机构观点与评级 - 摩根大通首次覆盖MINIMAX-WP，给予增持评级，目标价700港元，潜在上行空间36% [1] 公司业务与市场地位 - MiniMax以稀缺的全球化布局脱颖而出，目前超过70%收入来自海外市场 [1] - 其M2.1模型在编程和智能体任务方面位列全球领先水平 [1] 财务预测与市场机遇 - 摩根大通预计该公司2026-30年营收年复合增长率达138% [1] - 公司有望在2029年实现盈亏平衡 [1] - 摩根大通将其视为把握2030年全球AI市场1.4万亿美元规模机遇的首选标的之一 [1]

摩根大通首次覆盖与评级 - 摩根大通首次覆盖MINIMAX-WP(00100.HK)，给予增持评级，目标价700港元，潜在上行空间36% [1] 公司业务与市场地位 - 公司以稀缺的全球化布局脱颖而出，目前超过70%收入来自海外市场 [1] - 其M2.1模型在编程和智能体任务方面位列全球领先水平 [1] - 公司业务横跨消费应用、生成式媒体及B2B API，形成均衡的业务组合，支撑强劲增长潜力 [1] 财务与增长预测 - 预计公司2026-2030年营收年复合增长率达138% [1] - 公司有望在2029年实现盈亏平衡 [1] 行业机遇与公司定位 - 摩根大通将公司视为把握2030年全球AI市场1.4万亿美元规模机遇的首选标的之一 [1]

公司评级与目标 - 摩根大通首次覆盖MINIMAX-WP(0100.HK)，给予增持评级，目标价700港元，潜在上行空间36% [1] 公司业务与市场地位 - 公司以稀缺的全球化布局脱颖而出，目前超过70%收入来自海外市场 [1] - 其M2.1模型在编程和智能体任务方面位列全球领先水平 [1] - 公司业务横跨消费应用、生成式媒体及B2B API，形成均衡的业务组合，支撑强劲增长潜力 [1] 财务与增长预测 - 预计公司2026-2030年营收年复合增长率达138% [1] - 公司有望在2029年实现盈亏平衡 [1] 行业机遇 - 摩根大通将公司视为把握2030年全球AI市场1.4万亿美元规模机遇的首选标的之一 [1]

事件概述 - 截至2026年2月2日，开源技术项目Clawdbot在GitHub上的星标数量已超过13万个，官网累计访问量突破200万人次，成为近期增长最快的开源技术项目之一 [1] - AI-only社区如Moltbook在极短时间内聚集了百万个代理账号规模，这类交互对应更高的API请求密度与触发频率 [1] - 在Clawdbot创始人Peter Steinberger的推荐下，国内AI独角兽MiniMax旗下擅长长文本与逻辑推理的M2.1模型受到关注 [1] Agent时代大模型价值演进 - 大模型正从“聊天工具”进化为“自主员工”，掌握核心算法与行业接口的大模型厂商有望深度受益于万物智能化红利 [1] - 在Agent时代，“谁能以更低成本把强能力变成高频可用的生产力”比“谁更聪明”更重要 [5] - 建议关注已于今年初成功上市的“大模型双子星”MiniMax-WP(00100)和智谱(02513)，作为原生Agent生态的“大脑”，公司具有极高的稀缺性 [1] Agent范式对模型成本与能力提出新要求 - 在工作流范式下，一个任务横跨计划、检索、工具调用、校验纠错及外部系统写入等多个阶段，导致模型调用频率、上下文长度及中间信息复杂程度倍增 [2] - 多步推理与多轮工具调用带来“多回合上下文”，同时重试与自纠错会产生额外无效token，面向复杂任务的agent服务可能会消耗数十倍于基础聊天的token [2] - “模型的单位成本×单位产出”成为Agent类产品能否规模化落地的“生死线”，因为多轮推理与工具协同会将成本线性放大 [2] MiniMax M2.1模型的核心优势 - **兼具效率与成本**：M2.1模型定价体系约为Claude Sonnet的8%，旨在解决自动化编程中高昂token成本的痛点 [3] - **长文本能力强**：M2.1的长文本能力使其更适合完成“持续记忆”，能读更长的文档、容纳更多中间结果，减少因截断导致的逻辑断裂 [4] - **推理与编程能力**：在Clawdbot这类强调自动化执行与纠错闭环的产品中，M2.1在推理与编程能力上“够用且性价比极高”，成为适合被高频调用放入生产系统的选择 [5] - **计费模式创新**：Coding Plan引入“每5小时重置额度”的高频刷新机制，打破了行业通用的按天或按月限额模式，释放了高频重度开发场景下的生产力 [3] - **订阅制模式**：不同于底层大模型厂商通用的token按量计费逻辑，公司转而采用分层月度订阅制 [3] 多模态与“视觉执行”成为关键能力 - Agent进入办公与生产场景后，输入大量来自截图、PDF、表格、图表、界面元素等视觉信息 [6] - MiniMax的多模态能力能辅助Agent更好地理解界面、提取关键信息、输出可执行的步骤/代码，再用截图回读做校验纠错 [7] - 这使得Clawdbot可以实现“视觉驱动的自动化”，例如识别表格字段后自动填表、读报错截图后定位原因并改脚本、从图表中抽数并写入报告、对比前后截图确认任务是否完成等 [7] - 多模态能力有助于更好地完成服务闭环、减少人工转述、快速纠错，达到更强的可交付性 [7]

文章核心观点 - Agent时代大模型正从“聊天工具”进化为“自主员工”，掌握核心算法与行业接口的大模型厂商有望深度受益于万物智能化红利 [1] - 在Agent时代，模型能力的重要性正让位于“以更低成本将强能力转化为高频可用生产力”的成本效益优势 [5] - 开源项目Clawdbot的流行及AI-only社区的兴起，直接推动了API调用频次与token吞吐量的阶跃式抬升，凸显了Agent生态的繁荣 [1] 行业趋势与生态变化 - 开源技术项目Clawdbot在GitHub上的星标数量已超过13万个，官网累计访问量突破200万人次，成为近期增长最快的开源项目之一 [1] - 近期出现的“AI-only社区”如Moltbook，在极短时间内聚集了百万个代理账号规模，这类交互对应更高的请求密度与更频繁的API触发 [1] - Agent进入办公与生产场景后，输入不再主要来自纯文本，而大量来自截图、PDF、表格、图表、界面元素等视觉信息，多模态与“视觉执行”走向前台 [6] Agent范式对模型需求的重塑 - 在工作流范式下，一个任务横跨计划、检索、工具调用、校验纠错及外部系统写入等多个阶段，导致模型调用频率、上下文长度及中间信息复杂程度倍增 [2] - 相较基础聊天，面向复杂任务的Agent服务可能会消耗数十倍多的token，多步推理与多轮工具调用天然带来“多回合上下文”，同时重试与自纠错会额外产生无效token [2] - “模型的单位成本×单位产出”成为Agent类产品能否规模化落地的“生死线”，因为在执行任务时，多轮推理与工具协同将会把成本线性放大 [2] 关注公司的核心优势 - 公司建议关注已于今年初成功上市的“大模型双子星”MiniMax-WP(00100)和智谱(02513)，作为原生Agent生态的“大脑”，公司具有极高的稀缺性 [1] - 在Clawdbot创始人Peter Steinberger的力荐下，国内AI独角兽MiniMax旗下擅长长文本与逻辑推理的M2.1模型被成功带火 [1] 模型能力分析：效率与成本 - M2.1模型旨在通过极致的成本优势解决开发者在自动化编程中面临的高昂token成本痛点，其定价体系约为Claude Sonnet的8% [3] - Coding Plan创新性地引入“每5小时重置额度”的高频刷新机制，打破了行业通用的按天或按月限额模式，释放了高频重度开发场景下的生产力 [3] - 计费模式上，不同于底层大模型厂商通用的token按量计费逻辑，公司转而采用分层月度订阅制 [3] 模型能力分析：长文本能力 - 真实的工作流里，持续演进的上下文通常包含工具调用、历史信息、检索片段、约束条件等 [4] - M2.1的长文本能力让它更适合完成“持续记忆”，即读更长的文档、容纳更多中间结果、减少因截断导致的逻辑断裂 [4] 模型能力分析：推理与编程能力 - 在Clawdbot这种强调自动化执行与纠错闭环的产品里，模型被用于写代码、改代码、做判断、做校验 [5] - M2.1在推理与编程能力上的“够用且性价比极高”，使它成为最适合被放进生产系统、被高频调用的选择 [5] 模型能力分析：多模态与视觉执行 - MiniMax的多模态能力辅助Agent更好地理解界面、提取关键信息、输出可执行的步骤/代码、再用截图回读做校验纠错 [7] - 这让Clawdbot可以做“视觉驱动的自动化”，例如识别表格字段后自动填表、读报错截图后定位原因并改脚本、从图表中抽数并写入报告、对比前后截图确认任务是否真正完成等 [7] - MiniMax凭借自己的多模态能力，能更好的完成服务的闭环、减少人工转述、快速纠错，达到更强的可交付性 [7]

事件概述 - Clawdbot项目在GitHub上星标数量已超过13万个，官网累计访问量突破200万人次，成为近期增长最快的开源技术项目之一 [1] - AI-only社区Moltbook在极短时间内聚集了百万个代理账号规模，对应更高的API请求密度与触发频率 [1] - 在Clawdbot创始人Peter Steinberger的推荐下，国内AI独角兽MiniMax旗下擅长长文本与逻辑推理的M2.1模型受到关注 [1] Agent时代范式转变 - 大模型正从“聊天工具”进化为“自主员工”，掌握核心算法与行业接口的大模型厂商有望深度受益于万物智能化红利 [1] - 在传统对话范式下，单次交互仅需少数几次模型调用；而在工作流范式下，一个任务横跨计划、检索、工具调用、校验纠错等多个阶段，导致模型调用频率、上下文长度及信息复杂程度倍增 [2] - 面向复杂任务的Agent服务可能会消耗数十倍于基础聊天的token，多步推理与多轮工具调用带来“多回合上下文”，同时重试与自纠错会额外产生无效token [2] 模型成本效益成为关键 - “模型的单位成本×单位产出”成为Agent类产品能否规模化落地的“生死线”，因为多轮推理与工具协同会将成本线性放大 [2] - MiniMax的M2.1模型因“兼具效率与成本的优势、长文本能力强、推理与编程能力”的特点被Clawdbot创始人推荐 [2] - M2.1模型的定价体系约为Claude Sonnet的8%，旨在通过极致的成本优势解决自动化编程中的高昂token成本痛点 [3] - 公司采用分层月度订阅制，而非行业通用的按token量计费逻辑，其Coding Plan创新性地引入“每5小时重置额度”的高频刷新机制，打破了行业通用的按天或按月限额模式 [3] M2.1模型的核心能力 - **长文本能力强**：M2.1的长文本能力使其更适合完成“持续记忆”，能读更长的文档、容纳更多中间结果、减少因截断导致的逻辑断裂 [4] - **推理与编程能力**：在Clawdbot这类强调自动化执行与纠错闭环的产品中，M2.1在推理与编程能力上“够用且性价比极高”，使其成为适合被高频调用放入生产系统的选择 [5] - 在Agent时代，将强能力以更低成本转化为高频可用的生产力是关键，这是MiniMax的优势所在 [5] 多模态与视觉执行的重要性 - Agent进入办公与生产场景后，输入大量来自截图、PDF、表格、图表、界面元素等视觉信息 [6] - MiniMax的多模态能力辅助Agent更好地理解界面、提取关键信息、输出可执行的步骤或代码，并用截图回读做校验纠错，实现“视觉驱动的自动化” [7] - 具体应用包括：识别表格字段后自动填表、读报错截图后定位原因并改脚本、从图表中抽数并写入报告、对比前后截图确认任务是否完成 [7] - 多模态能力有助于更好地完成服务闭环、减少人工转述、快速纠错，达到更强的可交付性 [7] 投资关注点 - 建议关注已于今年初成功上市的“大模型双子星”MiniMax-WP(00100)和智谱(02513) [1] - 作为原生Agent生态的“大脑”，公司具有极高的稀缺性 [1]

行业范式转变：从对话到工作流 - 大模型正从“聊天工具”进化为“自主员工”，进入Agent时代 [1] - 传统对话范式下单次交互仅需少数几次模型调用，而工作流范式下的复杂任务横跨计划、检索、工具调用、校验纠错及外部系统写入等多个阶段 [1][2] - 相较基础聊天，面向复杂任务的Agent服务可能会消耗数十倍多的token，模型调用频率、上下文长度及中间信息复杂程度倍增 [1][2] 核心驱动因素：成本与效率 - Agent类产品规模化落地的关键取决于“模型的单位成本×单位产出”，多轮推理与工具协同会将成本线性放大 [2] - 近期出现的“AI-only社区”如Moltbook在极短时间内聚集了百万个代理账号规模，对应更高的API请求密度与更频繁的API触发 [1] - 开源项目Clawdbot在GitHub上的星标数量已超过13万个，官网累计访问量突破200万人次，成为近期增长最快的开源技术项目之一 [1] 公司分析：MiniMax的竞争优势 - MiniMax的M2.1模型被Clawdbot创始人Peter Steinberger力荐，因其兼具效率与成本的优势、长文本能力强、推理与编程能力 [1][2] - M2.1模型的定价体系约为Claude Sonnet的8%，旨在解决自动化编程中的高昂token成本痛点 [3] - 公司采用分层月度订阅制，而非行业通用的token按量计费模式，其Coding Plan引入“每5小时重置额度”的高频刷新机制，打破了按天或按月限额的行业模式 [3] - M2.1的长文本能力使其更适合完成“持续记忆”，能读更长的文档、容纳更多中间结果，减少逻辑断裂 [3] - 在推理与编程能力上，M2.1“够用且性价比极高”，适合被高频调用于写代码、改代码、做判断、做校验的生产系统 [3] 技术趋势：多模态与视觉执行 - Agent进入办公与生产场景后，输入大量来自截图、PDF、表格、图表、界面元素等视觉信息 [4] - MiniMax的多模态能力辅助Agent更好地理解界面、提取关键信息、输出可执行步骤，并用截图回读做校验纠错，实现“视觉驱动的自动化” [4] - 具体应用包括识别表格字段后自动填表、读报错截图后定位原因并改脚本、从图表中抽数并写入报告、对比前后截图确认任务完成等 [4] 投资观点 - 掌握核心算法与行业接口的大模型厂商有望深度受益于万物智能化的红利 [1] - 在Agent时代，“谁能以更低成本把强能力变成高频可用的生产力”比“谁更聪明”更重要，这是MiniMax的优势所在 [3] - 建议关注“大模型双子星”MiniMax-WP(00100)与智谱(02513) [1]

上市概况与市场表现 - 公司于香港交易所主板挂牌上市，股票代码为“00100”，寓意满足条件的最小解 [1] - 全球发售约3358万股，以每股165港元的定价上限发行，募集资金总额约55.4亿港元（约49.65亿人民币）[1] - 公开发售部分获得1837倍超额认购，国际发售部分获37倍认购，市场反响极为热烈 [2] - 暗盘交易最高达211.2港元每股，收盘价为205.6港元，涨幅近四分之一；上市首日早盘最高股价达299港元，涨幅超80%，市值一度突破763亿港元 [3] - 上市吸引了超过460家机构参与认购，超额认购达70多倍，创下近年来港股IPO机构认购历史纪录 [29] 融资历程与股东结构 - 成立四年间累计融资已超15亿美元，投资方包括米哈游、阿里巴巴、腾讯、小红书、小米、金山、PCG和正大集团等知名机构 [3] - 本次IPO有14家基石投资者参与，合计认购27.23亿港元的份额，包括Aspex、Eastspring（瀚亚投资）、Mirae Asset（未来资产）及阿里巴巴等 [3] 技术战略与核心能力 - 公司自成立之初便坚持全模态并行研发的技术路线，旨在向AGI（通用人工智能）迈进 [5] - 技术布局覆盖语音、视频与文本三大模态，并已取得突破性进展 [5] - 语音模型Speech 02实现超低延时实时交互，支持超过40种语言，确立了行业领先的性能标准 [7] - 视频模型海螺AI（Hailuo AI）在文生视频领域技术领先，在权威评测中排名高居第二 [7] - 文本模型M2.1在大模型竞技场（LMArena）Coding榜单中位列开源模型第一，增强了代码生成与多语言逻辑推理能力 [7][8] - 全模态布局的核心动因源于对AGI终局的判断，认为真正的AGI必须是全模态的，这有助于模型理解因果律、空间与时间关系 [10][11][12] - 全模态策略也为解决“数据枯竭危机”提供了解法，将海量视频与音频数据转化为新的数据供给 [13][14] - 公司通过一套统一的核心算法成功跑通不同模态，验证了其技术架构的通用性与可扩展性（Scalability）[15][16] 商业模式与市场应用 - 公司确立了以“模型即产品”为核心的运营策略，将模型能力转化为B端与C端两条并行产线 [9] - 在消费级市场，模型被封装为AI原生应用，用户规模已达2.12亿 [9] - 在企业级市场，通过开放平台以API接口形式提供服务 [9] - 公司认为B端和C端的核心产品都是模型本身，通过不同渠道将其价值最大化 [9] 组织架构与运营效率 - 公司通过“组织的Scaling”来获得极致的研发效率，将组织视为一个需要扩展的模型 [19][20] - 组织内部强调人才结构的多样性，通过不同人才的排列组合与高频碰撞产生涌现效应 [20] - 公司深度应用AI智能体于工作流，超过80%的代码由AI完成，大量Agent被部署为“AI实习生”，能直接修改线上代码，改变了软件工程的边际成本结构 [22] - 公司人员构成极其年轻化，全员385人中研发人员占比高达73.8%，平均年龄仅29岁，主力军为95后 [24] - 组织架构极度扁平，CEO之下职级不超过三层，消除了信息损耗 [25] - 公司以累计约5亿美元的资金消耗量（约为OpenAI同期消耗量的百分之一），实现了全模态产品的并行产出，展现了极高的投入-产出比 [26] - 创始人及核心团队拥有深厚的深度学习技术背景与工业级实战经验 [26][27][28] 行业意义与竞争格局 - 公司的成功上市验证了在粗放的资源消耗竞赛之外，存在一套由极致效率和通用方法论构建的生存法则 [29] - 证明了精细化的工程能力、对技术路线的精准判断与执行，足以撬动从模型到商业的闭环 [29] - 表明资本厚度与算力规模不再是唯一的护城河，组织将资源转化为智能的“效率”成为了更关键的竞争维度 [29] - 近期全球资本市场对AI模型公司的筛选标准趋于理性，资金转向对底层技术硬实力的极致要求，公司获得国际长线资本重注，印证了市场对其技术壁垒与工程效率的认可 [17][18]

报告行业投资评级 - 看好 [1] 报告的核心观点 - 报告梳理了近期港股AI热门新股，包括两家AI算力芯片公司（壁仞科技、天数智芯）和两家大模型公司（智谱华章、MiniMax），并对比了其商业模式与技术路径 [2][3] - 报告认为智谱与MiniMax作为大模型初创公司IPO具有代表性意义，分别代表了ToB和ToC两条不同的商业化路径 [3][39][60] - 报告更新了部分重点公司的近期动态，并梳理了九条重点推荐投资主线 [3] 根据相关目录分别进行总结 1. 壁仞/天数对比研究 1.1 壁仞科技 - **公司概况**：壁仞科技于2019年成立，专注自研GPGPU芯片及智能算力解决方案，于2025年12月18日提交港股招股书 [3][4] - **核心团队**：核心团队来自AMD、华为等大厂，创始人张文曾任商汤科技总裁，CTO洪洲曾任英伟达GPU资深架构师、华为海思GPU首席架构师 [4][5] - **业务与产品**：核心业务为GPGPU芯片及智能计算解决方案，采用“硬件+软件”协同模式 [5] - **芯片产品**：主要产品为BR106、BR110、BR166系列，拥有PCIe板卡、OAM模组等多种形态 [8] - BR106于2023年1月量产，定位训练和推理 [8] - BR110于2024年10月量产，定位推理 [8] - BR166通过芯粒技术集成双BR106裸晶，其硬件产品壁砺166系列于2025年分批量产 [8][9] - **软件平台**：BIRENSUPA软件平台，分层架构涵盖驱动、编程平台、框架及解决方案，兼容PyTorch、TensorFlow等主流框架 [12] - **智能集群**：以自研GPGPU芯片为核心构建大规模集群，千卡集群无中断运行超30天，线性加速比达95% [15][20] - **技术优势**： - **GPGPU架构**：采用SIMT架构，搭载专用张量核，SoC设计采用芯粒技术及BLink互连技术（双向速率达64GB/s/通道） [18] - **硬件系统**：支持PCIe、OAM等多规格，覆盖75W-600W产品形态，下一代将升级至700W风冷/1000W液冷 [20] - **软件技术**：编译器优化并行效率，内存管理技术突破千亿参数模型训练瓶颈 [20] - **财务与运营**： - **收入**：2023年起产生收入，2024年收入为3.368亿元，2025年上半年收入为5890万元 [20] - **订单**：截至最后可行日期，有24份未完成订单（价值8.218亿元），另有框架协议及销售合同合计12.407亿元待变现 [20] - **销量**：2024年BR106销量达9344片；2025年上半年共销售BR106 2216卡，BR166 22卡 [3][25][26] - **毛利率与利润**：毛利率从2023年的76.4%下降至2025年上半年的31.9%，利润端仍在亏损 [22][23] - **供应链**：2023年10月进入BIS实体清单，已引入国内替代供应商，覆盖IP、EDA工具等关键环节，制造成本增加约10% [26][27] 1.2 天数智芯 - **公司概况**：上海天数智芯半导体股份有限公司于2025年12月30日开启招股，准备于2026年1月8日在港交所上市 [3][28] - **发展历程**：公司成立于2015年，2021年推出中国首款量产通用GPU训练产品天垓Gen1，2022年推出推理系列智铠Gen1，产品持续迭代 [28][29] - **核心团队**：核心成员背景丰富，负责芯片研发的孙怡乐曾在AMD任职超过10年 [29][30] - **产品体系**： - **天垓系列**：面向AI模型训练，是国内首款量产的训练通用GPU，已迭代至Gen3，支持主流深度学习框架与大规模集群 [32] - **智铠系列**：面向AI模型推理，是国内首款量产的推理通用GPU，支持量化算法及快速部署，具备影像处理能力 [33] - **产品均价**：天垓（训练）均价为3-4万元/片，智铠（推理）均价约为1万元/片 [3][34] - **销售与客户**：以直销模式为主，前五大客户收入占比从2022年的94.2%下降至2025年上半年的38.6% [36][37] - **财务表现**： - **收入**：从2022年的1.89亿元增长至2024年的5.40亿元，呈现高速增长 [37][38] - **研发投入**：2024年研发投入达到7.7亿元 [37][38] - **毛利率**：约50% [38] 2. 智谱和minimax对比研究 2.1 智谱华章 - **公司概况**：背靠清华，模型能力国内领先，近期通过港交所上市聆讯，成为大模型“六小龙”中第一家启动IPO的公司 [3][39][41] - **商业模式**：以ToB本地化部署为核心，2024年本地化部署收入占比为84.5% [3][42] - **模型能力**：具备从文字、多模态到深度思考Agent的全系列自研基座模型（GLM系列），平台提供语言模型、多模态模型、智能体模型和代码模型 [3][40][47] - **财务表现**： - **收入**：2024年实现营收3.1亿元，同比增长150.9%；2025年上半年实现收入1.9亿元，同比增长325.0% [42][43] - **利润**：2024年经调整归母净利润为-24.7亿元，2025年上半年为-17.5亿元，仍处于高研发投入期 [42] - **毛利率**：本地化部署毛利率保持较高水平，2022-2025年上半年分别为53.6%、68.2%、66.0%、59.1% [44][46] - **市场地位**：截至2025年上半年，模型已为8000+机构客户、约8000万台设备提供支持；按2024年收入计，在中国独立通用大模型开发商中位列第一 [47] 2.2 MiniMax - **公司概况**：成立于2021年，注重高效模型架构和产品迅速商业化，近期通过港交所上市聆讯 [3][39][50] - **商业模式**：以ToC产品为核心，73.1%收入来自海外，核心收入来源为海螺AI视频生成平台和Talkie/星野全模态交互App [3][51][65] - **模型技术**：注重高效推理和多模态，2024年发布MoE架构模型（亚洲首家），并首发大规模Linear Attention机制 [50] - **产品矩阵**：在基模发布后迅速建立C端产品矩阵，包括MiniMax Agent应用平台、海螺AI、Talkie/星野等 [3][51] - **财务表现**： - **收入**：2024年收入为2.2亿元，同比增长782.2%；2025年第一季度至第三季度收入为3.8亿元，同比增长174.7% [52][54] - **利润**：2024年、2025年第一季度至第三季度经调整净利润分别为-17.4亿元、-13.3亿元 [52][57] - **费用率**：2024年研发费用率、销售费用率、管理费用率分别为619.1%、285.0%、47.1%，但呈现下降趋势 [52][59][63] - **毛利率**：开放平台及企业服务板块毛利率维持在60%以上，但C端AI原生产品因推理成本较高，毛利率较低 [59][64] 3. 重点公司更新 - **鼎捷数智**：完成可转债发行，募集资金8.28亿元，其中6.88亿元投向“鼎捷数智化生态赋能平台项目”，旨在建立AI平台商业化支撑 [65] - **浪潮信息**：作为AI服务器核心厂商，在互联网大客户中市占率保持高位，2024年前四大客户销售额占比合计达72% [68] - **税友股份**：AI数字会计商业化超预期，已进入PMF（产品市场匹配）阶段，通过数字人产品矩阵实现开票、记账、报税全流程自动化 [70][72] 4. 重点推荐主线 报告梳理了九条重点推荐投资主线，涵盖数字经济、AIGC、算力、数据要素、信创、港股、智联汽车、新型工业化及医疗信息化等领域，并列举了相关标的公司 [3][73][74]

报告核心观点 - 稀宇科技与智谱华章两家原生大模型公司港股上市进程推进 体现中国AI大模型公司业务初具规模 看好AI技术迭代与商业化落地带来的投资机会 [1][2] 稀宇科技业务分析 - 公司自2022年初开始AI大模型研发 模型全面覆盖各模态 最新的M2.1模型聚焦编程语言和办公场景可用性 在多个测试基准上表现超过M2 部分基准得分甚至超过Gemini 3 Pro、GPT-5.2 (thinking)等模型 [2] - 视频生成模型Hailuo 2.3动态表现力提升 为全球最优性价比 [2] - 商业化主要通过“AI原生产品”和“开放平台及基于AI的企业服务” 其中AI原生产品是主要收入来源 2025年1-9月贡献营收的71% [2] - 情感陪伴AI应用Talkie/星野在垂类赛道MAU位居全球第二 是公司第一大收入来源 [2] - 视频生成产品海螺AI获得用户广泛认可 正在成为公司收入的新增长动力 [2] - 2025年前三季度营收5343.7万美元 同比增长175% [3] - 2025年前三季度研发费用1.8亿美元 研发费用率为337% [3] 智谱华章业务分析 - 公司以大语言模型GLM为基础 形成模型矩阵与一站式MaaS业务 [3] - 最新大语言模型GLM-4.7代码能力对齐Claude Sonnet4.5 并形成包括反思及沉思模型、多模态模型、Agent模型代码模型的全面布局 [3] - 商业化通过MaaS对外输出模型能力创收 包括标准化、轻量化的云端部署和更加定制化的本地化部署两种方式 后者是当前主要创收方式 客户行业与地区呈现多元化趋势 [3] - 2025年上半年营收1.91亿元 同比增长325% [3] - 2025年上半年研发费用15.95亿元 为营收的8.35倍 [3] 行业与公司发展态势 - 两家公司均为原生大模型公司 深耕AI研发多年 具备深厚技术积累 已经开始有变现的商业模式 [1] - AI技术仍在高速发展和迭代中 对大模型公司而言 “技术领先”优先于短期盈利 [3] - 随着AI技术发展和商业化推进 AI预计将对企业生产和用户消费产生改变 [2]