公司产品发布动态 - 公司在chat.qwen.ai页面上线了Qwen3.5-Plus和Qwen3.5-397B-A17B两款新模型 [1] - Qwen3.5-Plus定位为Qwen3.5系列最新大语言模型 [1] - Qwen3.5-397B-A17B定位为Qwen3.5开源系列旗舰大语言模型，两款模型均支持文本和多模态任务 [1]

阿里巴巴发布千问Qwen3.5-Plus大模型 - 阿里巴巴于2月16日（除夕）开源全新一代大模型千问Qwen3.5-Plus，宣布其性能媲美Gemini 3 Pro，并登顶全球最强开源模型 [1][4] - 该模型实现了底层模型架构的全面革新，从纯文本模型跃迁为原生多模态模型，基于视觉和文本混合token进行预训练 [1][4] 模型性能与效率 - Qwen3.5-Plus总参数为3970亿，激活参数仅170亿，性能超过万亿参数的Qwen3-Max模型 [1][4] - 部署显存占用降低60%，推理效率大幅提升，最大推理吞吐量可提升至19倍 [1][4] - 以不到40%的参数量获得了超万亿参数Qwen3-Max基座模型的顶尖性能 [1][4] 成本优势 - Qwen3.5-Plus的API价格低至每百万Token 0.8元，仅为Gemini 3 Pro价格的1/18 [1][4] 技术升级与数据增强 - 相比千问3的纯文本预训练，千问3.5大幅新增了中英文、多语言、STEM和推理等数据 [1][4] - 技术升级使模型学会了更密集的世界知识和推理逻辑 [1][4] 基准评测表现 - 在MMLU-Pro知识推理评测中得分87.8分，超越GPT-5.2 [2][5] - 在博士级难题GPQA测评中斩获88.4分，高于Claude 4.5 [2][5] - 在指令遵循IFBench以76.5分刷新所有模型纪录 [2][5] - 在通用Agent评测BFCL-V4、搜索Agent评测Browsecomp等基准中，表现均超越Gemini 3 Pro和GPT-5.2 [2][5] - 在推理、编程、Agent智能体等全方位基准评估中均表现优异 [1][4]

公司产品发布 - 公司于今天下午在chat.qwen.ai页面低调上线了两款新模型，分别为Qwen3.5-Plus和Qwen3.5-397B-A17B [1] - Qwen3.5-Plus定位为Qwen3.5系列最新的大语言模型 [1] - Qwen3.5-397B-A17B定位为Qwen3.5开源系列的旗舰大语言模型 [1] - 两款新模型均支持文本和多模态任务 [1] 行业技术动态 - 公司发布了参数规模达397B（即3970亿）和A17B（即170亿）级别的大语言模型，表明行业在模型规模上持续探索 [1]

历史大势的辩证性与复杂性 - 文章核心观点认为，稳定的秩序和格局充满张力，阶段性扰动和重组是常态，而普遍受益的“帕累托改进”式繁荣年代则较为少见 [2][18] - 判断历史大势需要将时段拉得足够长远，但历史的吊诡之处在于，过于长远则可能失去明确的大势，呈现摇摆不定的规律 [14] - 任何自以为能够准确预言乃至操弄历史大势者，似乎总会被历史所嘲弄 [19] 全球化进程的双面性与演变 - 以里根和撒切尔为代表的全球化浪潮曾被视为历史潮流，其去管制、资本和技术转移与充沛劳动力结合，创造了繁荣 [14] - 但全球化大势的另一面是制造业空心化、收入分配不均和政治极化 [14] - 当前，人们正在制造的最大历史遗产或许是“后全球化时代”的到来，而其始作俑者正是上一轮全球化的主要缔造者 [17] 科技变革与未来趋势的不确定性 - 以AI为代表的新一轮科技变革浪潮带来史无前例的冲击与挑战 [18] - 然而，大语言模型本身是否是AI最有前途的演化路径，在业内人士看来并非板上钉钉 [17] - 对于公众而言，如何与AI共舞而不被其取代，是一个与不确定性不断调适的过程 [17] 地缘政治与当前世界格局 - 当前世界面临气候变化加剧、区域发展鸿沟加深、族群和地缘冲突频发、民粹主义和民族主义勃兴等多重挑战，似乎确证着“两个大势之间”的“乱世”时刻 [18] - 全球政治经济体系表现出惊人韧性，贸易战受到反制，地缘冲突被限制在一定范围内，未形成大规模外溢 [18] - 高度的全球关联性提供了网络韧性，使得颠覆性的暗箱操作和逆潮流之举难以一举成功 [18] 历史案例与“大势”的误判 - 丘吉尔在对抗纳粹时被视为顺应大势，但在阻挠印度独立时又被许多人视为昧于大势的历史绊脚石 [11] - 罗斯福废除金本位制，验证了早年民粹主义者威廉·詹宁斯·布赖恩反对“黄金十字架”的观点，但布赖恩在当时却被普遍视为逆潮流而动 [12] - 特朗普的民粹主义政策被部分人视为代表历史大势，仿佛里根的隔世传人，却忽略了正是里根开启了去福利化与全球化浪潮，而特朗普的某些行为与里根的高姿态形成对比 [16]

公司业务与产品 - 公司面向公众开放了“抗战文献智慧体验区”，该空间融合数智技术与历史文献，以馆藏抗战文献为核心，打造了多个富有创意的特色场景 [1] - 体验区基于大语言模型与抗战文献知识库，提供“数字馆员”服务，可进行文献查询推荐、馆情咨询、抗战知识解答等知识服务 [2] - 体验区设有“文化长廊”，以时间轴线呈现抗战历史大事记，读者可结合馆藏图书、报刊和史料进行互动 [2] - 公司利用人工智能技术，提供VR设备让读者身临其境走进罗斯福图书馆，并提供一键换装体验民国服饰等沉浸式互动功能 [2] - 体验区同步提供电子书阅读器外借服务，读者可将精选抗战主题数字资源带回家，实现阅读的延伸 [2] 行业趋势与战略 - 在智慧图书馆体系建设持续深化的背景下，公共文化服务正由数字化加速迈向智能化 [5] - 行业近年来推动珍贵文献实现了从抢救性保护、数字化整理到知识化加工与智能化应用的转型，实现了由“静态保存”向“动态服务”的跃升 [5] - 公司依托馆藏3万余种抗战文献资源，在数字化整理与知识化加工基础上，引入生成式人工智能、互动展示等数智技术，探索形成了以特色文献为核心的智慧化场景应用模式 [5] - 数智技术不仅提升了阅读体验，更重塑了公共图书馆知识组织与传播方式，让特色馆藏资源真正走出库房、走向公众，融入当代生活 [5] - 此次体验区的建成开放是对行业趋势的积极回应与创新实践，营造了兼具历史厚度与技术温度的互动体验阅读空间，加深了公众对抗战文化的认知与认同，提升了公共文化空间的吸引力与参与度 [5] 未来发展计划 - 公司未来将持续深化智慧图书馆建设，完善特色文献知识库体系，拓展智能服务场景 [5] - 公司计划推动优质文化资源更广泛、更精准地惠及公众 [5]

涉及的行业与公司 * 行业：人工智能大模型、生成式AI、AI Agent * 公司：智谱（GLM系列）、Minimax（M系列）、海外模型（如Cloud OPIUS、Codex、OPPOS） 核心观点与论据 **1 模型发布与定位** * 智谱发布GLM-5，是面向复杂工程和代理任务的大版本更新，在长期任务中显著进步，缩小了与Cloud OPIUS 4.5的差距，并在部分测试中超越后者[1][2] * Minimax发布M2.5，是全球首个为Agent场景原生设计的生产级模型，支持Excel处理、深度调研及PPT等生产力场景，但API尚未上线且未公布价格[1][3] **2 功能更新** * 智谱推出三项新功能：特工模式（视角转换、数据分析、AI PPT支持）、数据洞察（数据解析、画图、导出多种格式文件）以及写作功能（支持多种写入模式并导出PDF和Word）[1][2][3] * 在办公场景下，GLM-5和Minimax M2.5均能使用Agent模式进行信息获取并生成演示文稿，并可导出为PDF或PPTX格式文件[2][6] **3 价格策略与变化** * GLM-5的Output定价为每百万Tokens $3.2[1][4] * GLM-4.6和GLM-4.7的API价格从$1.5提升至$2.2，国内价格提升幅度在33%至100%之间，海外市场为67%至100%[1][4] * 智谱Coding Plan国内Light和Max两个季度收费版本分别提高了23%和18%，海外市场分别提高了60%和30%[1][4] * Minimax前代模型M2和M2.1每百万Tokens定价约为$1[2][4] * 智谱最小订阅计划每月49元，用量是Cloud Pro套餐的三倍；Minimax最小订阅计划每月29元，用Props而非Tokens计价[2][4] **4 模型能力对比** * **代码能力**：GLM-5和Minimax M2.5差距不大，仅在物理模拟或多模态案例上有所区别[2][5] * **股价分析任务**：两者均能完整且准确地完成任务，GLM-5在细节处理上稍显优越，而Minimax M2.5在自主思考方面表现突出[2][7] * **复杂网页开发**：两者能力相当，GLM-5因调用多种技能使内容更详实，Minimax M2.5在图片选择上偶有瑕疵[8][9] * **与海外模型对比**：GLM-5的能力已可追上Codex 4.7、Codex 4.8以及OPPOS 4.7等海外模型，在代码及Agent任务方面表现出色，属国内领先水平[2][10] 其他重要内容 * GLM-5的API和Coding Plan已上线，Coding Plan于2月16日正式上线[1][2] * 在交互式粒子实验等物理模拟任务中，Kimi K2.5表现优于GLM-5和Minimax M2.5[5] * 在Z点AI平台上使用相同办公案例时，效果更好，例如营收增长趋势图表能够直接绘制出来[6] * 各模型之间的能力差距正在逐步缩小[10]

文章核心观点 - 大模型演进史是与“遗忘”抗争的历史，当前以高昂算力对抗遗忘的粗放模式面临物理极限，2026年及之后的AI基础设施主战场将增加“模型记忆”这一极 [1] - 模型记忆可解构为短期、中期、长期三个垂直层级，各层级对应不同的软件技术与底层存储硬件需求，构成了分析AI时代基础设施投资的结构化范式 [4][8] - 短期记忆是单次推理的“当前视野”，核心矛盾在于KV Cache对显存容量与带宽的双重挤占，软件优化与硬件升级是突破“显存墙”与“延迟墙”的关键 [4][17] - 中期记忆保障跨会话的情景连续性，是Agent的基石，其动态管理系统影响Agent能力上限，也是构建私有数据壁垒的核心变量 [4][15] - 长期记忆支撑模型从预训练走向“持续进化”，旨在打破预训练截止时间的限制，其实现路径将催生新的软硬件需求，并模糊训练与推理的界限 [4][5][45] 模型记忆分层框架总览 - 公司提出原创的模型记忆分层框架，从功能维度将记忆解构为短期、中期、长期三个垂直层级 [8] - 短期记忆构成大模型单次推理的“当前视野”，是高频读写、对延迟极度敏感的“热数据” [4][17] - 中期记忆保障跨会话的情景连续性，是Agent的基石，承载从被动检索向主动治理的范式转移 [4][15] - 长期记忆支撑模型从预训练走向“持续进化”，旨在打破预训练截止时间的限制，实现知识的持续积累 [5][45] - 在AI基础设施体系中，数据流转围绕训练、推理与Agent运行三个核心阶段，构建起由短、中、长期记忆协同的多级存储架构 [12] 不同AI场景对应的记忆分层系统 - 训练阶段以长期记忆写入为核心，本质是将海量语料固化为模型参数，工程压力集中于HBM的计算带宽与SSD的检查点持久化写入 [13] - 推理阶段目前由短期记忆主导，其核心瓶颈在于KV Cache对HBM容量的挤占，推理成本对显存利用率较为敏感 [14] - Agent的落地则需要中期记忆作为支撑，中期记忆的活跃度直接决定了Agent在复杂生产环境中的交付上限，是未来AI应用层突破的核心变量 [15] 短期记忆：即时交互下的吞吐与延迟博弈 - 短期记忆的物理载体是显存中的KV Cache，其显存占用随上下文长度呈线性增长，传统内存管理技术会导致显存浪费率高达60-80% [17][19] - 面临物理资源、计算模式以及Agent场景的三重博弈：1) 容量与带宽的双重“显存墙”；2) 预填充（计算密集型）与解码（存储密集型）阶段的算力权衡；3) Agent场景下因缺乏记忆管理导致的重复计算 [19][20] - 软件解法包括单卡显存虚拟化与集群算力调度优化，例如PagedAttention机制可将显存有效利用率提升到96%以上，PD分离调度可优化集群资源 [22] - 模型架构前沿探索包括线性注意力机制（如RetNet、Mamba）和无限注意力（Infini-attention），后者是支撑Gemini 1.5 Pro百万上下文窗口的关键，能实现114倍的记忆状态压缩 [25][26] - 硬件需求对应三类：1) HBM用以承接KV Cache膨胀；2) 片上SRAM负责处理瞬时状态，提供更低延迟；3) NVLink等互连技术编织分散的显存资源池 [27] 中期记忆：AI Agent的基石 - 中期记忆旨在解决短期记忆的物理瓶颈和长期记忆的调用时延矛盾，是一个依赖“存储-检索-更新-遗忘”动态生命周期管理的复杂系统 [29][30] - 面临三大挑战：1) 存储环节，向量检索产生大量随机I/O延迟，DRAM与高性能NVMe SSD的随机访问延迟差距达1000倍；2) 检索环节，语义相似但逻辑冲突导致“上下文污染”；3) 更新和遗忘环节，低价值信息挤占上下文窗口 [30][31] - 软件解法中，RAG技术栈正呈现结构化趋势：向量RAG解决“找得到”；分层RAG（如RAPTOR）通过递归摘要树解决“看不全”；GraphRAG引入知识图谱解决“想得透”，在处理全局性查询时能实现9-43倍的上下文Token压缩 [32][34][35] - Memory OS架构赋予Agent主动管理记忆生命周期的能力，在测试中相比基线准确率提升43.7%，同时Token节省35.24% [37][40][42] - 中期记忆的工程化落地将拉动向量数据库与图数据库的增量需求，并有望沉淀为企业私有数据资产 [42] - 硬件需求主要对应三类：1) 大容量DRAM用于常驻热点索引与图谱拓扑；2) 企业级NVMe SSD承载海量原始内容切片与部分索引，需满足高IOPS和低延迟；3) 高性能CPU负责向量距离计算与图遍历等逻辑密集型任务 [43][44] 长期记忆：知识固化的三条路径与存储新蓝海 - 长期记忆让AI打破预训练截止时间的限制，实现知识的积累与实时更新，模型训练与推理的界限正在逐渐模糊 [45] - 路线一：内隐参数——通过微调或训练将知识固化进模型参数，更新慢但稳定，写入成本较高 [46] - 内隐参数的软件解法包括测试时训练机制（如Google Titans）和存量改造（如LoRA），前者通过实时计算梯度更新记忆模块权重 [47][48] - 内隐参数的硬件需求推动推理芯片“训练化”重构：计算需回归FP16或BF16高精度；HBM不仅存储权重，还需存储梯度信息 [50][51] - 路线二：外显语义——将多次会话沉淀的结构化信息作为可查阅的“百科全书”，核心诉求是可解释、可编辑、可审计 [51] - 外显语义的软件栈催生多类数据库需求：键值型数据库用于状态与偏好管理；文档型数据库用于语义对象存储；关系型数据库用于权限与规则管控；向量数据库或索引用于相似性检索 [51][52] - 外显语义的硬件需求本质是PB级海量温数据与高并发随机读取，催生企业级NVMe SSD、CXL内存池化以及高性能CPU的需求 [54] - 路线三：Engram启发下的参数化查表——由DeepSeek提出，将静态、模板化知识以内嵌参数表形式保留，通过确定性稀疏查找在推理期按需调用，实现O(1)时间复杂度的静态查表 [56] - Engram的产业意义在于改变记忆对硬件的依赖，允许将大规模嵌入表从有限且昂贵的HBM转移到成本更低、容量更大的DRAM，并通过CXL、PCIe 5.0等高速互连通道访问 [58]

2026年1月交付数据与产品结构 - 2026年1月总交付27,668辆，环比2025年12月的44,246辆下降37.5% [1][2] - 产品结构发生显著变化：纯电车型交付18,310辆，首次超过增程式车型的9,358辆，纯电占比达66.2% [1][2] - 分车型看，i6交付16,883辆，成为绝对主力；L6交付5,025辆；L7、L8、L9分别交付2,113、1,173、1,047辆；i8与MEGA分别交付1,013辆和414辆 [1][2] - 从历史数据看，i6自2025年10月（交付5,775辆）起量，11月交付6,798辆，12月跃升至15,994辆，增长迅速 [2] - 纯电车型（主要为i系列和MEGA）交付量从2025年4月的103辆，增长至2026年1月的18,310辆，实现爆发式增长 [2] 产品线与组织架构重大调整 - 公司产品线组织将调整为两条：第一产品线负责MEGA、L9、L8、L7，由汤靖负责；第二产品线负责i系列和L6，由李昕旸负责 [3] - 研发体系重组为三大团队：基座模型团队（詹锟负责，向CTO谢炎汇报）、软件本体团队（勾晓菲负责，统筹智能座舱与智能驾驶）、硬件本体团队（郎咸朋负责，主攻机器人研发） [4] - 此次调整标志着公司从华为IPD模式转向丰田CE模式 [2] - 公司高层强调战略重心转向“在意使用中的体验超过了在意用户购买一瞬间的表现” [3] 战略方向与长期目标 - 公司具身智能战略动真格，人事调整（如詹锟接手基座模型业务）是明确信号 [3][4] - 基于官网急招岗位推测，公司可能在布局人形机器人研发 [4] - 公司设定了2028年战略目标，并对AI与Agent有深入理解与布局 [4] - 有观点指出，无论成败，都不应再将公司仅仅视为一家传统车企 [5] - 公司获得100亿债务融资工具注册额度，为长期发展提供资金支持 [7] 市场表现与用户画像 - 2025年新势力车型排名中，L6以16.65万辆年销量位列第三，L7以8.07万辆位列第十四，L9、L8、i6、i8分列第三十五、三十八、四十八、五十五位，包含MEGA全系总计40.77万辆 [4] - L6用户中无孩率高达38.2%，显示其吸引了与传统家庭用户不同的客群 [3] - 用户画像数据显示，L6在31-35岁年龄段的活跃占比TGI高达177.9，显示在该年龄段用户中极具吸引力 [4] - 有信息指出i6的电池产能（宁德时代约18,000辆/月，欣旺达约3,000辆/月）可能成为交付上限的参考 [4] 技术研发与产品升级 - 公司是自研材料种类最多、量产应用最广的车企 [4] - 2026款L9将是资源押注的重点升级方向 [3] - 公司官方推出7年期贷款产品，以促进销售 [3] - 公司与浙江大学合作，在深度估计技术上取得显著更好的效果 [3] - 公司音响系统负责人分享了MEGA铂金音响与老款L9音响的硬件区别 [3] 行业环境与公司动态 - 央视焦点访谈定调网络黑产是新能源汽车行业毒瘤，公司公关人员出镜 [5] - 203台理想汽车从兰州运往欧洲，可能意味着出口业务的开始 [5] - 公司出现在《人民日报》非广告版面的报道中 [2] - 有行业分析指出，2025年问界在30万以上市场表现明显好于公司 [3] - 公司推出高情绪价值的艺术相框等细节，体现对用户体验的重视 [4]

核心观点 - 瑞银维持博通“买入”评级及475美元目标价，认为TPU需求激增成为公司业绩增长的核心驱动力，开启了AI时代的增长新周期 [1][3] 业务增长与财务预测 - 预测博通2027年将出货超500万颗TPU，2026年出货量约为370万颗，2027年出货产品中略超半数为v7（铁木）型号，2028年v8ax（太阳鱼）型号将成为出货主力 [3] - 预测博通2026财年AI业务营收约为600亿美元，同比增长约200%，2027财年将增至约1060亿美元，同比增长约80%，2028财年进一步升至约1500亿美元 [4] - 上调2026-2028财年营收预期，分别达1058亿美元、1555亿美元、2002亿美元，同比增速分别为65.6%、47.0%、28.7% [7] - 上调2026-2028财年摊薄EPS预期，分别为11.05美元、16.68美元、21.53美元，较此前预期分别上调1.3%、17.9%、12.6% [7] - 定制计算业务方面，谷歌今年将为博通贡献约300亿美元营收，2027年这一规模将达560亿美元，剩余TPU相关营收绝大部分来自Anthropic [4] TPU需求与技术优势 - 大语言模型开发商加速推进定制ASIC路线，TPU作为GPU的中间替代方案需求显著增长 [1][3] - 混合专家模型（MoE）的快速发展推动TPU需求出现拐点式增长 [4] - TPU内置的硬件矩阵乘法器结合硬件定义的稀疏计算引擎，大幅减少了数据在内存中的读写交互，使其在每瓦令牌处理量和单位令牌处理成本上相较于GPU具备优势 [4][5] - 行业专家认为，TPU在稠密型大语言模型和稀疏型混合专家模型的推理场景中，具备极具吸引力的成本效率 [5] 客户结构与市场环境 - 除谷歌外，Anthropic、Meta等TPU核心客户可完全掌控自身软件栈，对英伟达CUDA的依赖度远低于传统企业级云服务客户 [6] - 在大语言模型开发者细分领域，CUDA的相对优势远不如在整个加速器市场中显著，而这些开发者正推动全球超大规模数据中心资本开支占比持续提升 [6] - 博通预计将于2024年下半年开始向OpenAI交付定制ASIC，2027年下半年向Anthropic交付 [4] 竞争与供应链 - 谷歌与联发科的COT合作对博通负面影响有限，博通凭借SerDes技术壁垒，在COT模式下仍将为谷歌供应IO芯粒，占芯片总成本的40-50%以上，且该部分毛利率高达75%+ [6] - 基准情景下，COT仅导致博通EPS稀释8%，远低于市场预期，同时联发科TPU项目进度相对滞后，短期内难以冲击博通市场份额 [6] - TPU产品基于台积电3纳米工艺打造，凭借台积电充足的晶圆供应配额，博通能够充分把握需求增长机遇 [3] 估值与目标价 - 采用SOTP分部门估值法，给予2027财年基础设施软件业务25倍EV/FCF、半导体业务30倍EV/FCF的估值倍数 [7] - 上行情景下目标价可达560美元（潜在涨幅63%），下行情景为290美元（潜在跌幅16%），当前343.94美元的股价存在38%的上涨空间 [7]

DeepSeek V4模型技术升级与市场影响 - 公司正在推进新版本模型的灰度测试 这可能是V4正式亮相前的终极灰度版[1] - 新版本模型上下文长度从128K扩展至1M 接近提升10倍 知识库更新至2025年5月[1] - 新版本在复杂任务处理能力上已对齐Gemini 3 Pro及K2.5等主流闭源模型[2] - 内部初步测试显示 V4在编程任务中的表现已超越Anthropic Claude及OpenAI GPT系列同代模型[2] V4模型核心技术架构创新 - V4预计将引入mHC与Engram两项创新技术 从算法与工程层面突破算力芯片与内存瓶颈[2] - mHC全称为“流形约束超连接” 旨在解决Transformer模型在层数极深时信息流动的瓶颈和训练不稳定的问题[3][4] - Engram是一个“条件记忆”模块 设计理念是将“记忆”与“计算”解耦 静态知识被专门存储在可置于廉价DRAM的稀疏内存表中[6] - mHC技术通过改善训练稳定性和收敛效率 对冲国产芯片在互联带宽与计算密度上的代际差距[8] - Engram架构致力于重构内存调度机制 在HBM供应受限的背景下 以更高效的存取策略突破显存容量与带宽制约[8] V4模型对行业成本与竞争格局的影响 - 此次发布的关键意义在于进一步压缩训练与推理成本 为全球大语言模型及AI应用企业缓解资本开支压力提供可行路径[2] - 成本端的优化将有效激发下游应用需求 进而催生新一轮AI基础设施建设周期[8] - 在2024年底 DeepSeek的两个模型曾占据OpenRouter上开源模型Token使用量的一半以上[9] - 到2025年下半年 随着更多玩家加入 其市场份额已显著下降 市场从“一家独大”走向了“群雄割据”[11] 对下游应用与软件行业的潜在机遇 - 更强大、更高效的V4将催生更强大的AI智能体 AI智能体正从“对话工具”转型为能处理复杂任务的“AI助手”[12] - 能执行多任务的智能体需要更频繁地与底层大模型交互 将消耗更多Token 进而推高算力需求[12] - 模型效能的提升为领先的软件公司创造了价值 需要关注那些能率先利用新一代大模型能力打造出颠覆性AI原生应用或智能体的软件公司[12]