【导读】存储芯片板块持续拉升，多股涨停 中国基金报记者 李智 一起来看下最新的市场情况及资讯。 1月21日早盘，A股三大指数震荡拉升，创业板指涨逾1%，截至发稿，沪指涨0.10%，深成指涨0.56%，创业板指涨1.10%。 | 上证指数 | 深证成指 | 北证50 | | | --- | --- | --- | --- | | 4117.97 | 14234.20 | 1530.03 | | | +4.32 +0.10% | +78.57 +0.56% +12.43 +0.82% | | | | 科创50 | 创业板指 | 万得全A | | | 1531.26 | 3313.96 | 6781.36 | | | +48.26 +3.25% | +35.98 +1.10% | +22.43 +0.33% | | | 沪深300 | 中证500 | 中证A500 | | | 4738.46 | 8277.21 | 5908.89 | | | +19.59 +0.42% | +29.41 +0.36% | +30.16 +0.51% | | | 中证1000 | 深证100 | 中证红利 | | | 8215.96 ...

市场整体表现 - 1月21日早盘A股主要指数震荡拉升，创业板指涨1.10%，科创50指数表现突出，涨3.25% [3][4] - 市场成交额6842亿元，预测成交额2.42万亿元，缩量3846亿元 [4] - 板块方面，半导体、芯片、GPU等板块涨幅居前，而文化传媒、煤炭、零售等板块震荡调整 [4] 热门概念及行业指数表现 - Wind热门概念指数中，GPU指数领涨，涨幅5.30%，其次是锂矿指数涨3.96%，稀有金属指数涨2.97% [5] - Wind中国行业指数中，半导体指数涨2.25%，电脑硬件指数涨1.70%，通信设备指数涨1.29% [5] - 跌幅居前的概念和行业包括林木指数跌2.53%，文化传媒指数跌1.81%，煤炭开采指数跌1.39% [5] 港股市场表现 - 港股三大指数涨跌不一，恒生指数微涨0.01%，恒生科技指数涨0.15% [6] - 港股个股方面，华虹半导体涨4.08%，百度集团涨1.95%，中芯国际涨1.88%，比亚迪股份涨1.22% [7] 存储芯片概念股表现 - 存储芯片概念股集体走高，龙芯中科20%涨停，大港股份、江化微、盈方微、中国长城等多股涨停 [7] - 龙芯中科股价177.72元，涨幅20.00%，成交额19.39亿元，总市值713亿元 [8] - 其他相关个股如海光信息涨11.34%，江化微涨10.02% [8][9] 存储芯片板块走强动因 - 隔夜美股闪迪股价涨超9%，再创历史新高 [9] - 花旗集团将闪迪目标股价从280美元上调至490美元，将希捷科技目标股价从320美元上调至385美元 [9] - 国联民生研报指出，在进行Agent相关的强化学习时，CPU往往比GPU更早达到瓶颈，其效能直接影响GPU利用率及训练稳定性 [10] 贵金属板块表现 - 贵金属板块持续拉升，湖南白银冲击涨停涨9.27%，晓程科技涨5.05%，四川黄金涨4.52%，山东黄金涨4.12% [12][13] - 港股贵金属股跟涨，灵宝黄金涨8.34%，大唐黄金涨7.35%，中国黄金国际涨5.64% [14] 贵金属价格走势 - 国际金价强势爆发，现货黄金一度突破4840美元/盎司关口，再创历史新高，伦敦金现报4836.240美元/盎司，涨1.54% [14][15] - 国内期货市场金银走势分化，沪金期货主力连续合约涨3.55%，沪银期货主力连续合约跌1.21% [14][15]

产品发布 - 月之暗面于6月20日晚间发布首个Agent产品Kimi-Researcher（深度研究），并开始小范围灰度测试 [1] - Kimi-Researcher是基于端到端自主强化学习技术训练的新一代Agent模型 [1] - 在HLE测试中，Kimi-Researcher表现超过Claude 4 Opus、Gemini 2.5 Pro及OpenAI Deep Research，与Gemini-Pro的Deep Research Agent打平 [1] 技术特点 - Kimi-Researcher是零结构Agent，没有复杂提示词和预设流程，能够自主规划任务执行流程并交付完整结果 [4] - 模型在动态环境中自主学会思考，包括信息冲突时的权衡判断、任务节点切换工具的时机选择、中间信息保留与舍弃的决策 [4] - 模型驱动力完全来自任务是否被真正解决 [4] - 作为深度研究模型，Kimi-Researcher引入大量数据来源，每条引用可直接点击追溯，具有文献严谨性，有助于减少幻觉 [4] 开源计划 - 月之暗面表示将逐步开源Kimi-Researcher的基础预训练模型及强化学习后的模型，以推动Agent强化学习方向的探索 [4]