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）

市场表现 - AI与机器人板块上周五横盘调整 科创人工智能ETF华夏(589010)下跌0.9% 芯原股份、安路科技、晶晨股份领跌 [1] - 机器人ETF(562500)价格持平 盘中交易金额4.15亿元 换手率3.57% 成份股涨跌互现 新元科技、派斯林领跌 东杰智能、中信重工领涨 [1] 行业动态 - 全球首个人形机器人半程马拉松赛在北京举行 全程21公里 20支赛队参赛 天工Ultra机器人2小时40分钟完赛夺冠 松延动力N2机器人获亚军 [1] - 人形机器人未来价格预计与入门级轿车相当 [1] - 微软推出1-bit AI模型BitNet b1.58 2B4T 参数规模20亿 可在普通CPU运行 效率超越Meta、谷歌同类模型 但依赖微软自研框架bitnet.cpp [2] 技术瓶颈 - 人形机器人续航能力不足 除行者机器人外其他完赛机器均需更换电池 [3] - 关节散热问题突出 需依赖降温喷雾维持正常运行 [3] 政策支持 - 地方政府主办机器人赛事并获央视直播 体现对人形机器人产业的高度重视 [3] 产品布局 - 机器人ETF(562500)为全市场规模最大机器人主题ETF [3] - 科创人工智能ETF华夏(589010)聚焦AI产业 具备20%涨跌幅和中小盘弹性特征 [3]