文章核心观点 - 留抵退税是国家为企业纾困解难、激发市场活力的重要税收优惠政策，核心是将企业未抵扣完的增值税进项税额提前退还，直接补充现金流 [3] - 文章围绕企业普遍关注的留抵退税申请条件、政策选择、进项构成比例等热点问题进行解答，助力政策红利直达快享 [3] 留抵退税申请条件 - 根据财政部 税务总局公告2025年第7号第二条规定，适用政策的纳税人需同时符合四项条件 [4] - 纳税缴费信用级别为A级或者B级 [4] - 申请退税前36个月未发生骗取留抵退税、骗取出口退税或者虚开增值税专用发票情形 [4] - 申请退税前36个月未因偷税被税务机关处罚两次及以上 [4] - 2019年4月1日起未享受增值税即征即退、先征后返（退）政策 [4] 制造业等四类行业留抵税额计算 - 制造业等四类行业适用财政部 税务总局公告2025年第7号第一条第一项政策 [4] - 允许退还的留抵税额=当期期末留抵税额×进项构成比例×100% [5] 进项构成比例的确定 - 适用第一条第一项和第二项政策的纳税人，进项构成比例为2019年4月至申请退税前一税款所属期已抵扣的七类增值税扣税凭证注明的增值税额占同期全部已抵扣进项税额的比重 [7] - 七类增值税扣税凭证包括：海关进口增值税专用缴款书、增值税专用发票、机动车销售统一发票、完税凭证、收费公路通行费增值税电子普通发票、电子发票（航空运输电子客票行程单）、电子发票（铁路电子客票） [7] - 适用第一条第三项政策的纳税人，进项构成比例为申请退税前一税款所属期当年1月至申请退税前一税款所属期已抵扣的七类增值税扣税凭证注明的增值税额占同期全部已抵扣进项税额的比重 [7] 纳税缴费信用级别的确定时点 - 以纳税人向主管税务机关申请办理留抵退税提交《退（抵）税申请表》时的纳税缴费信用级别确定 [7] 申请时间与渠道 - 增值税一般纳税人申请办理留抵退税，应当于符合留抵退税条件的次月，在增值税纳税申报期内，完成本期增值税纳税申报后提交申请 [7] - 可通过办税服务厅、电子税务局或向主管税务机关提交《退（抵）税申请表》 [7] 留抵退税与即征即退、先征后返（退）政策的衔接 - 纳税人自2019年4月1日起已取得留抵退税款的，不得再申请享受增值税即征即退、先征后返（退）政策 [7] - 纳税人一次性将已取得的留抵退税款全部缴回后，可以就缴回当月起发生的增值税应税交易按照规定申请享受增值税即征即退、先征后返（退）政策 [7] - 纳税人自2019年4月1日起已享受增值税即征即退、先征后返（退）政策的，一次性将已退还的增值税即征即退、先征后返（退）税款全部缴回后，可以自全部缴回次日起按规定申请留抵退税 [7] 出口退（免）税备案撤回的相关规定 - 根据国家税务总局公告2026年第5号第十三条规定，纳税人申请撤回出口退（免）税备案的，主管税务机关应当在纳税人结清出口退（免）税款后办理备案撤回 [14] - 第十四条规定，纳税人符合特定情形的，应当报送《视同结清出口退（免）税款确认书》，经主管税务机关确认后视同已结清出口退（免）税款 [14] - 情形一：未申报或者已申报未办结出口退（免）税的出口业务，已按照规定申报免税或者视同向境内销售申报缴纳增值税的 [14] - 情形二：因合并、分立、改制重组等原因撤回出口退（免）税备案，声明相关出口退（免）税事宜由承继企业承接，并提供合并、分立、改制重组企业的决议、章程及相关部门批件的 [14] - 该办法自2026年1月1日起施行 [14]

文章核心观点 - 10月22日A股主要指数集体下跌，上证指数跌1.48%报3658.03点，深证成指跌2.96%报11357.32点，创业板指和科创综指分别跌4.37%和3.32%[1] - 头部公募基金公司逆势出手自购旗下主动ETF，用真金白银向市场传递信心[1][6] - 本轮市场调整核心在于地缘风险向通胀预期和全球流动性环境传导，并非产业景气度系统性走弱[5][6] - 短期A股仍以震荡整固为主，投资宜以防御为先，中期再逐步关注科技与能源化工主线[10] 机构自购与资金进场 - 10月22日易方达基金、富国基金、华夏基金、汇添富基金先后公告将分别运用固有资金2亿元认购各自旗下首只主动ETF[1][6] - 易方达基金认购品质均衡主动ETF易方达，富国基金认购价值优选主动ETF富国，华夏基金认购质量主动ETF华夏，汇添富基金认购均衡智选主动ETF汇添富[6] - 四家公司均表态对中国资本市场长期健康稳定发展充满信心[7] - 10月20日外资公募摩根基金宣布股东通过关联方摩根资产管理（亚太）有限公司运用自有资金7500万美元（约合5亿元人民币）投资摩根大盘成长主动管理ETF[1][7] - 包括前述5只产品在内的首批18只主动ETF于10月23日同步发售，单只产品募集上限均为20亿元，静态测算下有望为A股带来约360亿元增量资金[7] - 首批主动ETF建仓期或存在差异，增量资金将逐步到位[7] 股票型ETF资金流向 - 10月22日股票型ETF全天成交额1887.5亿元，较前一交易日放量逾628亿元[1][7] - 沪深300ETF、创业板ETF、科创50ETF等核心宽基ETF成交活跃[7] - 截至10月21日资金已连续13个交易日流入股票型ETF，累计净流入规模逾2148亿元，净申购超1174亿份[8] - 托底资金持续进场能够减缓下跌斜率，但承接力量或暂时无法扭转短期趋势[8] 市场调整原因 - 油价持续高企加大全球通胀反弹压力，加剧市场对美联储维持高利率甚至进一步收紧货币政策的担忧，推升全球资产贴现率，对高估值科技成长板块形成较大压制[5] - 中东局势不确定性推动资金降低风险敞口，全球权益资产面临阶段性抛售压力[5] - A股科技板块此前已处于调整阶段，叠加海外流动性约束和风险偏好收缩，短期波动进一步放大[5] - 本轮市场调整是资金结构带来的交易层面冲击，并非产业景气度系统性走弱[6] 板块表现 - 10月22日覆铜板、光模块、光电路交换机指数纷纷跌逾6%，领跌Wind热门概念指数[3] - 虚拟人、短剧游戏、光通信、小红书平台指数均跌超5%，跌幅靠前[3] - 具备红利属性的银行板块局部拉升，多只银行股盘中触及新高[3] - 央企银行指数涨0.08%，电信指数涨0.89%，工程机械指数涨0.08%[4] - 覆铜板指数跌6.66%，光模块（CPO）指数跌6.49%，光电路交换机指数跌6.30%，虚拟人指数跌5.99%[4] - 通信设备指数跌6.53%，文化传媒指数跌5.02%，教育指数跌5.00%[4] 短期市场研判 - 快速下跌往往伴随风险集中释放，也为后续超跌反弹创造条件，但海外AI融资与回报分歧尚未消化，国内盈利改善广度仍待验证[11] - A股短期或仍以震荡整固、结构轮动为主，市场演绎超跌反弹仍需催化[11] - 后续需重点关注海外科技企业业绩及资本开支指引、AI融资条件和地缘油价变化[11] - 短期市场或仍将维持弱势，全市场成交维持低迷，存量博弈下抛压容易被放大，筹码出清尚未完成[11] - 三季报验证期开启，业绩不及预期的高位品种仍面临定价修正压力，AI叙事的信心修复需要新的产业催化或盈利数据支撑[11] - 中期维度科技板块调整幅度已较显著，部分细分方向估值消化较为充分，但在海外利率与地缘扰动未实质缓解前，更可能呈现震荡筑底而非趋势反转格局[11] - 上市公司三季报与公募基金三季报披露窗口将逐步给出业绩与持仓验证，主动ETF等中长期资金入市的制度安排也有望改善资金结构[11] - 随着业绩兑现度与订单可验证性成为定价核心，具备真实盈利支撑的方向有望在估值消化后重新占优[11] 投资策略建议 - 短期可适度维持高防御性，关注红利板块中资本金消耗有限且有望持续维持高ROE和股息率的银行股，以及资金面结构占优且估值合理的内需板块[12] - 中期伴随市场震荡可提升科技与能源化工主线关注度，尤其关注科技主线中的算力硬件方向，包括受益于AI需求扩张但仍受制于产能的存储、光通信，以及AI电源、液冷、燃气轮机等算力基建配套[12] - 关注受益于政策支持与高景气度的国产算力板块[12] - 若地缘政治风险持续扰动且国际油气价格中枢上移，可关注盈利有望改善的国内上游油气资源企业[12] - 当前需要切换到防御思维，不要急于博弈快速V型反转，总仓位控制在六七成以内，继续保留充足现金作为缓冲安全垫[12] - 对于高波动的成长方向抄底需谨慎，应等待抛压充分释放、指数重新站稳关键位置且伴随成交量有效放大，再考虑结构性加仓[12] - 可继续持有红利高股息底仓对冲波动，均衡配置框架不变，但需抬高弹性仓位的出手门槛[12]

退休时间确定规则 - 退休时间通常以到达退休年龄的当月为准，而非生日当天 [2] - 到达退休年龄后，次月开始领取养老金 [3] - 退休时间的确定需依据档案和身份证上的出生日期 [3] - 档案与身份证出生日期不一致时，通常以档案中最先记载的日期为准 [3] 税收完税证明开具流程 - 登录电子税务局后，通过【我要办税】-【证明开具】-【开具税收完税证明】进入办理入口 [10] - 进入开具界面后，可根据自身情况选择开具完税证明（表格式）或完税证明（文书式） [11] - 表格式开具：点击【完税凭证（表格式）】，选择缴退款时间起止后点击【查询】，勾选本次缴纳的税款后点击【开具】 [12] - 表格式完税证明可作为记账或抵扣凭证，仅可开具一次，支持多次补打 [13] - 文书式开具：点击【完税凭证（文书式）】，选择缴退款时间起止后点击【查询】，勾选本次缴纳的税款后点击【开具】 [14] - 文书式完税证明可汇总连续期间纳税情况，支持多次开具，但不得作为记账或抵扣凭证 [16] - 开具成功后可进行完税证明打印及PDF格式下载 [16]

美军中东驻军调整 - 由于中东地区威胁增加，美军正悄悄收缩在中东各基地的驻军规模 [1] - 收缩驻军规模的原因是也门胡塞武装持续构成地区威胁以及来自伊朗的直接威胁 [1] - 美军正在缩减在约旦、卡塔尔和科威特的驻军规模 [1] - 美国中央司令部拒绝置评，仅称美军会定期调整兵力部署以优化部队战备水平 [1] - 美国国务院下令美驻沙特阿拉伯的非紧急政府雇员及其家属撤离，理由是胡塞武装针对沙特的敌对行动日益频繁 [1] - 美国缩减驻军规模和撤离使馆人员的举措与美国今年2月底对伊朗发动军事打击前的行动相似 [1] 沙特联军拦截无人机 - 沙特阿拉伯主导的多国联军在沙特利雅得和麦地那地区拦截并摧毁了4架无人机 [2] - 联军当天稍早前在利雅得地区拦截并摧毁一架无人机 [3] - 联军当天在沙特利雅得省和麦地那省拦截并摧毁4架无人机 [5] 胡塞武装袭击沙特目标 - 也门胡塞武装在过去48小时内对沙特阿拉伯发动了4次导弹和无人机袭击 [4] - 袭击目标包括位于首都利雅得的国防部、沙特两座国际机场以及一处石油设施 [4] - 胡塞武装发言人叶海亚·萨雷亚称此次袭击使用弹道导弹和无人机，旨在回应沙特在也门不断升级的军事行动 [5] - 第一次行动目标为利雅得国防部，袭击直接命中目标 [5] - 第二次行动针对东部省达曼市的法赫德国王国际机场，导致航空交通受扰 [5] - 第三次行动针对沙特国家石油公司（沙特阿美公司）位于西部港口城市延布的一处设施，袭击直接命中并引发火灾 [5] - 第四次行动针对沙特西南部的艾卜哈国际机场，袭击再次直接命中目标 [5] - 沙特在过去100天内对也门发动了2900多次空袭和导弹袭击，已造成至少562人死伤，其中大多数为妇女和儿童 [5] - 法赫德国王国际机场21日晚遭到袭击，死亡人数已升至2人，另有8人受伤 [5]

文章核心观点 - 全球电池技术迭代提速，固态电池进入中试量产验证期，2026年半固态装车放量、全固态中试线落地 [2] - 钠电池依托资源成本优势快速发展，与固态路线形成互补 [2] - 行业仍存在产业链协同弱、量产稳定性不足、降本难、标准缺失等问题，亟待全链协同，从单点技术突破走向规模化商用 [2] - 2026起点固态电池年会主题为“全链协同创新 加速产业跃迁”，覆盖固态、钠电两条路线，打通材料、电芯装备、终端应用全链条，促进产学研融合 [2] - 活动集论坛、展览、颁奖、商务对接于一体，合力攻克量产难题，共建下一代电池产业生态 [2] 会议基本信息 - 2026起点固态电池年会暨起点金鼎奖颁奖典礼定于2026年11月6日举行 [8] - 总冠名单位为茹天科技 [8][13] - 晚宴联合赞助单位为鹏锦智能 [15][17] - 赞助商/展商/演讲企业包括赣锋锂电、茹天科技、捷能源、KEDA KOXN、YOUNGY ENERGY、HITES、恒大局救、日联科技、易禾、EPIC POWDER、苏州翼动、青岛优明科粉体机械有限公司、唯行信、Time High-Tech、板壹科技、时代高科（股票代码301319）、海裕百特、美科甄创、留于能源等 [17] - 活动形式涵盖技术论坛、成果展示、商务对接、榜单发布 [12] 嘉宾介绍 - 广州大学王家海教授确定出席2026起点固态电池年会暨起点金鼎奖颁奖典礼 [2] - 王家海教授同期将做主题分享，主题为“原位聚合固液电解质：高安全、能量密度和长寿命的协调官” [2][4] - 王家海为广州大学化学化工学院百人计划教授、博/硕导与博士后导师，广州晶构新能源核心创始人，斯坦福全球前2%顶尖科学家 [6] - 王家海为美国佛罗里达大学化学博士，美国约翰霍普金斯大学化学生物工程博士后，广州市高层次青年后备人才 [6] - 主要从事固态/锂电池新材料、纳米孔生物传感、5G光电功能材料研究，成果发表于Advanced Materials、JACS、Nano Letters、Nano Energy等国际知名期刊，主持国家自然科学基金等多项课题，长期推动前沿储能材料技术产业化落地 [6] 广州大学背景 - 广州大学是广东省与广州市共建的综合性大学，国家“111计划”建设高校 [6] - 在校生近4万人，学科覆盖11大门类，拥有14个一级学科博士点、8个博士后流动站 [7] - 12个学科进入ESI全球前1%，工程学跻身全球前1% [7] - 土木工程为王牌学科，全国顶尖，师范、计算机、化学工程等优势突出 [7] - 作为粤港澳大湾区核心高校，综合实力稳居全国百强，2025软科中国内地高校排名第78位 [7]

文章核心观点 - 保险业近25年年均财务投资收益率为4.8%，且每年均实现正收益，拉长周期看行业平均投资收益率保持稳定[3] - 评估险企投资能力应坚持长期视角，结合当年、近三年、近五年、近十年多期限综合判断，短期业绩波动不足以说明长期经营水平[7][9] - 投资收益率指标需区分净投资、总投资、综合投资三个口径，口径逐渐扩大、波动逐渐加大[19] - 衡量投资收益率的核心是看其能否覆盖负债成本，监管以净投资收益覆盖率和综合投资收益覆盖率作为考核指标[21][24] - 险企投资底色是长期、稳定、覆盖负债成本，长期跨周期是保险资金的特性[27] 投资收益率看多久 - 2001年至2025年25年间保险业财务投资收益率年度间虽有波动，但拉长周期看行业平均投资收益率一直很稳定[3] - 近五年平均综合投资收益率从2022年至2025年一直稳定在4.5%左右，越长视角下投资收益率越稳[9] - 头部险企长期投资收益率：中国人寿近二十年平均总投资收益率5.1%，中国平安近十年平均综合投资收益率4.9%，新华保险近十年平均总投资收益率5.1%，中国太保近十年平均总投资收益率4.7%[6][7] - 财政部对国有商业险企业绩考核已采取"当年+三年+五年"长周期模式，金融监管总局关注险企近三年财务投资收益率和近五年综合投资收益率[9] - 受资本市场影响，2023年保险业投资收益率创历史新低，财寿险业净利润均下滑；2025年三季度资本市场波动，业内预计上市险企前三季净利润降幅在20%以上[7] 投资收益率指标看什么 - 常见投资收益率来自两个体系共5个指标：上市险企财报体系披露净投资收益率、总投资收益率、综合投资收益率；偿报体系披露投资收益率（财务投资收益率）和综合投资收益率[13] - 偿报口径下的投资收益率、综合投资收益率可分别对应财报体系下的总投资收益率、综合投资收益率，差异主要体现在投资收益构成（分子）上[14] - 净投资收益率收益主要来自定期存款利息、上市公司股息收入、投资性房地产租金等，是险企固定收益和最基础、最稳定的来源[15] - 总投资收益率在净投资收益基础上增加公允价值变动及买卖价差收益，反映当年计入利润的投资收益，受资本市场波动影响，也与险企择机能力有关[16][19] - 综合投资收益率在总投资收益基础上增加计入其他综合收益的投资资产浮盈浮亏，全面展现整体投资资产情况，包括已兑现和未兑现收益[17][19] - 从净投资收益率到总投资收益率再到综合投资收益率，口径逐渐扩大、波动越大[19] 投资收益率怎么看 - 金融监管总局资负新规对寿险公司设四个监管指标，其中综合投资收益覆盖率、净投资收益覆盖率均要求≥100%[21] - 净投资收益看能否覆盖客户保证利益，考核过去三年；综合投资收益看能否覆盖公司整体业务成本（含保证和浮动部分），考核过去五年[24] - 头部险企近十年平均净投资收益率为4.8%，按业内估算2026年行业保证部分负债成本低于3%，当前净资产收益覆盖率超过100%[24] - 近五年综合投资收益率水平超4.5%，能够覆盖整体业务成本[24] - 报行合一执行与预定利率下调，根本上都是监管引导险企提升资负管理意识、改善负债质量[24] 投资收益率的底色 - 新准则下险企投资业绩受资本市场影响短期波动明显加大，二季度业绩暴涨与三季度亏损均为资本市场波动下的正常现象[26][27] - 险企短期投资收益率波动大，但拉长时间维度近五年、近十年投资收益率都很稳定且年年实现正收益[27] - 时间维度上不仅看当年投资收益率，更要看近三年、近五年情况；指标维度上从净投资收益率看稳定收益水平，从综合投资收益率看整体投资状况；比较维度上看投资收益能否覆盖客户保证收益乃至非保证部分收益[27] - 随着老龄化加剧和长寿时代来临，保险投资重要性越发凸显，如何调整资产配置、通过分红增加利息收入、稳定净投资收益率、加强长久期匹配管理、拓宽多元投资渠道，使保险资金在更长期间获得相对稳定且更高的综合投资收益率，是行业面临的考验[28]

文章核心观点 - Recursive SI 发布首个模型成果 Flint-40B-A2B，这是一款速度快、专为本地硬件运行的智能体编程模型，由自研自动化研究系统 Eureka Machine 全程参与打造 [1] - Flint 总参数量 400 亿，每生成一个 Token 只激活 25 亿参数，在少量员工和 AI 智能体共同参与下从零开始不到 4 个月完成 [2] - 在 SWE-Bench Pro v2、Terminal-Bench 2.1 和 SWE-Bench Verified 等智能体编程基准测试中，Flint 表现超过总参数量低于 500 亿的其他 MoE 模型，编程能力可与总参数量 250 亿至 400 亿的稠密模型相媲美，运行速度却快 5 倍以上 [2] - 模型权重已在 Hugging Face 开放，采用 Apache 2.0 许可证，下载后可在本地运行，让数据留在自己设备上，也可根据具体应用需求调整 [10] 模型性能与基准表现 - 在智能体编程基准测试中，Flint 是总参数量低于 500 亿的 MoE 模型里表现最好的，性能可媲美参数规模相近的顶尖稠密模型，同时运行速度明显更快 [21] - Flint 在 IFBench 和 IFEval 上取得最高分，在 Terminal-Bench 2.1 和 SWE-bench Pro v2 上领先于所列其他稀疏 MoE 模型，在 SWE-bench Verified 和 LiveCodeBench v6 上保持较强竞争力，但部分稠密模型在编程基准测试中仍取得更高分 [21] - Flint 支持最长 512k Token 的上下文窗口，Recursive 建议将上下文长度控制在 256k Token 以内以获得更好效果 [26] - Flint 适合用作日常编程模型在本地执行任务，处理复杂任务时建议把工作拆成较小任务并给出明确指令，与大型闭源编程模型相比可能需要提供更多引导 [25] 本地推理速度与硬件适配 - 在较短上下文下，Flint 在搭载 M4 Pro 芯片的 MacBook Pro 上生成速度超过每秒 125 个 Token，在配备 64GB 内存的 NVIDIA RTX Spark 上超过每秒 150 个 Token，相比同类模型速度最高可提升 2 倍 [2] - 有开发者在搭载 64GB 内存的 MacBook Pro M5 Max 上实测生成速度达到每秒 114～132 个 Tokens [13] - 另有开发者在只有 12GB 显存的 RTX 3060 上成功跑起这款 400 亿参数编程模型，支持 256K 上下文，生成速度约 46 Token/s [17] - 借助优化后的推理引擎，Flint 在 Apple Silicon 和 NVIDIA RTX Spark 上运行速度最高可达同类模型的 2 倍，与编程基准成绩相近、参数量 250 亿至 400 亿的稠密模型相比速度快 5 倍以上 [28] - Flint 兼容 llama.cpp、Ollama、Unsloth、LM Studio、vLLM 和 SGLang 等多种工具和框架，开源轻量级推理引擎 rec 专门针对 Flint 在 M4 Pro 和 M5 Pro/Max 芯片上的运行进行优化 [12] 自动化研究系统 Eureka Machine - Eureka Machine 能够自动完成一整套研究流程：提出想法、编写实现、运行测试，再根据测试结果决定下一步尝试什么，可同时探索多条技术路线，利用已有实验结果继续推进，并将不同实验中表现出色的方案组合起来 [32] - Flint 整个开发过程都用到 Eureka Machine，从数据、优化器和训练方案到基础设施与推理性能，这套系统都参与研发，其发现的改进方案帮助小团队从零构建 Flint 并在不到 4 个月内在目标基准测试中达到领先水平 [34] - 模型架构方面，Eureka Machine 从总参数量 350 亿、每 Token 激活 30 亿参数的基线模型出发，尝试不同专家配置和网络宽度，经多轮探索最终选定总参数量 400 亿、每 Token 只激活 25 亿参数的 Flint 架构 [36] - 量化方面，系统将输出层也量化到 4 bit，并增加离线蒸馏环节，以 16 位模型作为教师模型，与此前量化感知训练基线相比训练步数减少近一半，最终 NVFP4 模型在各项基准测试中得分与 16 位模型相差不超过 0.7 分 [37][38] - 推理内核方面，系统为低比特投影计算、MoE 运算、注意力计算和提示词处理等环节开发专用内核，并在 M4 和 M5 芯片上开发基于 Metal 的大型融合内核，将整个解码阶段的前向计算合并到一个内核中执行 [40][41] 公司战略与下一步计划 - Recursive 的目标是打造能够递归式自我改进的超级智能，让知识发现过程实现自动化，目前从模型开发入手，希望建立一套随每一代模型产出而持续改进的研究流程 [43] - Flint 是这项工作的起点，小团队在不到 4 个月里从零构建该模型，Eureka Machine 负责提出想法、尝试实现并在模型开发各环节检验方案有效性 [44] - Recursive 判断能力更强的模型能让 Eureka Machine 成为更好的研究者，帮助更快开发下一代模型，并以相同成本获得更强能力 [45] - 接下来 Recursive 将继续开发能力更强的本地模型及运行这些模型所需的基础设施，并将工作延伸到更广泛的 AI 研究与开发领域 [46]

文章核心观点 - LLM生成内容的不确定性估计应超越Token级和Sequence级颗粒度，转向与完整语义单元对齐的Span级不确定性估计（SLUE），使不确定性成为下游系统可理解、可利用的决策信号 [2][13] - 提出SpanUQ方法，通过约25M参数的轻量级Probe利用预训练LLM的Hidden States，在单次前向传播中同时完成语义片段检测与不确定性估计，相较Sampling-Based方法实现约10–20×推理加速 [19][32] - 构建SpanUQ-Bench基准，包含20K Prompts、约293K Annotated Spans及连续不确定性标签，为SLUE任务提供标准化评估基础 [35][27] 现有不确定性估计的颗粒度局限 - Token-Level方法利用token概率分布（如entropy或token probability）估计不确定性，额外计算开销低且颗粒度细，但Token不天然对应完整语义单元，单个token不确定性无法直接反映整个事实声明的可靠性 [7][8] - 语言生成中的概率不确定性不等价于事实层面不确定性，模型可能高置信度生成错误事实，也可能因多种合理表达方式对正确内容表现出高token entropy [8] - Sequence-Level方法通过多次采样、语义一致性比较等为完整生成序列计算单一uncertainty score，能整体衡量可靠性，但难以定位具体问题部分 [9] - 示例中"Marie Curie was a Polish physicist who won the Nobel Prize in 1901"包含多个事实，前两项正确、最后一项获奖年份错误，Sequence-Level方法只能给出整体分数而无法定位问题事实 [9][10] Span-Level不确定性估计任务定义 - 核心观察：人类理解、验证和使用信息以具有完整语义的内容片段为单位，而非token或整段文本 [13] - SLUE目标是在LLM生成文本中识别具有完整、可独立评估语义的文本片段（Semantic Spans），并为每个片段估计对应不确定性 [13] - 三项设计原则：语义完整性（每个Span对应可独立理解评估的语义单元）、细颗粒度定位（精确定位部分不确定内容而非仅给整体分数）、可被下游系统利用（针对不同片段采用不同处理策略）[15] - 可操作性尤为重要，使不确定性估计从模型评估任务成为连接LLM生成与下游决策的桥梁，同时补充而非取代Token级和Sequence级方法 [15] SpanUQ方法设计 - 核心思路：将昂贵的Multi-Sample不确定性信息提取并蒸馏到轻量级模型中，使其通过单次前向传播完成预测 [19] - 从预训练LLM提取Hidden States，通过Multi-Layer Fusion与Token Encoder转换为Span-Level预测特征，原始LLM参数保持冻结，仅训练轻量Probe学习Hidden States与不确定性标签的映射 [20] - 设计DETR-Style Span Decoder，使用一组可学习Span Queries通过Cross-Attention与文本特征交互并行预测多个语义片段，克服BIO Tagging在重叠Span和灵活边界上的限制 [21][22] - Span Detector达到0.910 F1，相较最强启发式方法取得39.4%的相对提升 [22] - 采用Mixture of Beta Distributions（MoB）建模0到1区间的连续不确定性，通过多个Beta Components组合表达复杂分布形态，训练结合Beta Negative Log-Likelihood与Contrastive Ranking Objectives [23] - 引入Uncertainty-Conditioned Iterative Refinement（UCIR），将第一轮预测的不确定性信息反馈到共享Decoder修正Span预测，额外开销低于15%并提升不确定性排序相关性 [24] SpanUQ-Bench基准构建 - 通过Multi-Sample Claim Verification构建连续Soft Labels：同一事实声明在多次生成与验证中表现强一致性则对应较低不确定性，表现高不一致性或缺乏稳定验证支持则不确定性更高 [27][28] - 多次采样经验信号不等价于绝对事实正确概率，但可为学习细颗粒度不确定性估计提供有价值监督信息 [28] - 目标是将SLUE从概念性研究问题转化为可训练、评估和比较的具体任务 [28] 实验结果 - 在五个LLM Backbone（涵盖两个模型家族，包括Dense和MoE架构）上评估，SpanUQ的AUROC达到0.908–0.944，MAE为0.110–0.129 [30][31] - 相较Token Entropy、MLP Probe、SelfCheckGPT-NLI、P(True)等Baselines展现更强综合表现，同时关注区分高低不确定性片段的能力与连续预测分数同目标标签间的误差 [31] - 具体数据：Qwen3-14B上AUROC 0.939、MAE 0.110；Qwen3-8B上AUROC 0.930、MAE 0.129；Qwen3-4B上AUROC 0.944、MAE 0.126；Qwen3-30B-A3B上AUROC 0.936、MAE 0.110；Mistral-7B上AUROC 0.908、MAE 0.126 [34] - 相较Sampling-Based方法实现约10–20×推理加速，说明细颗粒度不确定性估计不一定需要高昂多次采样成本 [32] - Sequence-Level不确定性在一定程度上具有可分解性，Span-Level估计不仅提供更细颗粒度信息，也可能帮助理解更高层级不确定性，不同颗粒度间存在可进一步建模的结构性关系 [33] 不确定性感知决策应用方向 - Uncertainty-Aware Verification：仅针对高不确定性片段调用搜索工具或验证模型，将有限计算资源集中于最需检查内容；不同不确定性程度对应不同验证策略（低不确定性优先直接使用、中等采用轻量级验证、高不确定性采用严格外部检索或多模型交叉验证）[38] - Uncertainty-Guided Self-Refinement：先定位高不确定性语义片段，再引导模型针对性验证、修改或重新生成，使Self-Refinement从整体级反复生成走向细颗粒度局部修正，避免修改原本正确内容 [39] - Uncertainty-Aware Multi-Agent Communication：Agent间不仅交换自然语言文本，还传递与具体语义单元关联的可靠性信号，接收方Agent可据此决定直接使用信息、请求补充证据或调用其他Agent交叉验证，系统可动态决定任务分配与计算资源投入 [40][41] - Multi-Agent场景开放问题：不同Agent使用不同基础模型时uncertainty score的可比性、跨模型confidence含义对齐、错误校准信号在系统中传播放大的风险 [41] 行业意义与研究展望 - 随着LLM从独立文本生成工具演变为复杂AI系统基础组件，衡量、理解并传递模型输出可靠性日益重要 [43] - 未来研究方向包括提升Uncertainty Calibration使其成为可信决策信号、利用Span-Level Uncertainty引导高效Verification与Self-Refinement、跨模型细颗粒度不确定性传递、扩展至复杂推理过程与代码生成等结构化输出 [43][44] - 研究目标从单纯模型评估拓展到更广泛的Uncertainty-Aware Decision Making，可定位具体语义内容的Uncertainty Signals将发挥越来越重要作用 [44] - 相关代码、模型和Benchmark已开放，论文发表于NeurIPS 2026 [4][44]

文章核心观点 - 网传宁德时代董秘在基金公司路演时被打的消息不实，董秘并未出席该场路演 [1] 事件详情 - 10月22日，有消息在网上热传称宁德时代董秘在某基金公司路演时被打 [1] - 知情人士表示该消息不实，董秘并未出席这场路演 [1]

文章核心观点 - 房企化债消息密集传来，重组核心方向是大力“削债”，降低企业整体负债规模，与以往不同的是让渡控股权情况渐次出现，且重组后二次违约、新增债务逾期仍发生，出险房企面临“二次闯关” [3] - 债务重组并非“免死金牌”，出险房企走出债务泥潭仍需依靠存量项目去化、经营基本面改善，当前化债完整链条仍缺少从债务削减向经营造血过渡的关键环节 [13] 荣盛发展化债自救 - 荣盛发展公告拟与标的债券持有人协商，对标的债券采取部分本金以物抵债、利息豁免方式进行债务重组，债券发行于2020年，发行本金合计40亿元，未偿本金余额38.52亿元，利息约12亿元 [5] - 重组核心是“以物抵债”，抵债资产评估值3889.83万元，抵债金额参考评估价值，若签署协议标的债权停止计息、停止计收违约金，债券持有人放弃利息及其他部分并不再追索 [6] - 抵债资产评估值仅几千万元、体量有限，方案更像“局部破冰”，用削债和利息豁免换取债权人停止追索，为整体化债争取空间 [7] - 荣盛发展曾被称为“河北王”，2018年销售金额一度突破千亿，2026年截至10月12日完成金融债务展期7.38亿元，化解金融债务本金19.83亿元，经营债务化解17.8亿元 [7] - 上半年营业收入61.72亿元，同比下降56.48%，归母净利润-10.27亿元，较上年同期收窄64.18%，此前两年分别净亏损84.44亿元、94.28亿元 [7] 其他房企债务重组进展 - 雅居乐境外债重组选择“债转股”，涉及本金约51.83亿美元，将换取约91.99亿股新普通股及缴足股份，占重组完成时公司股本约64.6%，控股权可能发生转移 [8] - 力高集团债务重组计划获多数计划债权人支持，路劲预期年底前完成重组，建业地产就延长约16.08亿元借款达成协议，离岸债务初步重组方案正在制定 [8] - 据不完全统计，已有20多家出险房企完成债务重组、破产重整或取得重要进展，多采取“现金回购+债转股/强制可转债+以资抵债+长期票据/短期票据置换”的综合方案 [8] - 本轮化债方案核心转向“削债”，意在切实降低负债规模、减轻偿债压力、降低再次违约风险，而非仅延长债务偿还期限，“债转股”成为大规模化债的重要工具，部分房企可能出现控股权转移 [8] 重组后二次违约与隐忧 - 2026年至今房企化债“冰火两重天”，花样年、宝龙债务重组相继成功，旭辉、奥园却在重组落地后出现二次违约，还有此前重组成功的企业又新增逾期债务 [10] - 旭辉境外重组生效仅183天，就因无法支付选项2约1000万美元到期现金，于2026年6月底再度违约，暂停境外本息偿付并启动二次重组 [10] - 二次违约根源在于重组方案假设在后续经营环境中未能兑现，多数方案以销售端回暖作为偿债资金来源，但市场低迷下企业资金流入不足 [11] - 重组方案普遍有资产变现计划，但资产处置面临买家观望与折价压力，旭辉仅因单笔境外伦敦物业出售受阻即无力偿付约1000万美元现金对价 [11] - 房企即便完成金融类债务重组，境内经营类债务压力依然存在，境内银行、信托、施工方等债权人利益诉求分散、逐家博弈，资产负债表修复并不彻底 [11] - 建议根据自身资产、股权结构、债权结构采取综合方案，引入强制转股或部分转股机制实现本金实质性削减，并制定经营重启计划、保持对核心经营资产的控制和管理团队稳定 [11] 8.28商品房销售新政影响 - 8.28商品房销售新政将对出险房企有一定影响，目前各地细则还在出台，项目盘活时资方在重新考虑相关资金成本 [12] - 对集团层面而言，预售门槛提高、自有资金约束收紧、资金监管更加严格，出险房企现金流紧张情况或会加重，回款节点后移进一步加剧资金占用与周转压力 [13] - 积极方面，8.28新政下融资重心转向项目端，出险房企如仍有核心城市优质项目在手，将获得新增融资支持，有助于推进工程建设进而释放销售回款 [13] 化债机制完善方向 - 销售端企稳是重组方案偿付安排的共同前提，化债进入下半场后亟需形成支持存量资产出清的市场环境 [13] - 债权人分散博弈导致效率低下，化债机制有待统一完善 [13]