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]

10月22日，中国人民银行广东省分行发布2026年三季度广东省金融运行形势。 数据显示，9月末，广东社会融资规模存量44.98万亿元，同比增长7.0%，增速与上年同期持平；1- 9月，广东社会融资规模增量2.55万亿元、占全国的9.3%，同比多增1557亿元。9月末，广东本外币 各项贷款余额31.3万亿元、同比增长4.6%，各项存款余额40.8万亿元、同比增长6.5%。 从融资渠道看，直接融资比重继续提升。1-9月，广东非金融企业债券、股票和地方政府债券等直接 融资增加1.04万亿元、同比多增2747亿元，占广东社会融资规模增量的比重为40.7%、同比提升8.8 个百分点。其中，企业部门直接融资增加4983亿元，在广东社会融资规模增量中占比为19.6%，同 比提升9.6个百分点。 2026.10. 22 本文字数：1588，阅读时长大约3分钟 作者 | 第一财经 安卓 另外，今年广东金融系统推出了"气候贷"系列产品。据中国人民银行广东省分行信贷政策管理处相关 负责人介绍，人民银行广东省分行目前建立了一套完整的服务流程。 首先由气象部门出具气候韧性评估报告，把经营主体的防灾减灾能力、气候资源利用情况以及气候风 ...

文章核心观点 - AI短剧正成为资本市场热门概念，10月以来多家上市公司因短剧业务股价上涨并发布股票交易异常波动公告，但多家公司披露短剧业务暂未形成收入或对业绩贡献有限，呈现股价先行与收入兑现脱节的冰火两重天局面 [3] - AI短剧赛道呈现撮合与分发服务商盈利改善、制作端利润持续压缩的分化格局，本质是产业链价值分配重构的结果，上市公司AI短剧业务成色仍需长期考验 [3] - 行业规模扩张与竞争加剧同步演进，AI短剧吸金能力持续上升但玩家面临的不确定性更大，二八效应将持续放大 [10][11] AI短剧概念火热与上市公司股价异动 - 进入10月，德才股份（605287.SH）、慈文传媒（002343.SZ）、南威软件（603636.SH）、欢瑞世纪（000892.SZ）、兑吧（01753.HK）等多只股票收获涨停板，多家公司随后发布的股票交易异常波动公告均提及短剧业务 [5][6] - 10月22日兑吧股价报收1.11港元/股，3日涨幅达56.34%，20日涨幅达100%；10月14日兑吧发布自愿公告，预计集团AI短剧业务将于2026年7月、8月及9月连续三个月录得纯利 [6] - 10月12日德才股份发布股票交易异常波动公告，连续两个交易日内涨幅达20%，公告提到控股公司涉及漫剧制作相关概念，但该业务尚处于发展阶段、营收规模较小且仍亏损，未对经营业绩产生重大影响，截至发稿股价20日涨幅仍达19.97% [6] - 南威软件因"预计AI短剧年出品300部、2027年度产生规模化收入"的发声，10月16日至10月21日三个交易日累计涨幅21.64%，公司连发股票交易异常波动公告表示年产能和规模化收入仅为初步预计、落地支撑不足，已制作完成的AI短剧尚未在任何平台上线、销售渠道尚未开通、目前未产生收入 [7] - 10月21日上交所对南威软件及有关责任人予以监管警示，指出此前涉及AI短剧、智算中心等业务的信息发布不准确、不完整、风险提示不充分；10月22日南威软件股价下跌10.02% [7] - 除传统内容企业外，今年以来永吉股份（603058.SH）、遥望科技（002291.SZ）等也在陆续切入AI短剧赛道并将AI短剧作为战略业务 [7] 上市公司短剧业务成色分化 - 阅文集团（00772.HK）上半年短剧与AI漫剧收入突破4.3亿元，同比增长2.3倍；中文在线（300364.SZ）同期短剧及IP衍生品业务营收4.11亿元，同比增长108.72% [8] - 欢瑞世纪、慈文传媒等均处于短剧业务规模较小、尚未形成规模化效应阶段，欢瑞世纪披露2026年上半年AI短剧业务营业收入占2026年半年度未经审计整体营业收入比例不足1% [8] - 当前AI短剧产业链定价权集中在掌握流量分发入口、优质IP储备以及AI生产算力底座的环节：平台方掌控流量竞价规则与分账结算体系，是收益分配的核心主导方；优质网文IP方依托稀缺故事版权拿到稳定分成；算力和AI工具服务商盈利受行业价格战扰动；普通制作团队以项目制模式运转，收入与利润高度依赖单部短剧数据表现，议价能力偏弱，面临算力、投流、剧本开发等风险，盈利波动极强 [8] - 尽管被贴上AI短剧标签的上市公司越来越多，能否在产业链中找到自身可持续的变现价值才是各家公司的真正考验 [8] 行业规模扩张与竞争加剧 - DataEye《2026上半年国内AI剧漫剧数据报告》显示，今年上半年国内AI短剧用户规模超过6亿，全年市场规模预计突破400亿元，同比增幅138% [10] - 《2026中国AI短剧行业发展与受众洞察报告》针对1000名受访者的调研显示，AI短剧付费人群占比为51.8%，用户付费意愿处于高位 [10] - 供给端膨胀速度更快：上半年仅抖音端新增AI短剧及漫剧就达到约22.19万部，但播放量破亿的仅有1055部，破亿率为0.47% [10] - 以5000万播放作为盈亏线，九成以上的AI短剧处于亏损状态 [10] - 国内短剧行业极度依赖投流，同时需要不断以产品上新速度抢夺市场份额，爆款复制、同质化趋势明显，利润越来越薄 [10] 行业二八效应与竞争格局 - AI大幅拉低短剧制作门槛的红利正被内容供给快速膨胀所吞噬，投流竞价不断抬升，这是兑吧等主打短剧投放撮合与付费变现链路运营的服务商更容易兑现阶段性盈利的原因 [11] - 对普通制作团队而言，如何分散单部作品失败风险、在产业链中找到更多价值环节、不让收益高度绑定单部短剧播放转化，正成为严峻考验 [11] - 现阶段资金对AI短剧标的定价更多锚定赛道远期空间而非当期业绩兑现，海外AI短剧商业化路径的跑通验证了短剧内容出海变现潜力，许多公司的产能规划被视作赛道卡位信号 [11] - 长期竞争中，能否串联优质IP储备、自研AI生产流水线、海内外分发渠道等形成商业闭环，正将AI短剧玩家推入生态体系的竞争之中 [11] - 对许多AI短剧行业玩家而言，如何从讲资本故事走向商业价值实现仍有很长的路要走 [11]

文章核心观点 - 智元正式签约成为香港特区政府引进办新一批重点引进企业，标志着公司在港长期布局迈出重要一步，将以香港作为国际研发、产业合作和连接全球市场的重要支点 [3] - 智元联合创始人兼CTO彭志辉表示，香港的国际化营商环境、优秀科研人才、成熟资本市场及连接粤港澳大湾区产业链和全球市场的优势，与公司推动具身智能技术创新和规模化商业应用的发展方向高度契合 [4] - 智元合伙人兼高级副总裁朱洁表示，香港拥有国际化服务业环境和丰富企业应用场景，是推动技术验证和实际应用的重要平台，公司希望在香港带来的不只是机器人产品，更是持续的创新机会和实际产业价值 [4] 香港布局进程 - 智元于今年5月公布在港发展计划 [3] - 10月9日正式启用位于铜锣湾时代广场的香港办公室暨国际研发总部 [3] - 10月15日成为香港生产力促进局"具身智能国际应用训练场"首批技术合作伙伴之一 [3] - 10月22日在特区政府财政司司长陈茂波见证下，正式签约成为引进办新一批重点引进企业之一 [3] 科研合作规划 - 智元计划分阶段与香港高校和科研机构推进联合研究，建设产教融合创新基地和联合实验室 [4] - 已宣布计划投入数千万港元支持相关科研合作，研究方向包括机器人灵巧操作、具身智能模型等 [4] 人才培养计划 - 智元近期已在香港中文大学、香港科技大学和香港大学举办校园招聘宣讲会 [4] - 将随研发和业务推进逐步扩大香港本地团队 [4] 应用落地规划 - 智元将围绕香港零售、酒店、物流、会展等服务业需求，探索机器人在接待、导览、顾客互动和运营支持等场景的应用 [5] - 探索"机器人即服务"（RaaS）等灵活服务模式，降低企业前期投入 [5] - 10月13日与紫荆杂志社签署框架合作协议，共同推动机器人零售舱在港落地，以紫荆文创产品和文化衍生品为主要商品，并策划机器人大型表演活动、拓展机器人租赁业务 [5] 未来展望 - 智元将持续落实在港发展计划，深化与香港高校、科研机构和企业的合作，逐步加大科研投入，推进人才培养和产业应用，助力香港发展人工智能和具身智能产业、建设国际创新科技中心 [5]

文章核心观点 - 香港引进重点企业办公室举行第七批重点企业伙伴签署仪式，新增18家重点企业落户或扩展在港业务，累计引进重点企业达142家[2] - 累计引进企业预计未来数年带来约840亿港元投资，创造约26700个职位[2] - 新一批企业延续“内地与海外各半”的均衡格局，多家市值或估值超过千亿港元[2] - 前六批重点企业实际投资额较预期高出30%，创造职位数较预期多出34%，已合计使用超过280万平方英尺商业及工业楼面[8] - 新一批18家企业预计带来超过100亿港元投资，创造逾1600个高端职位[9] 名单多元，覆盖六大创科领域 - 本批18家企业包括奇瑞汽车、范式智能、百胜中国、强生（香港）、乐敦制药、智元、五一视界、华人文化、星星充电、点金国际、瑞士Valcambi SA、Solana等[4] - 企业涵盖先进制造与新能源、人工智能、生命健康科技、金融科技以及文化创意科技等领域[4] - 名单中既有具身智能机器人领域先行者，也有跨国医疗创新企业、全球最大黄金精炼及贵金属服务供应商之一，以及专注于智能电源管理的微电子领先企业[4] - 引进办主任任景信指出，本批企业呈现两大特色：其一是对接《施政报告》推动黄金大宗商品交易生态的政策方向，成功引入瑞士黄金交易龙头企业Valcambi SA及深圳点金国际，两家企业均计划在港开展提炼、储存及交易全链条业务，并筹备符合伦敦金银市场协会（LBMA）国际认证的炼金产业链[6] - 其二是体现香港作为大湾区枢纽的角色，有韩国及日本企业选择以中国香港为试点，验证医疗人工智能与医院流程优化方案后再进入湾区内地城市，同时全球十大药厂中再有一家落户香港扩大临床测试[6] 累计成效超预期，前六批重点企业投资额高出三成 - 陈茂波披露前六批重点企业实际投资额较预期高出30%，创造的职位数较预期多出34%，已合计使用超过280万平方英尺商业及工业楼面[8] - 任景信形容引进工作“超额完成、令人鼓舞”，反映产业政策落地成绩正面[9] - 142家重点企业预计带来约840亿港元投资及近2.7万个职位，包含高增值的研发及管理岗位[9] - 特区政府将以“金融+”策略赋能创新，协助企业在研发、商业化及扩张阶段筹集资本[9] - 北部都会区规划中的三个大学城将推动教育、科技、人才与产业一体化，河套深港科技创新合作区致力于促进人员、资金、数据及生物样本的跨境便捷流动[9] - 内地与香港在临床试验及药物审批方面的合作深化，被视为吸引药企落户的制度性优势[9] - 引进办已开始与航天经济领域龙头企业接触，研究香港在该新兴领域的配合路径，引进方向可能在现有六大核心领域之外进一步拓展[9]

文章核心观点 - 吉比特在2026年半年度每10股派发100元（含税）大手笔分红后，三季报再次推出每10股派发60元（含税）的利润分配方案，合计拟派现4.31亿元（含税）[2][4] - 公司前三季度累计现金分红11.48亿元（含税），占2026年1—9月归母净利润的72.44%[4][7] - 公司前三季度业绩同比增长超30%，但第三季度单季业绩略有下滑[8][9] - 公司自上市以来连续多年高分红，累计现金分红已达74.22亿元，是其IPO融资净额的8.25倍[13] 三季报利润分配方案 - 拟向全体股东每10股派发现金红利60.00元（含税），以71,756,301股为基数，合计拟派发现金红利4.31亿元（含税）[2][4] - 本次分红不转增、不送股[4] - 预计2026年前三季度现金分红（包含2026年半年度已实施的现金分红）合计为11.48亿元（含税），占2026年1—9月合并报表归母净利润的比例为72.44%[7] 前三季度业绩表现 - 2026年前三季度，公司实现营收54.96亿元，同比增长22.53%；实现归母净利润15.85亿元，同比增长30.55%[9] - 第三季度公司业绩略有下滑：当期营收同比下降10.07%至17.70亿元，归母净利润同比下降13.34%至4.93亿元[9] - 第三季度业绩下滑原因之一：本年第三季度《杖剑传说（大陆版）》《杖剑传说（港澳台版）》《问道手游》《问剑长生（大陆版）》营业收入和利润同比减少，销售回款相应减少[9] - 第三季度业绩下滑原因之二：本年第三季度《杖剑传说（欧美版）》贡献增量营业收入和利润，销售回款相应增加，部分抵消了现金流入同比减少的影响[9] 公司历史业绩与背景 - 吉比特成立于2004年，于2017年1月在上交所主板上市，是一家注册于福建厦门的网络游戏公司，主营网络游戏的研发及运营业务[9] - 代表性产品为《问道》端游、《问道手游》《一念逍遥》《问剑长生》《奇葩战斗家》等[9] - 自2017年上市以来，公司营收、净利整体保持稳健增长势头[10] - 经过2023年至2024年的调整后，公司业绩在2025年迎来大幅反弹：营收同比增长67.89%至62.05亿元，归母净利润同比增长89.82%至17.94亿元[10] 分红历史与股东回报规划 - 自2017年上市以来，公司累计现金分红已达74.22亿元，是其IPO融资净额的8.25倍[13] - 仅2025年内，公司便实施了半年度"10派66元"、三季度"10派60元"以及年度"10派70元"三次派现，全年分红总额超过14亿元，占当年净利润的78.41%[14] - 公司近三年分红力度呈加速态势，2023年度至2025年度现金分红总额分别为5.04亿元、7.18亿元、14.06亿元，逐年递增[14] - 2025年12月，吉比特公布了未来三年（2025-2027年）股东回报规划：在具备分红基础的前提下，原则上每年分红三次，即半年报、三季报和年报时进行分红；每年总分红比例不低于当年归母净利润的50%[14] 实控人持股与分红受益 - 截至2026年三季度末，实控人卢竑岩持有吉比特2141.26万股，占总股本的29.72%[14] - 仅以本次三季度分红估算，卢竑岩个人可获现金红利约1.28亿元（含税）[14] - 若将历年分红按持股比例粗略加总，卢竑岩通过现金分红获得的累计回报已相当可观，远超一般机构与中小股东[14] 市场表现与估值 - 截至10月22日收盘，吉比特股价报323.01元/股，总市值为232.7亿元[15] - 当日股价下跌3.51%，跌11.74元，换手率1.68%，总手12070，成交金额3.93亿元[17] - 市盈率11.01，总值232.7亿元，流值232.7亿元[17] - 相关ETF游戏ETF华夏当日下跌4.53%，吉比特在其市值占比6.69%[17] 行业与经营分析 - 分析人士指出，吉比特敢于持续高分红，底气源于其游戏产品的稳健流水与充沛现金流[14] - 在稳健增长的业绩支撑下，高分红策略既兑现了股东回报，也强化了市场对其"游戏茅"的认知[14]

文章核心观点 - 玩具行业增长核心动力已从儿童转向成年人，成年人出于疗愈、解压、自我表达等情绪价值买单的意愿和支付能力远高于传统儿童玩具 [2] - 中国潮流玩具市场规模已突破数百亿元，其中18~35岁青年群体占比超过70% [2] - 成年人玩具生意比儿童玩具更难做，消费者口味挑剔多变，爆款产品生命周期甚至被压缩至几周，考验商家极致的上新能力和IP运营能力 [3] - 玩具厂商面临产品趋同、赛道内卷、需求分化三座大山，行业呈现社交属性、高知育娃、收藏悦己、疗愈解压四大消费趋势 [4] - 京东超市玩具业务重新定位，不只是把玩具卖出去，而是替商家解决"被看见""被相信""被反复购买"三件更难的事 [5] 行业困境：新品难以被看见 - 创新性新式玩具上架后往往淹没在海量新品中，单靠自然流量几乎无法起量，仅靠商家自行采买流量则搜索排名靠后，面临漫长且不确定的试错周期 [7] - 即便拥有粉丝基底的品牌与头部IP合作，在注意力极度分散的当下，如何在第一时间推给精准用户仍是亟待解决的问题 [7] - 热门盲盒或积木一经爆火，数周之内几十家中小代工厂便涌入推出高度相似的"9.9白菜价平替版"，产品在外观、玩法和材质上高度趋同，商家陷入无休止的抄袭与跟风 [12] 京东超市"头号新品计划"：让新品被看见 - 京东超市推出"头号新品计划"，预计打造1000款销售破百万的新品，借助京东平台新品能力把创新好物拉出红海 [8] - 京东让平台流量精准触达目标商家，与京东新品频道联合打造"周四头号新品日"等标志性爆发阵地 [9] - 该计划覆盖新品孵化、蓄水、上市、首销、续销、促销六大阶段，实现前期爆发更快、中期爆得更高、后期爆得更久 [9] - 京东调用新品创新中心AI深度分析能力，帮助计客将"空间逻辑玩具"与"桌面解压神器""户外烧脑黑科技"等市场方向相匹配，并倾斜专属扶持，在平台首页战略级流量入口、搜索与详情页进行确定性曝光，仅30天助力"露营达人"实现销售额突破100万元 [9] - 针对布鲁可变形金刚星辰版第八弹，京东将其拉入"T2头号新品日"顶流阵地，开放新品频道黄金位，利用人群画像精准锁定IP兴趣发烧友 [9] - 京东作为全国稳定日销平台，提供持续、稳定、可预期的购买人群，新品可在冷启动后平稳过渡到常态化销售，把一次性流量变成可复用的用户资产 [10] - 京东PLUS会员消费意愿更高、消费能力更强，与计客、布鲁可想要触达的核心用户画像形成天然匹配 [10] - 未来一年京东超市计划打造超1000款销售破百万的新品 [10] - 今年京东超市对"头号新品"进行升级：强化平台首页等核心资源的确定性展示与覆盖，提升新品在搜索与详情页场景中的触达效率；扩充高品质新品的扶持范围 [11] 差异化能力构建：让创新者赢在品质而非低价 - 京东超市依托新品学习中心与新品运营中心2.0，通过海量消费趋势拆解用户心智，引导计客等创新品牌精准锁定"成年人桌面解压"等差异化赛道 [12] - 京东借助AI对机甲圈层与IP粉丝搜索、购买行为的深度拆解，帮助布鲁可提前预判硬核玩家对"细节还原度"与"专属可动关节"的狂热需求，引导商家做差异化供给 [12] - 京东结合新品生命周期"全域通"运营体系，发挥布鲁可品牌限量独家赠品的优势，通过粉丝成团许愿抽周边、互动打榜裂变等圈层玩法，将买货升级为带有强归属感的"追星狂欢" [12] - "正品+独家体验+专属权益"构建的差异化策略，助力布鲁可变形金刚星辰版第八弹在京东超市创下单日爆卖4万件的记录 [13] - 京东超市通过消费趋势洞察帮商家省下新品试错成本，节省的成本可投入到更好的材质、更严的品控和更快的上新响应上 [13] 情绪价值与AI技术：让新品畅销 - "情绪价值"已成为驱使全龄段人群买单的最核心驱动力，年轻人通过AI智能玩具寻找精神慰藉，银发群体在智能陪伴与手脑互动玩具中找到缓解孤独的新出口 [16] - 消费者对玩具的期待已从"买回来"延伸到"买得放心、玩得久、还能越玩越懂我" [17] - JoyInside是京东铺向物理世界的去中心化入口，玩具是其走进家庭的第一个也是最成熟的切口 [18] - JoyInside带来三方面改变：交互上能跨时长陪孩子一起玩，把玩具从功能执行者变成共同玩伴；记忆上按情感强度与互动频率动态判断什么该记住、什么可以放下；场景理解上能精准承接绘本伴读、听写字词、口语对练等日常伴学需求，并读懂亲子间的表达缺口实现从"功能陪伴"到"情感共鸣"的升级 [18] - JoyInside对AI玩具下半场的判断：拼的不再是功能多少，而是有没有真正把玩具变成孩子的伙伴，用AI重构人与玩具的陪伴关系 [19] "星钻计划"与品质品控：让消费者买得放心 - 京东超市推出"星钻计划"，从包装、品质到服务提供更好体验：开箱设计有仪式感、运输途中不让商品受损、实验室做全链路质检严控、出问题"三十天只换不修、买贵双倍赔" [20] - 针对婴幼童玩具品类，京东超市构建从源头材质安全管控、全链路流转溯源到实验室级品质检测的完整品控体系 [21] - 在牙胶、布书等家长决策敏感度高的刚需品类详情页，"无甲醛""0荧光剂""摇铃布书可啃咬""木质积木无毛刺"的检测报告被直接公示 [21] - 今年京东11.11期间，京东超市玩具业务联合京东金榜发布六大玩具趋势主题榜单，依托五大独有算法模型筛选入榜商品 [21] 购物场景与货盘建设：让逛的体验也变 - 京东超市玩具业务开设多个子频道："玩具市集"收录儿童玩具、潮玩等多品类新奇好物；"IP乐园"以IP分类整合限定新品；"潮玩圈"以"百万悬赏头号玩家"等征集话题打造内容交流场 [22] - 京东超市玩具业务主张"新奇好玩，安全信赖"，面对"丑萌""怪趣"与反差审美新趋势，提前筛选产品帮年轻人快速锁定心仪好物，降低挑选成本 [22] - 依托深度绑定头部IP与明星联名的资源壁垒，京东超市持续输出独家供给：玩具总动员IP独家定制毛绒玩具礼盒首发即热卖、赵露思代言的ROSYDOEDIANTOYS新店入驻即爆发 [23] 惠商新政与全周期回报 - 京东超市推出惠商新政：通过效果广告千万现金奖金池与不同比例返现帮商家扛下资金风险；以站内外内容对投机制打通全域曝光；推出"稳赚计划"包含行业首发100%保收益、流量权益与新商红包 [26] - 京东提供覆盖商品全生命周期的确定性回报：前期降低试错成本，中期提高爆发效率，后期延长销售周期 [26] - 对上游厂商用流量与政策托底把企业从价格战拉回产品研发与品质打磨；对流通环节用数字化能力压缩供需错配；对终端消费者用全链路品质与服务兜底 [27]