行业背景与痛点 - 大模型赛道竞争激烈，新模型以近乎周更的速度涌现，如GPT、Llama、Gemma、Mistral、DeepSeek、Qwen、Kimi、GLM、MiniMax等 [2] - 模型架构创新繁多，但理解困难，主要由于不同论文的模型结构图风格各异、模块命名不统一 [2] - 行业缺乏一张清晰、统一的大模型架构图来对比和理解不同模型的关键改动 [2] “LLM Architecture Gallery”项目介绍 - AI研究者Sebastian Raschka创建了在线图谱“LLM Architecture Gallery”，旨在绘制和整理过去几年主流大模型的结构 [3] - 该项目汇集了其两篇博客《The LLM Architecture Comparison》和《A Dream of Spring for Open-Weight LLMs》的内容 [6] - 该网站页面结构类似于大模型名录，汇集了大量主流模型系列，包括Llama、DeepSeek、Gemma、Mistral、Qwen、Kimi、GLM等 [7] - 图谱覆盖的模型参数规模范围广泛，从几亿参数的小模型到千亿乃至万亿级模型 [7] 项目功能与价值 - 用户点击任意模型名称（如DeepSeek R1）即可链接到对应的详细模型卡页面 [9] - 每张模型卡展示该模型的核心架构图、关键模块设计、参数规模、发布时间、相关概念等基本信息 [11] - 该图谱将Gemma、Llama等一系列主流模型纳入其中，提供统一的视觉框架，便于快速理解模型结构 [14] - 对于研究者而言，该图谱相当于一份可快速查阅的大模型架构索引，支持在一个页面内浏览和对比不同模型的设计思路与关键创新点 [14] - 该工具能帮助研究者更高效地理解技术演化路径，并为后续的研究和模型设计提供参考 [14]

研究背景与意义 - 在大模型后训练阶段，DPO已成为业界主流对齐方法，但其缺陷逐渐显现[2] - 主流方法面临两大核心难题：一是序列级的“二元对立”陷阱，粗粒度优化掩盖了高质量回复中的瑕疵Token，导致微调效果差甚至引发采样分布偏移[5]；二是被偏差绑架的“伪”重要性，现有Token级评估方法易继承模型固有的“U型注意力偏差”，过度关注首尾而忽略中间核心语义[7] TI-DPO的核心机制 - 核心思想是为不同Token赋予不同权重，通过混合加权机制和三元组损失，精准识别并放大“关键Token”信号，同时抑制噪声，实现比传统DPO更准、更稳的对齐效果[9] - 混合加权机制结合了数据驱动与先验结构，通过计算Loss对每个Token Embedding的梯度范数来确定其对最终输出的贡献度作为权重，并引入高斯分布先验来对抗LLM常见的“U型注意力偏差”，强制模型关注中间语义核心[9][15] - 引入三元组损失，构建锚点（当前生成的中间回复）、正例（人类偏好的高质量回答）和负例（人类拒绝的低质量回答），优化目标是在语义空间中让生成的回复远离坏回答并贴近好回答[10][16] - 最终优化目标是混合加权损失与三元组损失的加权和[11] 实验结果 - 研究团队在Llama-3 (8B/3B)和Mistral-7B等多个主流基座模型上测试，对比了包括DPO、SimPO、GRPO等10多种对齐算法[13] - 综合能力评估显示，在Llama-3.1-8B-Instruct基座上，TI-DPO的综合平均分达到62.3，超过GRPO的62.1和DPO的60.8[14] - 在指令遵循、真实性和代码生成等细分任务上，TI-DPO的表现大幅超越了DPO、SimPO以及GRPO[17] - 消融实验表明，TI-DPO的所有核心组件（混合加权机制、高斯先验和三元组损失）对模型性能都至关重要，移除任意模块均会导致通用能力、数学推理及代码生成等各项指标显著下降[20] - 具体消融实验数据：完整TI-DPO方法在通用能力得分为65.4，数学80.7，推理34.6，代码33.0，指令遵循63.5，可靠性86.8；移除三元组损失后各项得分下降；使用均匀权重或随机权重也导致性能下降；移除高斯先验或使用Softmax先验同样使性能劣于完整方法[21] 案例与贡献总结 - 通过医疗咨询案例的可视化热力图证明，TI-DPO能精准识别关键Token，例如在优选回复中给“seek medical attention”和“promptly”分配高权重，在非优选回复中精准抓取“painkillers casually”等高风险建议并赋予高权重加以惩罚[22][23][25] - TI-DPO推动大模型对齐从粗放的序列级优化向精细的Token级控制转变，实验结果表明其在指令遵循、真实性与代码生成等任务上相比基线取得了稳定性能提升，验证了提升数据利用“颗粒度”是增强模型能力的有效路径[25] - 该方法为后续RLHF研究提供了新方向，有望推动大模型向着更精准、更可控的方向进化[25]

文章核心观点 - 当前头部AI公司的年度经常性收入增长远超预期，主要原因是市场严重低估了三个核心变量：AI的真实需求量与市场天花板、技术迭代与产品增长的速率、以及社交媒体的杠杆效率 [7][18] - AI的本质正从“软件即工具”转向“智能体即劳动力”，其市场潜力是全球数十万亿美元的劳动力市场，而不仅仅是传统的IT预算 [25][26] - 技术迭代遵循“密度法则”，模型能力快速提升而成本急剧下降，这推动了AI产品增长的陡峭斜率 [47][56] - 社交媒体改变了产品的增长路径，从传统的漏斗式说服模型转变为通过短内容制造“顿悟时刻”来实现用户自我说服的病毒式传播模型 [69][71][72] 对AI市场需求与天花板的重新评估 - 传统上将AI产品视为软件，其市场规模被限制在企业IT预算内，仅占全球GDP的2%-4% [20][21] - AI实际上大量切入并替代了人力劳动，进入了劳动力预算池 一个一线城市白领的年综合成本约为15-30万人民币，而一个AI智能体的年成本可能仅为几千到一两万美元，且能7×24小时工作 [22] - 这标志着结构性转变：从“软件即工具”到“智能体即劳动力” 当劳动力可被复制和规模化分发，AI市场的真实天花板是全球数十万亿美元的劳动力市场 [25][26] - 所有以“人”为交付主体的服务业都将受到深刻影响 AI通过将过去只有少数人享有的高级或定制化服务变为大众“日用品”，释放并满足了个性化需求，从而重构服务深度并扩大服务业总规模 [27][28][30] - 核心生产要素（劳动力）成本下降至原来的1%，可能创造100倍甚至1000倍的新消费场景 服务业规模不仅不会萎缩，反而会被无限放大，增量部分来自于将人类生理极限外的16小时“闲置时间”重新资产化，实现“日不落”运营 [31][39][41] AI技术迭代与产品增长的惊人斜率 - 头部AI公司ARR增长极快 OpenAI的ARR在2023-2025三年间呈现约10倍增长，从约20亿美元增至约200亿美元 Claude Code仅用180天就从零突破10亿美元ARR 而传统SaaS公司达成1亿美元ARR平均需要7到10年 [12][13][15] - 大模型发展遵循“密度法则”，知识密度每100天翻一倍 基于此有多条推论：实现相同智能水平所需模型参数量每3.3个月下降一半；模型推理开销呈指数级下降，例如GPT-3.5级模型的API价格在过去20个月内降至原来的1/266.7；模型训练开销迅速下降；大模型能力密度倍增时间从ChatGPT发布前的4.8个月缩短至发布后的3.2个月 [49][56] - 技术迭代导致AI产品能力发生质变 在编程领域，AI从代码补全的“副驾驶”发展为能“重构整个架构”的核心生产力，使得一个资深程序员带领10个AI智能体就能完成过去100人技术团队的工作 [58][59] - 在内容创作领域，以AI漫剧为例，视频生成技术的突破使“日更”成为现实，将内容创作的边际成本趋近于零，从而引爆市场需求 [62][63][64] - 供给的快速增加也助推了增长斜率 AI产品的内容供给速度极快，打破了传统产品需要平衡双边市场的增长瓶颈 [65] 社交媒体作为增长的核心杠杆 - 社交媒体用户规模自移动互联网时代以来已实现巨大增长，其信息传播的放大效应是头部AI产品ARR迅猛增长的重要原因之一 [66][69] - AI时代的产品增长路径已发生根本改变 传统SaaS是“广告→官网→试用→销售→签约”的漏斗式说服模型 而AI时代变为“内容→震撼→理解→试用”的路径，关键在于通过短内容制造让用户惊叹的“顿悟时刻” [69] - 用户购买决策过程被极大简化 一段15秒的惊艳视频就足以让用户完成自我说服，在脑中构建使用场景，从而实现从“看到”到“购买”的快速转化 [71][72] - 社交媒体已成为AI产品最重要的宣传战场，高效地解决了用户“知晓”和“产生兴趣”这两个关键环节 [69] 锦秋基金的投资实践与策略 - 锦秋基金是一家AI原生的投资机构，常作为首轮投资人，投资额度为100万至2500万美元，决策快速 [2][3] - 截至分享时，该基金已投资约70家公司、80笔交易，其中AI应用公司数量占比接近一半 例如，创作智能体公司oiioii上线2周就有10万用户排队，造梦次元用户超过百万 [44] - 在模型层面，该基金未进行投资，其观点是模型长期来看会趋于商品化，价值将让渡给产品 [46][55] - 该基金在芯片和算力领域有所布局，投资了致力于通过存内计算解决存储墙问题的公司（如微纳核芯、铭芯启睿），以及探索光模拟域计算与传输的公司（如光本位、澜昆微） [54]

微软财报核心表现与市场反应 - 公司第二季度营收813亿美元，同比增长17%，净利润飙升60%至385亿美元 [6] - 微软云业务收入首次突破500亿美元大关，达到515亿美元，同比增长26% [6] - 被视为增长引擎的Azure云服务收入同比增长39%，略低于市场预期的40% [6] - 尽管财报强劲，市场反应负面，股价在盘后一度下挫超过8%，主要源于云增长放缓及微弱的利润率指引 [6] 微软云业务与OpenAI的深度绑定 - 微软云的合同积压（Remaining Performance Obligation）暴增110%，达到惊人的6250亿美元 [6] - 其中约45%（约2812亿美元）是与OpenAI的交易驱动的，意味着公司未来收入的很大一部分已与OpenAI深度捆绑 [7] - 公司与OpenAI的关系进入“战略共生”状态，早期微软以投资和算力支持换取独家云合作和模型集成权益，如今OpenAI为微软云业务带来海量确定性需求 [9] - 这种绑定让公司的短期增长叙事与OpenAI的研发进展、产品竞争力及公司稳定性高度相关 [11] 微软与OpenAI合作关系的复杂性与潜在风险 - 双方合作始于总额高达130亿美元的豪赌，包括2019年10亿美元投资及2023年初追加的100亿美元，并设计了“利润封顶”等罕见机制 [13] - 合作结构使微软成为OpenAI唯一的算力提供商，并巧妙避开反垄断审查 [13] - 然而，双方都在准备“B计划”：微软将OpenAI列为竞争对手，并组建独立的Microsoft AI部门；OpenAI则寻求自建数据中心甚至涉足芯片制造 [13][15] - 这种深度依赖可能影响公司自身AI研发（如Copilot）的独立战略定位，并限制其与其他模型公司的合作空间 [11] 行业竞争格局与不同云巨头的AI战略对比 - 微软的案例提供了通过资本和生态绑定顶尖探路者来赢得时代的范本，与Meta全栈自研、重资本投入的路径形成鲜明对比 [17] - 亚马逊AWS向Anthropic投资40亿美元，但这更像是“防御性投资”而非“生死盟约”，Anthropic保持相对独立并可接受其他投资 [17] - AWS的核心打法是“军火商”模式，通过Amazon Bedrock平台提供包括Anthropic、Meta、Mistral及自家在内的多种模型，赌的是“AI生态的繁荣” [17] - 相比之下，微软的战略更聚焦，赌的是“OpenAI的唯一胜利”，其风险在于“将鸡蛋放在一个篮子里”，收益更直接但风险敞口更大 [17][18]

公司战略与技术路线 - 光刻技术仍是公司核心，公司未来数年将专注于提升分辨率、精度和生产率 [1][2] - 凭借极紫外光刻技术，公司已了解客户未来约10至15年的需求 [2] - 认识到仅靠光刻无法满足未来晶体管密度需求，因此公司将同时追求先进的3D封装技术以堆叠芯片并提高密度 [3] 人工智能的应用与影响 - 公司投资Mistral以在内部应用人工智能 [4] - 人工智能能加速软件开发并减少工程师在现场的时间 [4] - 人工智能通过分析运行数据有助于提升机器性能 [4] - 公司CEO认为工业人工智能是长期机遇，并否认人工智能行业存在泡沫 [4] 市场动态与财务表现 - 超大规模企业的支出将随时间推移转化为真实的设备订单 [4] - 公司股价年内已上涨超过57%，反映出市场对极紫外光刻设备的强劲需求 [5] - 超大规模企业在人工智能上的支出促使芯片制造商在先进制程上加大投入，以生产强大的图形处理器和人工智能加速器 [5] - 公司股价在周五下跌3.05%，收于1088.56 [5] 行业竞争格局展望 - 预计未来将有更多公司进入该领域，随后可能出现行业整合 [5]

文章核心观点 - iSeal是首个面向端到端模型窃取场景设计的加密指纹方案，可抵御拥有模型完全控制权的攻击者发起的合谋遗忘攻击与响应篡改攻击 [3] - 该方案在12个主流大语言模型上实现了100%的验证成功率，且不影响模型的原始任务性能 [3][17] 研究问题与背景 - 大语言模型的训练耗费数百万美元算力与数据资源，使模型权重成为极具价值的知识产权，模型指纹技术是常见的版权验证手段 [6] - 现有指纹技术假设攻击者面对的是黑盒API或无法干预推理过程，但现实中高级攻击者可窃取模型权重并获得端到端控制权 [7] - 攻击者可发动合谋遗忘攻击，通过微调或反向训练使模型遗忘特定指纹特征 [7] - 攻击者可发动响应篡改攻击，实时监控并篡改模型输出以绕过验证 [10] - 实验表明，在高级攻击下传统指纹方案验证成功率接近0%，无法提供有效保护 [12] 方法与创新 - iSeal将指纹验证过程转化为安全的加密交互协议，核心设计包括加密指纹与外部编码器、抗遗忘的Confusion & Diffusion绑定机制、以及基于相似度的动态验证 [15] - 加密指纹机制引入外部编码器解耦指纹与模型权重，防止攻击者通过分析权重逆向指纹 [15] - 抗遗忘设计将指纹特征通过条件概率深度绑定到模型核心推理能力中，使攻击者无法通过遗忘部分指纹破坏整体系统 [15] - 针对输出篡改采用基于相似度的验证策略和纠错机制，能从语义与概率分布中恢复指纹信号 [15] 实验结果 - 在LLaMA、OPT等12个主流大语言模型上评估，iSeal验证成功率始终保持在100% [17] - 传统指纹方法在经过少量微调后完全失效，验证成功率约为0% [17] - 针对同义词替换、句式改写等篡改方式，iSeal验证成功率仍维持在100%，而基于精确匹配的传统方法完全失效 [18] - 消融实验显示，若不冻结编码器，验证成功率直接降为0%；若将可学习编码器替换为传统加密算法，验证成功率降至0%–2% [20][21]

全球AI使用现状 - 全球约10%人口每周使用AI工具，其中绝大多数使用免费版本 [1] 主要AI系统提供商 - 四大最先进AI系统包括Anthropic的Claude、谷歌的Gemini、OpenAI的ChatGPT和埃隆·马斯克xAI旗下的Grok [3] - 第二梯队开放权重AI包括中国的Deepseek、Kimi、Z和Qwen，以及法国的Mistral，这些模型变体占据AI评级系统前35名 [3] - Microsoft Copilot和Perplexity等服务基于上述九个核心AI系统构建 [3] 付费AI服务定价策略 - 高级AI服务月费分为20美元和200美元两档，20美元档满足绝大多数需求，200美元档针对复杂技术和编码需求用户 [6] - 公司正在全球某些地区试验其他定价模式 [6] 付费AI系统功能对比 - 主要付费系统(Claude、Gemini、ChatGPT)均提供智能体能力、语音模式、图像文档处理、代码执行、移动应用和多模态创作功能 [7] - Claude目前缺少图像生成能力，Gemini和ChatGPT具备图像视频生成功能 [7][20] - Grok适合X平台重度用户，但产品安全透明度较低 [7] - Microsoft Copilot通过Windows系统提供ChatGPT功能，但用户对模型控制力较弱 [7] AI模型技术分级 - 聊天模型适合对话场景，响应迅速且具人情味 [9] - 智能体模型可自主执行多步骤复杂任务(网页搜索、代码使用、文档制作)，出错概率更低 [9] - 巫师模型用于处理非常复杂的学术任务 [9] 各厂商模型选择策略 - ChatGPT提供从GPT-5 mini到GPT-5 Pro的多层级模型，付费用户可手动选择GPT-5 Thinking Extended(20美元套餐)或GPT-5 Thinking Heavy(200美元套餐) [11] - Gemini提供Gemini 2.5 Flash和Gemini 2.5 Pro两个选项，Ultra套餐用户可使用Gemini Deep Think [13] - Claude采用简化模型选择策略，主要使用Sonnet 4.5处理任务，提供"扩展思考"选项用于难题处理 [14] 数据隐私与功能权衡 - 关闭ChatGPT和Claude的训练功能不会损失功用，但Gemini会牺牲部分功能 [15] AI深度研究能力 - 深度研究模式可进行10-15分钟广泛网络研究，生成高质量报告 [16] - GPT-5 Thinking具备自主研究能力，Claude提供"中度研究"选项 [16] 数据整合能力 - AI系统支持连接Gmail到SharePoint等多种应用，Claude在整合搜索电子邮件、日历和云盘方面表现突出 [18] 多模态输入功能 - Gemini和ChatGPT在语音模式方面表现最佳，Claude语音功能相对较弱 [19] - 所有模型支持PDF、图片和视频上传，ChatGPT和Gemini的App版本支持屏幕共享和摄像头实时交互 [19] 内容创作能力 - Claude和ChatGPT可生成高质量PowerPoint和Excel文件，Claude目前在文档格式处理方面领先 [20] - Gemini拥有最强AI图像生成模型，Gemini和OpenAI具备视频生成能力(Veo 3.1和Sora 2) [20] - Sora 2定位社交媒体应用，Veo 3.1用途更广泛，生成视频均带声音 [20] 技术发展轨迹 - AI图像生成能力显著提升，从2021年生成扭曲图像发展到目前可制作多种风格的高质量视频 [21][23] 行业应用趋势 - AI系统正从基础对话向复杂任务执行演进，用户逐渐探索AI在报告撰写、问题解决和项目管理等方面的应用场景 [24] - 建立对AI系统能力和局限的直觉比掌握具体操作技巧更为重要 [24]

公司融资与估值 - 以80亿美元估值完成20亿美元融资 [2] - 估值在七个月内从5.45亿美元跃升15倍至80亿美元 [2] - 投资方包括英伟达、DST、B Capital、光速创投、新加坡政府投资公司、红杉资本等知名机构 [2] 公司定位与战略 - 定位为OpenAI和Anthropic等封闭实验室的开源替代者，并致力于成为对标DeepSeek的西方代表 [3] - 核心理念是顶尖AI人才可以在科技巨头体系外打造前沿模型 [3] - 公司表示已找到符合其开放智能战略的可扩展商业模式 [3] 团队与技术发展 - 由两位前谷歌DeepMind研究员于2024年3月创立，CEO曾负责DeepMind双子座项目的奖励模型开发，联合创始人是AlphaGo的联合创造者 [3] - 目前拥有约60名团队成员，主要集中在基础设施、数据训练和算法开发领域 [4] - 已招募来自DeepMind和OpenAI的顶尖人才，并构建了一套承诺向所有人开放的先进AI训练体系 [3] - 已配备计算集群，计划明年发布基于数万亿token训练的前沿语言模型 [4] - 已实现大规模训练海量专家混合模型（MoE）与强化学习平台的能力 [4] 产品与商业模式 - 商业模式基础是研究人员可自由使用模型，但收入将来自基于其模型构建产品的大型企业以及开发主权AI系统的各国政府 [7] - 将公开模型权重供公众使用，但大部分数据集和完整训练流程仍保持专有 [6] - 首款模型初期以文本处理为主，未来将扩展多模态能力 [7] - 融资资金将用于获取训练新模型所需的计算资源，计划最早于明年年初发布首个模型 [8] 行业背景与竞争 - 公司认为深度求索、通义千问等中国模型的崛起敲响了警钟，若不采取行动，全球智能标准将由他人制定 [5] - 美国科技界对其新使命表示欢迎，认为开源方案在成本、可定制性和可控性方面有优势 [6] - MoE架构过去只有大型封闭AI实验室才能实现规模化训练，深度求索率先以开放方式实现突破 [4]

欧洲人工智能投资环境 - 欧洲人工智能风险投资规模远落后于美国和中国，2023年欧洲市场为80亿美元，美国市场为680亿美元，中国市场为150亿美元[2] - 2024年欧洲人工智能风险投资规模为110亿美元，同期美国市场为470亿美元，人工智能赛道拿走了欧洲风险投资总额的33%[2] - 2024年欧洲全年风险投资事件勉强超过4000起，下跌至2015年以来最低水平[2] - 截至2025年8月底，欧洲人工智能应用领域风险投资总额达58亿美元，占全部AI风险投资的63.5%，医疗健康是最受青睐的赛道，投资额约21亿美元[15] Mistral AI公司概况与融资 - Mistral AI完成17亿欧元C轮融资，投后估值达117亿欧元，成为估值超过100亿美元的大模型创业公司[3] - 投资方包括ASML、DST、A16z、General Catalyst、Index Ventures、Lightspeed和英伟达，其中ASML为领投方，投资13亿欧元获得11%股权[3][5] - Mistral AI在大模型赛道市场份额仅为2%，并在2025年1月后与Deepseek和OpenAI的差距被拉大[8] - 公司营收来源单一，依赖少数大客户提供的价值上亿元、为期三到五年的大合同，将转向工业应用开发并放弃C端聊天机器人业务[10][15] ASML的战略投资动机 - ASML投资Mistral AI旨在结合双方优势，在工业制造领域挖掘更大价值，利用Mistral的AI专业能力帮助提升自身光刻产品和服务[7] - ASML近年来每年有20亿欧元投资预算用于提升研发能力，但股权投资多集中于半导体产业链，如Cymer、SMART Photonics等公司[12] - 此次投资被视为具有政治色彩的商业交易，可能受到欧洲寻求科技主权、减少对美国技术依赖等宏观因素影响[6][14] 欧洲科技发展的宏观背景与举措 - 欧洲面临科技竞争力薄弱挑战，前欧洲央行行长指出科技已成为欧洲最薄弱环节而非支柱[3] - 意大利前总理提议将欧盟"地平线计划"预算翻倍至2000亿欧元，重点关注人工智能和半导体等颠覆性创新，并创建人工智能工厂[16] - 2008年至2021年间欧洲诞生147家独角兽企业，但其中40家将总部迁至海外，大部分迁至美国，显示出人才和公司的外流趋势[18]

AI应用生成平台市场格局 - AI应用生成领域正走向专业化与差异化发展 各平台凭借独特定位和功能形成互补共存格局 类似基础模型市场的多元生态[3][4] - 市场呈现正和竞争而非零和博弈 使用一个工具会提高付费并使用另一个工具的概率 平台间存在交叉使用行为[6][7][9] - 基础模型市场已验证此模式 Claude专注代码和创意写作 Gemini强于多模态和低价高性能 Mistral押注隐私和本地化部署 ChatGPT定位通用助手[5] 用户行为特征 - 82%的Replit用户和74%的Lovable用户在过去三个月只访问单一平台 体现平台忠诚度[8] - 21%的Bolt用户同时访问Lovable 15%的Base44用户同时访问Lovable 显示资深用户跨平台使用趋势[9] - Lovable更适用于美观Web应用和原型设计 Replit更适合构建复杂后端逻辑应用 体现平台功能分化[8] 专业化发展方向 - 应用生成平台需针对不同场景提供差异化解决方案 包括数据服务封装/原型设计/个人软件/生产应用/实用工具/内容平台/商业中心/生产力工具/社交消息等类别[11][12][13][14][15][16][17] - 专业化平台需具备独特集成能力 例如生产应用需内置身份验证/数据库/模型托管/支付等集成 内容平台需专门分发基础设施[12][14] - 消费级软件出现高端定价模式 Grok Heavy订阅价格达每月300美元 反映市场为专业化功能支付溢价意愿[5] 市场前景 - 应用生成市场巨大且持续增长 有空间容纳多家成功公司 各自开辟细分领域[6][7] - 未来市场将出现针对不同用户层级的平台 覆盖日常消费者/半技术产品经理/深度开发者群体[8] - 预计形成类似基础模型市场格局 多个专注化产品在各自类别中互补共存[7][17]