近全精度模型[49] 6. 模型名称：Video-R1 - 模型构建思路：7B参数视频推理模型，基于R1范式和T-GRPO算法增强时间建模[63] - 模型具体构建过程： - 数据集：Video-R1-COT-165k（SFT冷启动）+ Video-R1-260k（RL训练）[67] - 训练方法：Qwen2.5-VL-7B基础模型 + T-GRPO强化学习[68] - 模型评价：在VSI-Bench超越GPT-4o，泛化能力显著[68] 7. 模型名称：Pangu-Ultra - 模型构建思路：135B密集模型，纯昇腾集群训练，优化深度网络稳定性[69] - 模型具体构建过程： - 架构改进：Sandwich-Norm层归一化 + TinyInit参数初始化[74] - 性能表现：在AIME 2024、MATH-500等任务中比肩DeepSeek-R1[74] - 模型评价：中文任务全面领先，数学/代码任务具竞争力[73] --- 模型的回测效果 1. GPT-4.1 - SWE-bench Verified：54.6%[13] - Scale's MultiChallenge：38.3%[13] - Video-MME：72.0%[13] 2. GLM-4-32B-Base-0414 - 工程代码/函数调用：媲美GPT-4o[29] 3. Seed-Thinking-v1.5 - AIME 2024：86.7%[35] - Codeforces：55.0%[35] 4. GPT-o3/o4-mini - Codeforces：>2700分（全球前200）[43] - AIME 2025：99.5%（配合Python解释器）[43] 5. Video-R1 - VSI-Bench：35.8%（超越GPT-4o）[68] 6. Pangu-Ultra - MATH-500：97.4%[74] - GPQA Diamond：74.2%[74] --- 技术备注 - MCP协议：简化AI工具集成，配置效率从100×100降至100+100[54] - Sandwich-Norm架构：通过Pre-Norm + 子层 + Post-Norm提升训练稳定性[74] （注：因研报未涉及量化因子内容，故未列出相关部分）