618期间快手电商表现 - 618期间快手泛货架GMV维持高增长 商品卡GMV同比增长超53% 搜索GMV同比增长超143% 挂车短视频GMV同比增长超29% [3] - 泛货架逐步成为用户浏览、发现与购买的重要通路 内容消费与商品转化路径更加清晰 [3] - 平台有望推动部分流量位产品化 通过智能化工具引导商家开展自主投放 逐步建立面向泛货架场景的广告转化链路 [3] 全新推荐系统OneRec上线 - OneRec基于多模态AI大模型框架 通过统一编码器将视频内容中的配音、画面等要素进行结构化建模与语义融合 [4] - 系统统一融合用户静态特征与长期行为 实现对短期兴趣与长期偏好的动态平衡 [4] - 模型有效计算量提升10倍 通信与存储开销显著降低 整体运营成本降至传统方案的10.6% [4] - 目前OneRec已全面应用于快手App与极速版 承接约25%的推荐请求流量 [4] - 上线后快手App与极速版停留时长分别提升0.54%和1.24% 7日用户生命周期显著增长 [4] AIGC剧集《新世界加载中》 - 剧集镜头全部由可灵AI模型生成 包含7个单元剧内容 覆盖写实、科幻、动画等多种风格 [5] - 首集已于2025年6月26日上线快手App星芒短剧频道 截至6月30日 在快手极速版的累计播放量已突破5500万次 [5] - 单元《马丁症》获第十五届北京国际电影节AIGC单元"最佳技术奖" [5]

核心观点 - 6月制造业PMI指数回升，服务业商务活动指数小幅回落，建筑业商务活动指数企稳回升；给出2025年7月A股及港股金股组合；多家公司有项目进展、业绩表现及盈利预测调整等情况 [2][3] 宏观 - 6月制造业PMI指数继续回升，原因一是外部扰动因素减弱，新出口订单指数小幅改善，二是经济内生动能恢复向好，带动企业生产、采购活动加快，库存及价格指数同步回升；6月服务业商务活动指数小幅回落主因节日效应消退，随着暑期消费旺季到来，市场预期整体向好；6月建筑业商务活动指数企稳回升源于房建活动积极改善 [2] 策略 - 给出2025年7月A股金股组合：新国都、恒生电子等10只股票；2025年7月港股金股组合：香港交易所、友邦保险等8只股票 [3] 基化 - 6月30日晚阿科力公告“年产20000吨脂肪胺扩建项目、年产10000吨高透光材料新建项目（二期），年产5000吨高透光材料”于6月4日通过专家组安全设施竣工验收评审，进入正式生产阶段并有合格产品产出，说明公司COC试生产过程中的批次稳定性问题已解决，后续COC将迎来稳定的规模化放量 [4] 互联网传媒 - 快手25H2广告增长有望加速，全新推荐系统OneRec全面上线提升内容理解与分发效率，泛货架具备进一步广告变现潜力；维持公司25 - 27年经调整净利润预测201.3/241.8/277.0亿元，潜在估值增量来自可灵AI，25M5可灵Web端访问量1721万次，AI短剧等新形态内容仍在持续推进；维持目标价68.8港元，维持“买入”评级 [5] 纺服 - 波司登2024/2025财年实现营业收入259.0亿元人民币，同比增长11.6%，归母净利润35.1亿元，同比增长14.3%，基本EPS为0.32元，全年派息率达84.1%；小幅下调26 - 27财年、新增28财年盈利预测，26 - 28财年EPS为0.34/0.38/0.42元，PE为12/11/10倍，维持“买入”评级 [6] 医药 - 健康元传统主业因集采等因素进入过渡维稳时期，创新转型有序推进；下调25 - 26年归母净利润预测为13.20/15.11亿元（原值为15.99/17.64亿元，分别下调17.5%/14.4%），新增27年归母净利润预测为16.65亿元，对应25 - 27年EPS分别为0.72/0.83/0.91元，对应P/E为15/13/12倍，考虑到公司在吸入制剂领域的领先地位，核心品种有望放量且后续管线梯队有序，维持“买入”评级 [8] 食饮 - 市场对新乳业净利率提升路径存在分歧，部分观点认为公司净利率提升更多依托原奶成本红利，而非产品结构优化，且对原奶红利持续性存在担忧；从原奶上游看，供需缺口的收窄速度低于市场预期，公司非自有牧场部分仍可在成本红利下增厚利润；从产品结构看，低温品类收入占比的持续提升可助力整体毛利率提升 [9] 市场数据 A股市场 - 上证综指收盘3444.43，涨0.59%；沪深300收盘3936.08，涨0.37%；深证成指收盘10465.12，涨0.83%；中小板指收盘6528.34，涨0.87%；创业板指收盘2153.01，涨1.35% [7] 股指期货 - IF2507收盘3906.40，涨0.28%；IF2508收盘3893.20，涨0.23%；IF2509收盘3885.80，涨0.20%；IF2512收盘3855.60，涨0.17% [7] 商品市场 - SHFESHFE黄金收盘767.58，涨0.15%；SHFESHFE燃油收盘2990，跌0.40%；SHFESHFE铜收盘79870，跌0.06%；SHFESHFE锌收盘22495，涨0.38%；SHFESHFE铝收盘20580，涨0.00%；SHFESHFE镍收盘120830，涨0.29% [7] 海外市场 - 恒生指数收盘24072.28，跌0.87%；国企指数收盘8678.30，跌0.96%；道琼斯收盘44094.77，涨0.63%；标普500收盘6204.95，涨0.52%；纳斯达克收盘20369.73，涨0.47%；德国DAX收盘23909.61，跌0.51%；法国CAC收盘7665.91，跌0.33%；日经225收盘40487.39，涨0.84%；韩国综合收盘3071.70，涨0.52% [7] 外汇市场 - 美元兑人民币中间价7.1586，跌0.06；欧元兑人民币中间价8.4024，涨0.31；日元兑人民币中间价0.0496，涨0.04；港币兑人民币中间价0.912，跌0.05 [7] 利率市场 - 回购市场：DR001前加权平均利率1.5102%，涨14.19BP；DR007前加权平均利率1.9159%，涨21.91BP；DR014前加权平均利率1.8894%，涨12.61BP - 二级市场：一年期国债YTM1.3402%，跌0.50BP；五年期国债YTM1.5129%，涨0.64BP；十年期国债YTM1.6469%，涨0.07BP [7]

快手AI大模型推荐系统OneRec - 公司成为全球首个将AI大模型驱动的生成式推荐系统全量上线到产品的企业[1] - 系统采用端到端生成架构替代传统多阶段流水线模式，实现范式级创新[16] - 技术架构包含用户建模(Encoder)、推荐生成(Decoder)和强化学习奖励机制三大核心模块[17][18][19] 传统推荐系统痛点 - 分层筛选架构导致各环节目标冲突，系统一致性和效率持续恶化[9] - 算力利用率低下，精排模型在旗舰GPU上训练/推理利用率仅4.6%/11.2%[11] - 难以捕捉用户长期兴趣变化，容易陷入短期行为反馈循环[26][27] OneRec技术创新点 - 引入多模态语义分词器，实现对视频内容的多维度立体解析[21][22] - 通过深度神经网络统一建模用户静态特征与长短期行为，形成完整兴趣序列[28][30] - 采用MoE架构解码器动态生成推荐序列，专家网络协同提升模型容量与效率[34][36] - 强化学习全链路贯穿，通过偏好/格式/工业场景三类奖励机制优化推荐质量[40][41][42] 系统实测表现 - AB测试显示用户停留时长提升0.54%-1.24%，7日生命周期增长0.05%-0.08%[46] - 已承接短视频推荐主场景25%流量请求，交互指标全面改善[47] - 本地生活场景GMV提升21%，核心指标实现两位数增长并完成100%流量切换[48] 行业影响 - 标志着推荐系统进入大模型驱动的新阶段，解决传统架构与AI进展脱节问题[49] - 为行业提供首个工业级生成式推荐解决方案，确立技术领先地位[1][15] - 展示多模态理解与强化学习在复杂业务场景的落地可能性[20][38]

核心观点 - 推荐系统正经历由大型语言模型（LLM）驱动的生成式革命，端到端架构成为解决传统级联架构瓶颈的关键[2] - 快手提出的OneRec系统首次实现端到端生成式推荐全链路重构，在效果与成本上实现双赢[2][8] - OneRec已在快手双端应用，承接25% QPS，提升停留时长0.54%/1.24%，LT7显著增长[2][33] 技术架构创新 - **架构设计**：采用Encoder-Decoder框架，将推荐转化为序列生成任务，Encoder压缩用户行为序列，MoE架构Decoder实现参数扩展[6][11] - **多模态分词**：首创协同感知方案，融合视频标题、标签、语音转文字等多维信息，分层语义编码（RQ-Kmeans三层ID）[13][14] - **强化学习整合**：通过P-Score奖励模型（个性化融合目标预测值）和ECPO优化算法，提升用户停留时长而不损失曝光量[19][22][25] 性能与效率突破 - **算力利用率**：训练/推理MFU提升至23.7%/28.8%，较传统精排模型（4.6%/11.2%）提升3-5倍[27][31] - **成本优化**：OPEX降至传统方案的10.6%，关键算子数量压缩92%至1,200个[27][31] - **训练加速**：自研SKAI系统优化Embedding训练，UGMMU减少kernel数量，时间加权LFU算法提升缓存效率[36] 实验效果 - **短视频场景**：AB测试显示停留时长提升0.54%/1.24%，LT7增长0.05%/0.08%，交互指标全面正向[33] - **本地生活场景**：GMV增长21.01%，订单量提升17.89%，新客获取效率提高23.02%，已100%全量上线[34] - **Scaling Law验证**：参数规模从0.015B增至2.633B时，训练损失显著下降，符合大模型扩展规律[15] 未来方向 - **多模态桥接**：需构建用户行为与LLM/VLM的原生融合架构[38] - **奖励系统完善**：当前设计较初级，需强化对用户偏好和业务需求的引导[38] - **推理能力提升**：Infer阶段Scaling能力不足，需进一步优化[38]