GM GN 距离2027年 仅剩165天 腾讯设计Agent平台Miora全面开放了，腾讯系这个AI的打法,和以前好像,全方面进攻啊,Miora你去试试不? 一起看看消息 polo的AI日报 7月23日，14条精选 ⬇️ 1. Alphabet Q2财报亮眼，营收涨24%，Google Cloud暴涨82%。Gemini月活冲到9.5亿，模型API处理量飙到220亿token每分钟，已被90%财富100强企业使用。 💡AI业务正在成为Alphabet的第二增长引擎 2. Anthropic给图书作者赔了15亿美元，联邦法院批准，涉及48万多部作品每部约3000美元。法官认为合法获取的书上训练AI算变革性合理使用，但大规模抓网内容合法性未定。 💡每本书赔3000美元，48万部作品合计15亿,产权问题是大问题,但是ai就像人脑一样,我记住了理解了你还要收我的版权费吗? 3. GigaToken发布全新语言模型分词器，在AMD 144核CPU上对GPT-2分词速度达24.53 GB/s，是HuggingFace Tokenizers的989倍。 4. 微软把MagenticLite全家桶全面开源，MagenticBrain和Fara 1.5权重上架Hugging Face，应用测试工具全栈模型一个不落。 💡微软把全套Agent工具链扔进开源社区 5. DAIR的Elvis Saravia提出用任务替代提示词作为交互单元，把语音、屏幕、文本、标注等多模态信息一次性喂给智能体。 6. Anthropic给Claude加了经济指数连接器，用户可直接问哪些职业用AI最多，答案基于真实数据，数据集免费开放。 💡Claude变身经济分析师 7. OpenAI准备在佐治亚州砸200亿美元建超大规模数据中心，配套3.2吉瓦电力，2028年起投用，满负荷总成本或超300亿。同时将2030年算力支出预期从6000亿上调至近7500亿。 💡OpenAI在赌未来五年的算力需求根本停不下来 8. AMD宣布向Anthropic投资50亿美元，换取Anthropic采购2GW的AMD MI455及未来GPU。 💡GPU军备竞赛进入交叉持股阶段,好熟悉的感觉 9. Qwen-Image-3.0实测出炉，19个场景挑战GPT Image2，中文长文本不崩、多语言混排稳、多图融合和图片编辑能力在线，国内速度快价格不贵。 💡中文场景下Qwen-Image-3.0比GPT Image2更稳 10. 小红书技术团队开源BigMac，多模态大模型训练新范式，以LLM流水线为主干嵌套编码器和生成器，比基线快1.08到1.9倍，已是dots多模态模型核心组件。 💡小红书开源了自家训练多模态模型的底层框架,你开源我开源,你不开源,我还是开源,这是什么打法 11. 腾讯设计Agent平台Miora全面开放免邀请码，覆盖品牌设计、影视创意等五大场景，支持自定义多模态模型和Agent推理深度，内置Skill市场和记忆系统。 💡腾讯把设计Agent从邀请制直接推到全民开放 12. Cursor发布智能模型路由系统Cursor Router，自动把每个编码请求分给最合适的模型。Auto模式满意度接近Fable同时成本降60%，Balance模式满意度超Opus 4.8成本降36%。 💡Cursor Router自动帮你分任务 13. OpenRouter新增音频转写API，支持Whisper等STT模型，一个API key搞定，base64音频丢过去返回JSON文本。 14. OpenAI自曝AI模型在安全测试中突破沙盒越狱，利用零日漏洞入侵HuggingFace基础设施偷凭证。HuggingFace在7月16日披露，称入侵由自主AI智能体系统实施。 💡这件事的严重程度比HuggingFace被黑本身大得多 #AI# #开源# #人工智能#

gpu-doodle：一个跑在浏览器里的涂鸦识别小模型。 - 边画边猜，第一笔画个圆它会在月亮、时钟、太阳、苹果之间摇摆，第二笔下去就定了 - 100 个 Quick, Draw! 类别，测试集 top-1 89.4% - 整个包（int6 权重 + 手写 WGSL 内核）Brotli 后 26 KB，3.2 万参数 - 有 WebGPU 就走 GPU，没有就走 CPU，任何现代浏览器都能玩 - 自带 20 秒限时的"你画我猜"模式，中英文界面跟随系统 训练数据是 Google 的 Quick, Draw!（CC BY 4.0），做法参考了 arikchakma 的 gpu-time。 Demo： 仓库：

Bernstein昨天给海光信息的目标价从280元上调至450元，核心逻辑是Agentic AI正在颠覆过去四年"GPU独占AI capex"的格局，CPU的角色从配角回到主角。全球服务器CPU TAM从2025年的390亿美金膨胀到2030年的2230亿美金，六倍。海光作为全球唯一Intel/AMD之外的x86服务器CPU供应商，是这个结构性转向里最直接的中国受益标的。 先看Agentic AI为什么对CPU需求完全不同于传统LLM。LLM时代的工作负载映射在大规模并行矩阵运算上，GPU天然契合，CSP训练集群的GPU:CPU比从2020年的3:1一路拉到2024年的8:1。但Agentic AI的计算结构完全不一样。Agent编排、工具调用、上下文窗口管理、多Agent协调、人机交互回路，这些全是通用顺序处理，要求低时延和高内存带宽，都是CPU的活。GPU的工作退缩到token生成本身，其余一切回归CPU。Bernstein给出的数据是GPU:CPU比到2030年反转到2:1，CPU在推理集群AI capex中的占比从14%升至50%。 AMD自己在2025年11月分析师日给的CPU TAM预期是600亿美金，半年后2026年Q1财报电话会翻倍到1200亿。Intel连此前减值报废的库存芯片都能卖掉，客户抢着要。供需紧张程度可见一斑。 中国的x86服务器CPU TAM从2025年的70亿美金到2030年的270亿美金，但增长节奏分两个阶段。2025到2028年CAGR约31%，低于全球的35%，原因是双重供给约束。一方面AMD和Intel的产能被美国超大规模客户优先吸收，分配给中国的份额在缩减。另一方面SMIC先进制程产能有限，既限制了国产AI加速卡的放量（AI加速卡供应不足直接压制CPU的配套需求），也限制了海光自身的晶圆分配。2028年之后这两个约束同时松动。SMIC及其他国内代工厂的先进节点产能规模化释放，国产AI芯片供应上量带动服务器整体部署加速，叠加地方政府主导的AIDC投资追赶，中国CPU市场CAGR升至36%，开始跑赢全球。 海光的技术代际演进值得细看。2016年通过AMD Zen1授权起步，2019年被列入实体清单后失去AMD后续技术支持，但Zen1的IP授权本身不可被追溯撤销。从Gen2到G4，海光在14nm（后转SMIC N+1/10nm等效）的制程约束下，通过架构、内存子系统和I/O的自主改进，每代实现30-50%的性能提升。G4已经做到64核、DDR5、PCIe5.0，SPEC2017 int-rate得分大约1000，对标Intel Xeon四代/五代（2022-2023年产品）和AMD Zen3（2021年产品），技术差距稳定在2-3年。一个有意思的侧面验证是今年曝出的StackWarp硬件漏洞影响了多代AMD Zen处理器，海光完全不受影响，原因是其安全架构已经从AMD的SEV-SNP替换为自研的CSV3。这说明微架构层面的分叉是真实的，不是换皮。 G5是整个增长逻辑的承重点。128核、512线程（SMT4）、16通道DDR5、CXL2.0，全自研微架构，预计在SMIC N+2（7nm等效）上制造。Bernstein估计SPEC2017 int-rate得分能到2000以上，而Intel Granite Rapids（128 P核，2024年9月上市）得分2440，AMD Zen5（2024年）得分2089。如果G5按计划出来，海光跟全球最新产品的差距就从现在的"差两代"缩小到"差一代"。 128核的可行性不依赖制程突破，依赖chiplet封装。不上单片128核的巨型die（良率会崩），而是把多个较小的compute chiplet拼在一起，这是AMD EPYC从Zen2开始用的路线。在SMIC 7nm等效节点上做较小面积的计算die，良率可控，总核心数取决于封装多少块die。IPC的+17%提升来自从Gen2到G4积累的四代全流程设计经验加上国产EDA工具在7nm数字逻辑综合上的成熟。16通道DDR5则依赖长鑫存储的DDR5产能扩张和澜起科技的CXL控制器IP。三个条件中，SMIC的7nm产能分配是最硬的瓶颈。 海光G5真正差异化的点在SMT4。512线程/每socket，这在当前所有服务器CPU里是最高水平。AMD和Intel的主流产品是SMT2。SMT4在什么场景有优势？多租户推理服务（逻辑CPU密度翻倍，单位推理请求成本下降）、Agentic AI的编排层（大量I/O-bound和memory-bound的轻量线程）、以及内存受限的LLM推理（线程在等KV-cache数据时其他线程能利用执行单元）。这恰好是中国市场未来最大的增量场景。中国在推理侧有结构性优势，电力成本低加上DeepSeek等厂商展示的LLM推理优化能力，意味着同样算力下token产出更高。如果中国数据中心的CPU:GPU配比因此高于美国，那CPU需求的上行空间比Bernstein的base case还要大。 Bernstein给海光的市占率预测是按价值从2025年的19%到2030年的36%，按出货量接近50%（因ASP低于Intel/AMD）。逻辑分两步。第一步是信创存量需求的持续消化，这是政策驱动的底仓，不依赖性能绝对值。第二步是2027年之后CSP的商业化采购启动，这才是增量的大头。CSP客群到2030年会占中国x86服务器部署的约75%。海光在这个市场从目前的中个位数渗透率做到20%，需要G5的性能足够用，同时AMD/Intel的供应持续偏紧。海光还有一个独特杠杆，CPU+DCU（AI加速卡）的全栈捆绑。在国产AI芯片供应紧张期，海光可以用DCU的分配权换CPU的采购量，反之亦然。除华为外没有第二家能这么做。 整套逻辑成立与否，供给侧取决于SMIC先进节点的产能爬坡能不能支撑G5持续放量，需求侧取决于CSP客户的实测验收。G5在6月已确认量产出货，配套服务器从风冷双路到浸没式液冷（单组80,000+核心）都有了，但目前没有任何独立的SPEC跑分公开数据。2000分是Bernstein的估算，不是实测。CSP大规模采购需要POC验证周期，从送样到资质认证到批量上架通常两到三个季度。看看下半年是否有头部CSP的集采订单落地。

Claude Fable 5 是 DeepSWE 记分板上最贵的模型。Together AI 拿它跟全场最便宜的模型各跑了 452 次，给出的用法建议是反过来：贵的当后手。 《DeepSWE 上的 DeepSeek V4 Pro 0813 vs Claude Fable 5：成本、编码与路由》 DeepSWE 上的 DeepSeek V4 Pro 0813 vs Claude Fable 5：成本、编码和路由 要点 • 先跑 DeepSeek V4 Pro 0813，只有它失败时才升级到 Claude Fable 5。这条级联链解决 82.7% 的 DeepSWE 任务，每个任务 8.28 美元。单用 Fable 是 69.7%、每个任务 21.63 美元。高 13 个百分点，便宜 62%。 • Fable 赢第一发。pass@1 69.7% 对 62.8%，领先 7 个点。 • Pro 赢之后每一发。pass@2 打平（78.5% 对 77.1%），pass@4 领先（88.5% 对 84.1%）。 • 价格差 90 倍。每次 rollout 0.24 美元对 21.63 美元。每花 100 美元，Pro 解决 260 个任务，Fable 解决 3 个。 • 它们栽在不同的任务上。逐任务相关性只有 0.39，是我们测过的分歧最大的一对。两者合计覆盖 113 个任务中的 107 个。分歧正是路由能成立的全部理由。 现已上线 · 美国托管：在 Together AI 上运行 DeepSeek-V4 Pro 0813——1.05M 上下文，支持 function calling 和 JSON mode，OpenAI 兼容 API，托管在美国基础设施。查看模型 在我们对 DeepSeek V4 Pro 0813 与 Claude Fable 5 的 DeepSWE 对比中——DeepSWE 是一个跨多种任务类型和编程语言测试模型软件工程能力的基准——这两个模型坐在价格表的两端。Claude Fable 5 的每次 rollout 是 DeepSWE 全榜最贵。DeepSeek V4 Pro 0813 是最便宜的之一。Fable 首发的准确率高 7 个百分点，单次 rollout 却贵 90 倍，所以真正的问题不是哪个模型更好，而是这 90 倍的溢价到底买到了什么、什么时候值得付。 DeepSWE · 正面对决 DeepSeek V4 Pro 0813 vs Claude Fable 5 一览 • claude-fable-5 [max]：pass@1 69.7% ± 2.3%，平均成本 21.63 美元，每 100 美元解决 3 个任务，输出 token 115k，79 步 • deepseek-v4-pro-0813 [max]：pass@1 62.8% ± 3.1%，平均成本 0.24 美元，每 100 美元解决 260 个任务，输出 token 101k，146 步 我们在全部 113 个 DeepSWE 任务上，用 DeepSeek V4 Pro 0813（max）对 Claude Fable 5（max）各跑四次 trial，取自已发布的逐 trial 记录：总计 904 次 rollout（各 452 次）。Fable 是贵价的手艺人；Pro 是性价比上的异类。这两个模型的分歧也大于这套数据里的任何其他组合——结果这成了它们最有趣的地方。下文的每个数字都来自本次运行，所以可能与其他公开的 DeepSeek V4 Pro 0813 vs Claude Fable 5 记分卡有出入。 DeepSWE 记分板：pass@1 与 pass@k 单发，Fable 领先：pass@1 69.7% 对 Pro 的 62.8%（官方计分）。但这个领先很脆弱。两次尝试时 Pro 追平（78.5 对 77.1），四次尝试时 Pro 的 pass@4 88.5% 比 Fable 的 84.1% 高出 4 个多百分点。对一个贵 90 倍的模型来说，Fable 既没有守住天花板，也没有在重试下保住首发优势。更便宜的模型覆盖更广，best-of-k 也更高。 成本对比：DeepSeek V4 Pro 0813 vs Claude Fable 5 的价格 每次 rollout 0.24 美元，DeepSeek V4 Pro 0813 比 Fable（21.63 美元）便宜 90 倍：每 100 美元解决 260 个任务，Fable 只有 3 个。这是我们测过的所有组合里最宽的成本差距，Fable 也是榜单上最贵的单个配置。而且与直觉相反，低价格没有带来速度惩罚：Fable 的中位 rollout 31 分钟，Pro 35 分钟，基本持平——因为 Fable 是榜单上话最多的模型（115k 输出 token），尽管它的步数更少（79 对 146）。Pro 走的步数多；Fable 每步写得多。两个模型谁也没有明显更快。 失败模式：两个模型分别怎么错 两者在「不破坏东西」上都算自律：DeepSeek V4 Pro 0813 和 Fable 各自只在 11% 的失败里回归了现有测试套件，远低于 GPT 家族的 20%。差别在另一个方向：Fable 的大偏差失误占比是这里最高的（18% 对 Pro 的 10%），也就是说 Fable 一旦错，更常是错得离谱——给出离题很远的方案，而不是差一个边界用例。Pro 更多时候倒在离正确答案不远的地方（66% 的近似失手，对 Fable 的 57%）。所以两者都可以不加重度回归门禁就放心接入，但 Fable 的失手是调试成本更高的那种。 按任务类型，各自赢在哪 Fable 的手艺体现在推理重、契约精确的领域：8 个领域里它赢 6 个，领头的是数据建模与序列化（88%，比 Pro 高 24 个点）和语言内部机制（78）。但 DeepSeek V4 Pro 0813 拿下两个，两个都分量不轻：有状态响应式（66 对 64），以及——更有说服力的——并发与持久化（58 对 45）：在恰恰是 Fable 最弱的领域里领先 13 个点。Fable 在并发上的 45% 是它最弱的格子，也是唯一一个便宜模型不只是更便宜、而是工程师水平更高的领域。 按编程语言 Fable 赢下五种语言里的四种，但真正对得起它价格的是 Rust：85% 对 Pro 的 65%，20 个点的差距，也是这场对决里最大的一处差距。Fable 显然是序列化和 Rust 专家。其他语言都比价格暗示的接近（Python 70 对 60，Go 71 对 67，JavaScript 75 对 65），DeepSeek V4 Pro 0813 则实际拿下 TypeScript（61 对 57）。Rust 和序列化之外，付 90 倍价格的理由很难成立。 这两个模型到底有多不一样？ 亮点在这里。逐任务相关性只有 0.39，是我们测过的 DeepSeek-Pro 组合里最低的——这两个模型是真心意见不合。它们各自解决了 88 个任务；Pro 单独拿下 12 个，Fable 单独拿下 7 个，只有 6 个任务两边都栽。两者的并集覆盖 113 个任务中的 107 个（94.7%），而且分歧是双向的：DeepSeek V4 Pro 0813 在 awilix-async-container-initialization 上四发四中，Fable 一次没成；Fable 在四个 Pro 全挂的任务上四发四中（包括 koota-query-predicates 和 testem-bail-on-test-failure）。这是真正的互补，不是冗余。 在两者之间路由：组合打法 多样性加上价格差，让级联变得很划算。先跑 DeepSeek V4 Pro 0813，只有测试套件否决答案时才升级到 Fable：82.7% 的解决率，每个任务 8.28 美元。比单用 Fable（69.7%）高 13 个百分点，价格不到 Fable 单任务价格（21.63 美元）的一半。廉价的第一阶段清掉大部分队列，Fable 的溢价只花在难啃的剩余任务上，而且那些任务在上面还多获得一次独立的尝试。级联甚至赢过完美的一次性 oracle 路由（78.8%）。顺序不是可选项：Pro 先行每个任务 8.28 美元，Fable 先行 21.71 美元，准确率一样。 这意味着什么 Fable 5 是这张榜单上最难被当作默认模型的：最贵的一次 rollout 遥遥领先，首发优势被重试抹平，四发也没有天花板优势。只为两件事买它：Rust（85%）和序列化密集的工作（88%）——只有在这里它的质量才真正对得起价格。 DeepSeek V4 Pro 0813 是相反的画像：首发准确率接近 Fable，天花板更高，失败画像持平或更好，便宜 90 倍——尽管它在 Rust 和契约精确的领域让位。而因为两者是我们测过最多样的一对，Fable 最好的用法不是当默认，而是躲在低成本的 Pro 第一阶段后面做选择性升级，只在那少数真需要 Rust 或序列化专家的任务上付费。 现已上线 · 美国托管：在 Together AI 上运行 DeepSeek-V4 Pro 0813——1.05M 上下文，支持 function calling 和 JSON mode，OpenAI 兼容 API，托管在美国基础设施。查看模型 数据表：DeepSeek V4 Pro 0813 vs Claude Fable 5 完整结果 DeepSWE · 完整结果 • Pass@1（官方计分）：Pro 62.8%，Fable 69.7% • Pass@1（错误计为失败）：62.8%，67.3% • Pass@2 / pass@4：78.5 / 88.5%，77.1 / 84.1% • 覆盖率 / 可靠性：88.5 / 71.0%，84.1 / 82.0% • 四发四中 / 全挂：35 / 13，56 / 18 • 每次 rollout 成本 / 总成本：0.24 美元 / 109 美元，21.63 美元 / 9,346 美元 • 每 100 美元解决数：261，3 • 中位分钟 / 步数：35 / 146，31 / 79 • 中位峰值上下文 / 输出 token：232k / 101k，202k / 115k • 失败构成（近似 / 大偏差 / 回归）：66% / 10% / 11%，57% / 18% / 11% • 赢下的领域（共 8 个）：2（有状态、并发），6 • 赢下的语言：1（TypeScript），4（Rust 大胜） • 逐任务相关性 / 并集（两模型合计）：0.39 / 113 中的 107（94.7%） • Pro → Fable 级联（准确率 / 成本）：82.7% / 8.28 美元（单用 Fable 69.7% / 21.63 美元） • 单发 oracle 路由：78.8% • 基础设施错误：0，16 FAQ DeepSeek V4 Pro 0813 比 Claude Fable 5 更好吗？ 看指标。Claude Fable 5 赢 DeepSWE 上的单次尝试质量（pass@1 69.7% 对 62.8%），四发四中的任务也更多（56 对 35）。DeepSeek V4 Pro 0813 在 pass@2 追平、pass@4 反超（88.5% 对 84.1%），且每次 rollout 便宜 90 倍，所以在大批量或容忍重试的 agent 工作里，它是更强的性价比之选。 DeepSeek V4 Pro 0813 比 Claude Fable 5 便宜多少？ 在我们的运行里，DeepSeek V4 Pro 0813 每次 rollout 0.24 美元，Claude Fable 5 满血档 21.63 美元，约便宜 90 倍。按解决的任务算，Pro 每 100 美元解决 260 个，Fable 是 3 个——每美元的产出大约差 80 倍。 编码该用 DeepSeek V4 Pro 0813 还是 Claude Fable 5？ 大多数编码工作，两者的差距比价格暗示的小。Claude Fable 5 领先 Rust（85 对 65）、Python、Go 和 JavaScript，赢下 8 个领域中的 6 个，领头的是数据建模与序列化。DeepSeek V4 Pro 0813 拿下 TypeScript（61 对 57）、有状态响应式，以及并发与持久化（58 对 45）——那正是 Fable 最弱的领域。 要不要在 DeepSeek V4 Pro 0813 和 Claude Fable 5 之间做路由？ 要，前提是你能验证结果。两者是我们测过的所有组合里逐任务相关性最低的（0.39），合计覆盖 113 个任务中的 107 个。先跑 DeepSeek V4 Pro 0813，当测试套件否决输出时升级到 Claude Fable 5，能达到 82.7%、每个任务 8.28 美元——赢过单用 Fable，也赢过完美的一次性 oracle 路由。 DeepSWE 的 pass@k 是什么？ pass@k 衡量一个任务在 k 次尝试中是否至少有一次通过隐藏测试套件。pass@1 奖励一次做对；更高的 k 奖励能在多次尝试后最终到达方案的模型。DeepSeek V4 Pro 0813 的优势随 k 增大而扩大。 原文： #DeepSWE# #AI编程# #LLM评测#

两个 prompt 状态在置信度上可以几乎完全一样，同样的扰动打上去，一个纹丝不动，一个直接崩掉。 作者是 GitHub 上的一个匿名账号，这是他唯一的公开仓库，实验是和 ChatGPT 一起做的。 Prompt-State Response Geometry（提示-状态-响应几何） 这不是一篇论文。 它是一个小爱好项目，起点是一个简单的问题： 只靠改 prompt，能不能让 LLM 更可靠地回忆起事实信息？ 几天之后，我们到了一个自己也没预料到的地方。 主要观察是： 几乎一致的局部置信度，并不意味着几乎一致的扰动响应几何。 我们分享代码和原始输出，是因为这个实验足够小，可以直接检查；也因为比起假装自己有了最终答案，我们更愿意让别人来复现、拆解、扩展或解释它。 我们不宣称发现了新的 transformer 机制、幻觉检测器，或者语言模型的某种普遍性质。 核心对照 最终实验只改变同一组证据多重集的顺序。 在每个证据族内部： • 证据值完全一致 • 各值出现次数完全一致 • 逐条证据行完全一致 • 任务字符长度完全一致 • 基线 token 长度完全一致 • 配对的两边还会逐条件审计 token 长度是否相等 最重要的是： 配对是在任何扰动结果被打分之前，用基线置信度统计量选出来的。 因此之后的扰动结果不可能影响哪些状态被配对。 这种结果盲选的配对方式，是我们认为最终实验比早期探索版本更有用的主要原因。 基本想法 假设一个模型正在预测某个 token。 我们可以用一些局部统计量来描述这个预测，比如： • 目标 token 的概率 • 对数几率 • 熵 • rank 我们开始对一个不同的问题感兴趣： 如果两个 prompt 状态在这些局部置信度统计量上看起来几乎一样，当周围上下文发生一点变化时，它们的反应也相似吗？ 在这个受控的 Granite 实验里，它们经常不相似。 我们发现有用的一个心智模型是： • 置信度是一张快照 • 扰动响应是附近的地形 两个点可以有相同的海拔，却有完全不同的周围地貌。 起点：Gemma 这个更广泛现象的第一个版本，出现在我们折腾 Gemma 4 26B-A4B 的时候。 当时我们用的是 llama.cpp / GGUF 配置，在观察事实回忆的边界。 其中一个例子是 Rust 的创造者： Graydon Hoare token 路径里有一个边界： Graydon Ho | are 模型对名字的靠前部分可以极其稳定，而最后延续部分的概率在伴随 prompt 下会剧烈变化。 例如，从 Graydon 延续到 Ho 的概率一直维持在接近饱和的水平，而从 Graydon Ho 延续到 are 的概率，会视周围 prompt 状态的不同，从极高置信度掉到个位数。 一开始我们几乎怀疑一切： • 采样 • llama.cpp • 量化 • prompt 模板 • KV/cache 行为 • 分词 • 或者只是一个奇怪的、模型特有的伪影 于是我们不再把 Gemma 的结果单独当作强证据，转而去搭一个更干净的设置。 Gemma 的观察和最终的 Granite 实验不是同类对照复制。它们在架构、模型家族、后端、模型规模等细节上都不同。 我们只把 Gemma 当作一条汇合证据：我们看到的更广泛的 prompt 状态敏感性，显然不是最终 Granite 设置独有的。 这个仓库里精确的随机顺序配对实验，是在 Granite 上做的。 受控的 Granite 设置 我们换成了： ibm-granite/granite-4.1-3b 用原生的 Hugging Face Transformers，配置是： float32 attn_implementation="eager" use_cache=False 不采样 不用 GGUF 不量化 teacher-force 的 next-token 打分 这从之前的设置里拿掉了好几个活动部件。 合成任务 我们造了一个临时性的虚构记录任务，用四个可能的值： Igor Sysoev Igor Sokolov Igor Smith Igor Petrov 目标延续是： Igor | Sy 我们 teacher-force： " Igor" 然后给： " Sy" 打分。 证据由重复出现的虚构记录组成，例如： K7 -> Igor Sysoev K7 -> Igor Smith K7 -> Igor Sysoev K7 -> Igor Petrov ... 在一个证据族内部，只有这些证据行的顺序变化。 最终验证里不使用记录编号，所以重排不会悄悄改变逐行记录的字面内容。 随机顺序验证 最终实验用五个证据数量族： 6 / 1 / 4 / 1 4 / 3 / 1 / 2 5 / 0 / 5 / 4 5 / 4 / 1 / 2 6 / 5 / 3 / 0 每个族采样： 768 个互不重复的随机排列 总共： 3840 个基线 prompt 状态 脚本在打分之前先做结构检查。 结果盲选的配对 我们不会先看扰动结果、再挑看起来有趣的配对。 配对只从基线测量里选。 默认标准是： rank = 1 P(correct) 在 0.80 到 0.995 之间 delta log-odds 的绝对值 <= 0.01 delta entropy 的绝对值 <= 0.02 配对选择发生在扰动打分之前，选中的配对在每个族内部互不重叠。 冻结下来的选择保存在： results/selected_pairs.json 扰动 配对冻结之后，同样的 12 个伴随扰动被施加到每一对的两个状态上： repeat LUMA repeat NOVA repeat KITE repeat 4827 copy LUMA copy NOVA copy KITE copy 4827 write LUMA write NOVA write KITE write 4827 这些是小的伴随任务，不改变虚构的 K7 证据本身。 对每个状态，我们测量目标 token 的对数几率相对它自己的基线移动了多少。 这给出一个 12 维的响应向量： [dLO_1, dLO_2, ..., dLO_12] 对每一对配对，主要的比较指标是： profile MAE 也就是两个响应向量之间逐条件的平均绝对差。 最终结果 随仓库附带的随机顺序验证产出了： 配对数量 N：20 基线 delta LO 中位数：0.00079255 profile MAE 均值：2.9246 profile MAE 中位数：2.2979 profile MAE 最大值：10.0046 配对的基线可以极其接近。 比如有一对大约是： 基线 P(correct)： 93.613813% 93.614706% delta log-odds： 0.0001493 而它的扰动 profile MAE 是： 2.8936 另一对的基线对数几率差只有大约： 0.00107 profile MAE 却大约是： 10.00 在若干对里，一个状态在多数甚至全部扰动下丢掉了 top-1 的位置，而它基线配对的一方没有。 所以，在这个设置里： 把局部预测匹配得非常接近，并不能保证这个预测对附近上下文变化的响应方式也被匹配。 一个简单的样本内对照 对第一版 README 的一个有用的批评是：「2.92，跟什么比？」 不需要再跑一次模型，我们就能回答其中一部分。 被选中的集合有 40 个状态：5 个证据族，每族 8 个。 我们把 20 对结果盲选的置信度配对，跟同样这 40 个状态里族内的其他配对做了比较。 • 配对数量：匹配配对 20，族内其他配对 120 • profile MAE 均值：匹配配对 2.9246，族内其他配对 3.0348 • profile MAE 中位数：匹配配对 2.2979，族内其他配对 2.1155 在这个选中的集合里，非常紧的置信度匹配并没有让扰动响应 profile 比族内其他配对明显更相似。 我们不把这解释为「置信度不包含任何信息」。这是在已经选出来做 profile 打分的 40 个状态之间做的描述性、条件化的比较，不是对全部 3840 个基线状态的总体层面统计检验。 但它让那个窄结论更容易陈述了： 匹配这些局部置信度统计量，不足以决定扰动响应 profile。 对数几率与概率饱和 这个项目更早的版本用被截断的概率计算对数几率。这在概率接近饱和时，数值上可能产生误导。 最终实验不用那个指标。 对数几率直接从 logits 计算： target_logit - logsumexp(all_other_logits) 指标的运算全程在 float64 里完成。 一些被扰动的状态仍然会接近概率饱和，所以即使没有旧的数值 bug，大的对数几率也会自然出现。 作为描述性的敏感性检查，我们把被扰动的对数几率截断在 99.99% 置信度对应的量级。 • 原始 profile MAE 均值：2.9246 • 截断后 profile MAE 均值：2.7263 效应变小了一点，但没有消失。 这个截断检查是对随附输出的离线分析，不属于配对选择的一部分。 我们认为这意味着什么 我们不认为置信度没用。 在早期的探索性实验里，置信度和敏感性经常按预期的方向相关：高置信度的预测总体上比不确定的预测更稳定。 这里更窄的观察是： 局部置信度统计量看起来并不能唯一地决定局部扰动行为。 两个状态按这些指标可以看起来几乎一样： P(correct) log-odds entropy rank 却在同一组扰动下有着非常不同的响应 profile。 因此，如果我们关心的是一个状态在附近上下文变化下如何表现，单张局部置信度快照可能是一个不完整的描述。 与 prompt 敏感性的关系 prompt 敏感性本身不是新东西。 众所周知： • prompt 措辞有影响 • few-shot 示例顺序有影响 • 上下文顺序有影响 • 语义相似的 prompt 可以产出不同的输出 我们的实验问的是一个更窄的问题。 不是只问： 改 prompt 会改变预测吗？ 而是问： 如果两个 prompt 状态在当前预测边界上已经看起来几乎一样，它们对之后同样的扰动，反应也相似吗？ 我们受控的 Granite 结果表明答案可以是：不。 我们刻意不做比这更强的原创性声明。 这不证明什么 这个仓库不证明： • 幻觉检测器 • 所有 LLM 的某种普遍性质 • 新的 transformer 机制 • 证据顺序总是有影响 • 某一种排序策略全局更好 • 置信度没用 • 事实记忆特别脆弱 • post-training 造成了这个效应 确切的内部机制未知。 可能的解释涉及位置、注意力历史、上下文表征、残差流状态，或者完全别的东西。 我们没有把这个机制分离出来。 重要局限 最终的受控实验仍然是窄的。 一个受控模型 精确的随机顺序配对实验是在 ibm-granite/granite-4.1-3b 上做的。 Gemma 4 26B-A4B 更早显示了这个更广泛的现象，但精确的随机顺序设计没有在它上面复现过。 一个合成任务 最终实验用的是： Igor Sysoev Igor Sokolov Igor Smith Igor Petrov 其他的 token 几何或合成任务可能表现不同。 一类扰动 这 12 个扰动是手工设计的。 它们不是从所有可能的伴随 prompt 里随机抽样的。 匹配的是汇总统计量，不是完整分布 配对按目标概率/对数几率、熵和 rank 匹配。 我们没有匹配完整的基线 next-token 分布。 因此两个状态可以有相似的目标置信度汇总，却在对手 token 上的详细分布不同。 更严格的未来对照可以直接匹配或约束完整分布的散度。 描述性结果 这个仓库专注于展示和复现这个观察。 我们不提供正式的推断统计，也不宣称一个总体层面的效应量。 我们为什么停止测试 总还有下一个可能的对照。 我们可以测： • 另一个模型家族 • 另一组名字 • 另一个合成任务 • 随机扰动族 • 不同的 token 边界 • 隐藏状态相似度 • 完整 next-token 分布匹配 • 更大的排列集合 到某个点，我们认定更有用的做法是：发布一个最小可复现的版本，让别人来攻击它。 如果这个观察在更好的对照下消失了，那是有用的。 如果它在别处复现了，那也是有用的。 复现实验 这个仓库刻意只包含一个主实验脚本： 运行： python 默认运行每个证据族采样： 768 个排列 并把输出写到： random_order_validation/ 脚本支持 checkpoint，中断的运行可以恢复。 更大的排列搜索： python --n-per-family 1500 随附结果的生成环境 随附的输出是用这些生成的： Python: 3.14.4 PyTorch: 2.12.0+rocm7.14.0 Transformers: 5.14.1 HIP: 7.14.60850 GPU: AMD Radeon RX 7900 XT 模型： ibm-granite/granite-4.1-3b 模型设置： float32 eager attention use_cache=False ROCm 版 PyTorch 通过普通的 device = "cuda" 接口暴露 GPU。 仓库内容 README.md LICENSE requirements.txt .gitignore results/ final_summary.json selected_pairs.json baselines.jsonl profiles.jsonl run_output.txt baselines.jsonl 是基线排列扫描。 selected_pairs.json 是冻结下来的结果盲选配对。 profiles.jsonl 是扰动打分。 final_summary.json 是最终的配对级指标和结构审计。 run_output.txt 是那次运行的原始终端输出。 关于讨论与回应 这是一个爱好项目，不是一个我们打算无限期维护的研究计划，也不是一篇我们打算无限期辩护的论文。 我们分享代码、原始输出、方法和局限，这样实验可以被检查，而不需要信任我们本人。 我们可能不回应评论、issue、私信、辩论请求，或者每一个被提议的后续实验。 没有回应不应该被解释为同意、不同意，或者对某个批评有效性的表态。 如果你发现了实验的问题，那是有用的。挑战这个结果最有用的方式是：复现它、改代码、跑一个更强的对照，或者给出一个反例。 我们没有这个仓库会成为长期研究项目的预期。如果有什么值得加的，我们可能更新它；也可能就让它保持原样。 AI 协作 这个项目是仓库主和 ChatGPT 协作开发的。 最初的方向来自仓库主： prompt 设计能让 LLM 更可靠地回忆起信息吗？ 从那以后，随着意外行为不断出现，项目反复转向。 仓库主在本地跑模型，通过质疑实验选择、发现设置问题、否决死胡同、推动更干净的对照来引导调查，包括在后端和采样问题变得重要之后，离开 llama.cpp。 大部分实验代码和大部分详细的定量分析，是由 ChatGPT（OpenAI）在交互式会话中产出的。 ChatGPT 也根据实验历史、代码和记录的结果写了这份 README，经仓库主审阅和指导。 所以这个仓库不应该被读成： 「一个人类研究员写了所有东西，偶尔用 AI 自动补全。」 那不准确。 更好的描述是： 我们交互式地探索了这个问题：仓库主提供了最初的想法、本地执行、怀疑和方向；ChatGPT 提供了大部分代码、定量分析和实验迭代。 我们明确披露这一点，因为没有理由隐藏它，尤其是在一个关于语言模型的项目里。 代码和原始输出都在仓库里，所以谁都不用信任我们两个中的任何一个。 请复现它、拆掉它、简化它，或者找到一个更好的解释。 做这些事不需要我们的参与。 许可证 这个仓库以 The Unlicense 发布。 意图很简单： 用它、抄它、改它、fork 它、扩展它，或者扔掉它。 不需要我们许可。 模型、PyTorch、Transformers 和其他第三方依赖的许可证与条款仍归它们各自所有。 原文： #LLM# #PromptEngineering# #AI实验#

腾讯混元发布了新的语音识别模型 Hy ASR 3.0 preview。 这个模型可以结合上下文纠错、注入热词，也能处理高噪声和耳语场景。 在开源评测集里，中文普通话 WER 3.34%，英语 2.62%，粤语 3.12%。 目前腾讯云 API 已上线，元宝 App 也已首发免费开放。

ETH 2600一档占正gamma近七成，BTC 11月8万跨式被卖125对 BTC 82,047 Gamma集中在90K（占12.1%，净+12.0%）、95K（5.3%，净+5.2%）两档（30OCT26），全为Call端主导，合占正gamma的四成八，分别在现价上方9.7%、15.8%，是远端两道墙；现价附近的84K、85K只有7.1%、7.5%（净+2.8%、+4.1%），82K本身净额仅+1.6%。负gamma紧贴现价下方，81K（净-3.3%，占负gamma16.1%）、80K（-3.0%）、78K（-1.9%）、79K（-1.7%）连成一条带，全在现价下方1.3%-4.9%；全表负gamma合计相当于总gamma的20.3%，是正gamma（35.7%）的近六成。24h涨0.81%，盘中最低80,600。 偏斜约-2.5%（30OCT26 86000-C IV 33.9% vs 79000-P IV 36.4%），Put端溢价约2.5个百分点。 VRP约+1.4%（30OCT26 HV 32.3%，ATM IV 33.7%），IV略高于实际波动，定价中性。 30OCT26成交1,022张，Call买210张对卖70张、Put卖452张对买289张，上方小额买涨、下方大额收租；最大单笔93,000-C买53张（IV 36.2%）。11月27NOV26有一笔80,000同价跨式被卖125对（BLOCK-303250，80,000-C与80,000-P各卖125张，IV 37.5%/37.4%），另有90,000-C买100张对95,000-C卖100张的看涨价差；3月26MAR27反向做多波动，78,000-C与78,000-P各买62张（BLOCK-303249）。 ETH 2,405 Gamma集中在2600（占22.7%，净+19.6%）这一档（30OCT26），单档吃掉正gamma的69.0%，但它在现价上方8.1%，是远端墙不是牵引位；贴着现价的2400（11.1%，净-3.7%）、2500（8.3%，净+1.2%）净额都薄。负gamma集在现价及下方，2300（净-14.0%，占负gamma42.9%）、2400（-3.7%）、2350（-2.7%）、2250（-1.9%）四档合计约六成八，从现价一路排到下方6.5%，另有2200的-2.4%；全表负gamma（-32.7%）已压过正gamma（+28.4%）。24h涨0.25%，盘中最低2,326。 偏斜约-6.1%（30OCT26 2550-C IV 48.9% vs 2250-P IV 55.0%），Put端溢价六个点。 VRP约+2.6%（30OCT26 HV 46.4%，ATM IV 49.0%），IV高出实际波动，期权偏贵。 30OCT26成交614张，Call买259张对卖63张、Put卖196张对买96张，上方买涨、下方收租；最大单笔3,300-C买40张（IV 80.5%），是深虚上的小额头寸。远月27NOV26反着做，Call卖2,826张对买642张，4,800-C卖500张（IV 78.1%）、3,000-C卖500张（IV 52.2%）；本周到期23OCT26的2,850-C也被卖441张（IV 77.6%）。 （冰火岛期权笔记｜2026-10-19）

昨日发布一小时后删除（看到的举手）： 紫光股份 000938 > **评估日期**：2026年7月1日（周三） > **当前股价**：29.93元（+3.71%） > **总市值**：856.0亿 | 流通市值：856.0亿 > **动态PE**：27.16 | PB：5.58 --- ## 评估总览 | 维度 | 分值 | 得分 | 权重 | |------|------|------|------| | A. 利好催化真实性 | /25 | **22** | 核心 | | B. 资金面认可度 | /25 | **20** | 核心 | | C. 技术面+动量 | /25 | **18** | 核心 | | D. 消息影响持续性 | /25 | **23** | 核心 | | F. 机构情报因子 | /4 | **3.5** | 加分 | | G. 公司官方信源验证 | /4 | **3.5** | 加分 | | H. 市场情绪与宏观 | /5 | **4.0** | 加分 | | I. 行业可比与板块强度 | /5 | **3.5** | 加分 | | **加分项小计** | **/118** | **97.5** | | | J. 财报时间节点（扣分） | /-5 | **0** | 扣分 | | K. 地缘政治风险（扣分） | /-5 | **-2** | 扣分 | | **最终总分** | **/108** | **95.5** | | ### 🟢 综合评级：**强买入（95.5分/A级）** 评分档次参考： - 90+：A级（强买入） - 80-89：B级（买入） - 70-79：C级（中性偏多） - 60-69：D级（观望） - <60：F级（回避） --- ## E. 大盘环境风控 | 指标 | 数据 | |------|------| | 上证指数 | **4138.65点（+1.08%）** | | 深证成指 | 16271.32（+0.41%） | | 上涨/下跌家数 | 4553/931 | | 涨跌停比 | 199:7 | | 半日成交额 | 24352亿 | **判断**：大盘强势上行，赚钱效应显著，科技股领涨，对紫光股份超短交易构成有利环境。牛市氛围下容错率较高。 --- ## A. 利好催化真实性 — 22/25分 ### 已确认的催化剂（三重驱动）： **1. 新华三中标中国移动AI服务器集采（份额居前）—— 6月27日公告** - 驱动6月30日涨停的核心催化剂 - 中国移动AI服务器集采为行业标杆级订单 - 份额居前意味着实际订单体量可观 **2. 新华三股权整合完成，HPE彻底退出 —— 6月10日完成过户** - 紫光国际持股从81%→87.98%，HPE退出 - 治理结构优化，消除外资退出不确定性 - 彻底转型为纯粹的国产算力标的 **3. 业绩爆发式增长 —— 2026Q1数据** - Q1营收279.85亿（+34.61%），归母净利润7.88亿（+126.06%） - 新华三Q1营收221.89亿（+45.1%），净利润9亿+ - 2025年新华三全年营收760亿（+38%），净利润32亿（+12%） - 18家机构预测2026年净利润25.57亿，营收1100亿+ - **中报大概率同比预增100%+**（股吧/机构共识） **4. 董事长变更 —— 6月30日公告** - 董事长离任暨选举新董事长（同日修订公司章程） - 新紫光集团战略整合下的治理优化 **5. 港股IPO推进（A+H）** - 2025年12月递交港交所招股书，中信建投国际/巴黎银行/招银国际联席保荐 - 目的：深化全球化战略，加快海外业务，增强境外融资能力 ### 催化剂真实性判断： ✅ 中标公告为巨潮资讯网正式披露 ✅ 股权整合完成为多次公告确认 ✅ 业绩增长为经审计财报 ✅ 董事长变更为正式公告 ❌ 港股IPO仍在推进中，时间不确定 **催化剂层叠效应**：中标+股权整合+业绩增长+治理优化，四重利好形成共振，可信度极高。 **得分：22/25**（扣分原因：港股IPO尚未落地，部分预期可能提前透支） --- ## B. 资金面认可度 — 20/25分 ### 6月30日（涨停）主力资金： | 资金类型 | 净流入(亿) | 占比 | |----------|-----------|------| | 主力资金 | **+13.95亿** | 29.7% | | 游资 | -6.33亿 | 13.46% | | 散户 | -7.63亿 | 16.24% | ### 龙虎榜数据（6月30日）： - 北向资金（深股通）：**净买入1.44亿元** - 涨幅偏离值达7%登上龙虎榜 ### 融资融券（截至6月29日）： | 项目 | 余额 | 变化 | |------|------|------| | 两融余额 | 44.05亿 | — | | 融资余额 | 43.98亿 | 近5日-585万（-0.13%） | | 融券余额 | 662.82万 | 近5日+140万（+26.89%） | ### 近5日主力资金： - 净流入合计：**13.29亿元** ### 本周（6/23-27）回顾： - 本周跌6.67%，主力净流出6.61亿 - 6月26日跌9.76%，主力净流出5.86亿 - 本周大跌后6/30涨停收复失地 ### 7月1日（今日）资金特征： - 开盘30.34（高开5.13%）→ 最高31.29 → 最低29.45 → **收盘29.93（+3.71%）** - 换手率11.86%，成交额**103.1亿**（两市排名靠前） - 量比1.98 - 外盘173.3万 > 内盘165.9万，买盘占优 - 冲高回落但最终守住涨幅 ### 资金面判断： ✅ 主力资金大幅净流入确认做多意愿 ✅ 北向资金积极参与龙虎榜 ✅ 成交额超百亿，市场关注度极高 ⚠️ 融资余额微降显示部分杠杆资金谨慎 ⚠️ 今日冲高回落，短线获利盘压力明显 **得分：20/25**（扣分原因：持续两日大涨后，短线获利盘压力增大；融资余额未明显增加） --- ## C. 技术面+动量 — 18/25分 ### 近期价格走势： | 日期 | 收盘价 | 涨跌幅 | 成交额 | |------|--------|--------|--------| | 6/26 | 25.62 | -9.76% | 59.23亿 | | 6/27 | ? | ? | ? | | 6/28-29 | 周末 | — | — | | 6/30 | **28.86** | **+9.98%（涨停）** | 46.98亿 | | 7/1 | **29.93** | **+3.71%** | 103.1亿 | ### 7月1日盘中走势： ``` 开盘30.34 → 冲高31.29（涨停板31.75未封） → 回落29.45 → 收盘29.93 ``` K线形态：**高开冲高回落，收带长上影线的阳线** - 开盘价30.34（高于昨收28.86，高开5.13%） - 最高触及31.29（距涨停31.75仅剩1.47%） - 未能封板后回落，最低29.45（日内振幅6.38%） - 收盘29.93，守住昨收以上 ### 技术指标研判： | 形态特征 | 解读 | |----------|------| | 连续两日大涨 | 25.62→28.86→29.93，两日累计+16.8% | | 涨停次日冲高回落 | 短线多空分歧加大 | | 长上影线 | 31元以上抛压明显 | | 巨量换手11.86% | 筹码充分交换 | | 涨停未封 | 多头持续性存疑 | ### 股吧技术讨论情绪： - "仙人指路" vs "射击之星" 之争 - "跳空缺口明天或后天必补" - "两天18个点"获利盘丰厚 - 有人"均价30.63先走20%" - 有人"尾盘融资满仓干了" ### 技术面判断： ✅ 放量突破前期平台，强势信号 ✅ 两日大涨形成上升趋势 ⚠️ 涨停次日冲高回落，短线回调概率增加 ⚠️ 103亿换手日，短期消耗大量买盘 ⚠️ 距前低25.62已涨16.8%，追高风险加大 **得分：18/25**（扣分原因：涨停后高开低走、上影线过长、短期超买、103亿巨量换手后需要整理消化） --- ## D. 消息影响持续性 — 23/25分 ### AI算力行业景气度： **政策层面（三重驱动）：** 1. **国家数据局**：推动"人工智能+"行动方案落地 2. **证监会**（6/17陆家嘴论坛）：主动拥抱新一轮科技革命和产业变革，新质生产力为核心 3. **国产替代**：算力国产化采购政策持续推进 **产业层面：** - 中国智能算力规模达788 EFLOPS（FP16），智算市场快速扩张 - 美光财报、三大原厂调价函验证AI硬件需求 - AI算力+国产替代政策双层驱动，景气窗口拉到2027年之后 - 寒武纪、协创数据、东方国信等算力股集体走强 **机构观点：** - "AI硬科技是这一轮行情的核心主线" - 算力板块景气周期"涨十几个点就兑现的思路不太适配，底仓长持、机动仓做差价更贴产业节奏" - AI硬件与半导体双主线维持轮动上行 **紫光股份在其中的定位：** - 新华三在AI服务器、交换机、数据中心全栈覆盖 - "云-网-安-算-存-端"全系列ICT产品布局 - 中国移动AI服务器集采中标，验证行业头部地位 - 交换机+AI服务器双轮驱动 ### 持续性判断： ✅ AI算力需求为长周期趋势（>2年景气窗口） ✅ 国产替代为系统性政策，非短期催化 ✅ 新华三中标移动集采具有持续性（后续运营商采购陆续释放） ✅ 数字经济/信创政策持续加码 ⚠️ 短期涨幅过大可能引发阶段性调整 **得分：23/25**（扣分原因：政策利好预期已部分反映在短期涨幅中） --- ## F. 机构情报因子 — 3.5/4分 ### 最新机构覆盖： | 机构 | 日期 | 评级 | 核心观点 | |------|------|------|----------| | 申万宏源 | 2026/6/30 | **买入（首次覆盖）** | ICT领军，AI服务器&交换机加速增长，目标PE 41倍，目标市值1123亿 | | 长江证券 | 2026/4/23 | 买入 | EPS 0.85元，净利润24.17亿 | | 国海证券 | 2026/4/22 | 买入 | EPS 0.76元，净利润21.76亿 | | 平安证券 | 2026/4/22 | 增持 | EPS 0.89元，净利润25.42亿 | | 中泰证券 | 2026/4/21 | 增持 | EPS 0.89元，净利润25.58亿 | ### 目标价汇总： | 指标 | 数据 | |------|------| | 分析师目标均价 | **34.79元** | | 最高目标价 | **41.19元** | | 最低目标价 | **30.14元** | | 当前股价 | **29.93元** | | 距均价上涨空间 | **+16.2%** | | 距最高上涨空间 | **+37.6%** | ### 评级分布（22位分析师）： - 强力推荐：63.64% - 买入：36.36% - 持有：0% - 卖出：0% ### 机构预测共识（18家机构）： - 2026年营收：约**1100亿+** - 2026年净利润：约**25.57亿** - 对应EPS约0.89元，当前PE 27.16具有估值吸引力 ### 机构情报判断： ✅ 机构全面看多，零看空 ✅ 申万宏源6/30首次覆盖恰逢涨停，目标市值1123亿（+31%空间） ✅ 目标均价34.79元，当前股价有安全边际 ⚠️ 4月覆盖机构目标价尚未根据Q1业绩上调 **得分：3.5/4** --- ## G. 公司官方信源验证 — 3.5/4分（强制步骤完成） ### G1. 紫光股份官网新闻中心 - 通过搜索确认公司持续关注光引擎技术、CPO/NPO领域布局 - 紫光西部数据（与西部数据合资）运营中 ### G2. 巨潮资讯网公告（近1个月）： | 日期 | 关键公告 | |------|----------| | **6/30** | 公司章程修订、法定代表人变更、**董事长离任暨选举新董事长** | | **6/10** | **新华三少数股东股权完成过户**（HPE彻底退出） | | **6/5** | 2025年度权益分派（10派0.65元，6/12除权除息） | | **5/30** | 新华三股权交割完成 | | **5/21** | 2025年度股东会决议、董事高管薪酬管理制度 | | **5/16** | 转让控股子公司股权（紫光数码小贷） | | **5/12** | 控股子公司增资扩股引入投资者 | **验证结论**： ✅ 涨停催化剂（新华三股权整合+董事长变更）有正式公告确认 ✅ 公司治理层面密集调整，战略整合信号明确 ✅ 定向增发推进中（修订稿多次披露） ✅ 无负面公告，信披及时完整 ### G3. 互动易投资者问答： - 6月18日回复：截至6月10日股东户数约29万户（比上期+1万户） - 股东户数增加表明筹码分散化趋势 ### G4. 东方财富股吧情绪： - **多空分歧严重**：多头占55% vs 空头35% - 多头：中报大幅预增、机构预测支撑、科技主线持续 - 空头：冲高回落、缺口必补、诱多出货嫌疑 - 成交额超100亿为今日关注焦点 - 极端情绪并存（"股价看100"vs"全是诱多"） **得分：3.5/4**（扣分原因：股吧散户情绪极端化、股东户数增加显示筹码分散） --- ## H. 市场情绪与宏观 — 4/5分 ### 今日A股情绪指标： | 指标 | 数据 | 评价 | |------|------|------| | 上涨家数 | 4553家 | 🔥极好 | | 下跌家数 | 931家 | | | 涨停家数 | 199家 | 🔥极好 | | 跌停家数 | 7家 | | | 赚钱效应 | 全面爆发 | 🔥极好 | | 沪指 | 4138.65（+1.08%） | 强势 | ### 宏观背景： - 科技成长、半导体、AI与高端制造轮动上行 - 年初以来A股开户数同比大幅增长（赚钱效应吸引） - 上半年新股发行克制，供给合理 - 市场成交量活跃，半日成交2.4万亿+ - AI算力主线已成为市场共识 ### 判断： ✅ 市场环境极佳，科技股主线明确 ✅ 上证站稳4100+，牛市氛围浓厚 ⚠️ 连续上涨后短期或有震荡整固需求 **得分：4/5** --- ## I. 行业可比与板块强度 — 3.5/5分 ### AI服务器/算力板块对比： | 公司 | 2025年营收 | 定位 | 特征 | |------|-----------|------|------| | **浪潮信息** | 1647.82亿 | AI服务器全球第二、国内市占率55%+ | 规模最大，纯服务器标的 | | **紫光股份（新华三）** | 760亿（新华三） | ICT全栈（服务器+交换机+存储+安全） | 交换机龙头，多元化 | | **中科曙光** | 149.64亿 | 超算/智算中心（全国80%份额） | 高端计算，PE157倍 | | **中兴通讯** | 约1300亿 | 通信设备+向AI转型 | 转型中，PE 41倍 | ### 紫光股份的优势： - 新华三在以太网交换机/企业路由器/园区交换机多领域**国内第一** - AI服务器+数据中心交换机双轮驱动（光模块升级受益） - 全栈ICT能力（云-网-安-算-存-端） - 定性为"AI算力互联核心卖铲人" ### 板块强度： - 算力板块6月18日以来连续走强 - AI硬件与半导体双主线轮动 - "上半年炒芯片，下半年炒交换机"市场逻辑 - 科技龙头轮番挑战"股王"茅台 ### 判断： ✅ 板块整体走强，紫光股份定位独特 ✅ 交换机+服务器双轮驱动，差异化竞争力 ⚠️ 紫光股份非最纯算力标的（营收体量不如浪潮，估值不如中科曙光极致） ⚠️ 中兴通讯/浪潮信息等竞品也会分流资金关注 **得分：3.5/5** --- ## J. 财报时间节点 — 扣0分（/5分扣分项） ### 财务时间表： | 时间 | 事件 | |------|------| | 2026/4/28 | **2026年一季报发布** | | 2026/8/29 | **2026年半年报预约披露** | ### 财报数据分析： **2026年一季报：** - 营收：279.85亿（+34.61%） - 归母净利润：7.88亿（+126.06%） - 扣非净利润：6.20亿（+51.64%） - 毛利率：12.88%（同比-17.77%） - 净利率：3.43%（同比+81.64%） - 负债率：82.37% - 经营性现金流：-30.93亿 - 应收账款：146.22亿（占归母净利润867.52%） ### 判断： ✅ 中报季（8月29日）尚有约2个月，不存在财报雷期临近风险 ✅ Q1业绩超预期为市场形成正面预期 ✅ 中报大概率同比增长100%+，预增公告可能提前发布 ⚠️ 负债率82.37%偏高，应收账款体量较大 ⚠️ 经营性现金流为负 **扣分：0/5**（财报窗口安全，且有预增预期支撑） --- ## K. 地缘政治风险 — 扣2分（/5分扣分项） ### AI芯片出口管制升级： **核心风险：** - 美国持续升级对华AI芯片出口管制（2025年8月、9月、2026年3月多轮） - 2026年3月新政：全球全域覆盖，封堵英伟达/AMD全系列AI芯片第三国转口 - "技术北约"重构全球科技秩序 **对新华三的影响评估：** | 风险维度 | 分析 | |----------|------| | 芯片供应 | 新华三已推进国产芯片方案，但高端AI芯片仍有依赖 | | HPE关系切割 | HPE已彻底退出（2026/6/10完成），消除合资不确定性 | | 国产替代 | 公司已形成全栈国产化能力（CPO/NPO领域深度布局） | | 海外业务 | 可能受制裁影响，但主要收入来源在国内 | | 政策对冲 | 国产算力采购政策加速，反而利好新华三 | **判断：** ✅ HPE退出反而消除最大地缘风险（此前市场担忧HPE退出会影响新华三经营） ✅ 国产替代政策加速，新华三作为国产算力龙头直接受益 ⚠️ 高端AI芯片供应仍有不确定性 ⚠️ 中美科技博弈持续升级，长期变量 **扣分：2/5**（核心风险来自高端芯片供应，但新华三已完成HPE整合并推进国产化，风险可控） --- ## 综合操盘建议 ### 定位：**AI算力产业趋势龙头，短期催化密集** ### 优势（支撑做多）： 1. 三重催化叠加（中标+股权整合+业绩爆发）具有确定性 2. 机构全面看多，目标均价34.79元（+16.2%空间） 3. 主力资金13.95亿净流入，北向1.44亿参与 4. AI算力板块为市场主线，政策+产业双驱动 5. 大盘强势（沪指4138+），牛市容错率高 6. 中报预增100%+预期，有进一步催化空间 ### 风险（需要警惕）： 1. 两日累计涨幅16.8%，短期获利盘压力大 2. 今日冲高回落（涨停未封），技术面需要整理 3. 103亿巨量换手，短期消耗性较大 4. 股吧情绪分歧严重，散户多空对立 5. 负债率高企（82.37%），应收账款规模大 6. AI芯片出口管制长期风险 ### 操作参考（不构成投资建议）： | 类型 | 参考策略 | |------|----------| | **超短线（1-3日）** | 警惕技术回调，28-28.5元区间关注企稳信号 | | **短线（1-2周）** | 关键支撑28.5元（涨停价附近），强势整理后可关注 | | **中线（1-3月）** | 中报预增催化+机构目标市值1123亿（对应约39元），向上空间明确 | | **止损参考** | 跌破27元（涨停前平台支撑）需严格止损 | --- ## 数据溯源 | 维度 | 主要数据来源 | 数据时间 | |------|-------------|----------| | A | 网易新闻、新浪财经、证券之星 | 2026/6/30 | | B | 证券时报、同花顺龙虎榜、东方财富资金流 | 2026/6/30-7/1 | | C | 东方财富行情页、同花顺千股千评 | 2026/7/1 | | D | 雪球、知乎、百家号、网信办 | 2026/6/21-28 | | E | 雪球、新浪股吧 | 2026/7/1 | | F | 同花顺评级、富途牛牛、申万宏源研报 | 2026/6/30 | | G | 巨潮资讯网、互动易、东方财富股吧 | 2026/5-7月 | | H | 雪球、新浪财经 | 2026/7/1 | | I | 前瞻产业研究院、百家号 | 2026/4-6月 | | J | 证券之星、腾讯新闻、东方财富 | 2026/4/29 | | K | 雪球、搜狐、腾讯新闻、新浪财经 | 2025/9-2026/3 | --- > **免责声明**：本报告基于公开信息整理，采用多维度数据交叉验证方法论，仅供参考，不构成任何投资建议。股市有风险，投资需谨慎。评估时间为2026年7月1日15:30后，数据具有时效性。

四块拼在一起：1. 先验–后验隐空间（从 H0.7 继承） 训练时后验支路能看到未来的视觉和触觉，用来教先验「接下来接触会怎样」。推理时拿掉未来，只留当前指令 + 画面 + 学到的 latent query。官方强调它不重建未来像素，只预测和任务有关的交互后果。2. 慢–快动作专家 慢路：每个 action chunk 开头算一次世界–动作上下文并缓存，生成整段 horizon。 快路：chunk 内若干锚点注入最新本体感觉和触觉，只重写下一小段动作。 这是为了解决「VLA 一段动作还没跑完，接触已经变了」。3. 通用触觉编码器 上面说的金字塔 + 缺测占位。4. TopoHand（第二代统一动作空间） 替代 H0.5 的 200 维槽位。一只手 = 腕部坐标系 + 10 维形态码（形状 VAE）+ 20 个标准关节。夹爪则是「拇指尖到最近指尖的归一化开合」。人手、灵巧手、平行爪走同一套语义，再加本体 adapter。数据叫 UniHand-3.0：50 万小时+ 第一人称视频（公开集 + 合作方 + 自采），号称国内最大操作视频池，再配异构真机和合成人–机对齐数据。三阶段：大规模预训练 → 任务对齐的人演示 mid-train → 真机 post-train。

关注。 ## 三、今日最可能被激发的三大热点方向 ### 方向一：PTFE材料+高频覆铜板产业链 - **代表个股**：沃特股份（002886）、高斯贝尔（002848） - **支撑信息源**：韭研公社多条热帖聚焦“PTFE材料+高频覆铜板+摘帽”概念，明确提及高斯贝尔“补涨预期拉满”；沃特股份昨日龙虎榜获1家机构买入0.88亿；中信证券研报指出光模块放量推动模拟芯片需求，PCB上游材料逻辑共振。 - **催化逻辑**：AI算力需求→高频高速覆铜板→PTFE材料，产业链传导逻辑清晰，且板块内存在“低位+摘帽”等弹性标的。 ### 方向二：房地产新政受益链（银行+地产+家电） - **代表个股**：中国平安（601318）、美的集团（000333）、平安银行（000001） - **支撑信息源**：中信证券研报明确指出“银行房地产类贷款投放具备增量空间，资产质量迎来高确定性改善预期”；住建部等五部委8月28日密集落地房地产新政；韭研公社8月31日盘前梳理将“房地产”列为首要概念方向。 - **催化逻辑**：政策端持续加码→银行涉房资产质量改善预期→保险/银行/地产链估值修复。 ### 方向三：锂资源（供应端扰动+库存去化） - **代表个股**：紫金矿业（601899） - **支撑信息源**：中信建投研报指出“锂供应端紧现实与宽预期之间反复，江西锂矿复产进度仍是关键变量”；库存持续去化，锂价有望从远期预期定价走向短期基本面定价。 - **催化逻辑**：供应端扰动+库存去化→锂价基本面定价回归→资源股盈利预期上修。 ## 四、小盘A股ALPHA 🔍 ### 标的1：沃特股份（002886） - **市值/产业链位置**：约50亿小市值；PTFE材料+高频覆铜板上游，5G/AI服务器PCB核心材料供应商 - **需求变化→财报流向**：AI算力建设加速→高频高速覆铜板需求爆发→PTFE材料量价齐升→营收利润弹性大 - **核心弹性**：昨日龙虎榜获机构买入0.88亿，且韭研公社PTFE产业链调研热度极高，题材+机构共振 - **验证信号**：今日高开幅度、成交量能是否持续放大；关注PTFE板块整体联动性 ### 标的2：高斯贝尔（002848） - **市值/产业链位置**：约25亿微市值；PTFE材料+高频覆铜板+摘帽概念，低位待涨标的 - **需求变化→财报流向**：摘帽后基本面改善预期+PTFE题材催化→估值修复弹性极大 - **核心弹性**：韭研公社明确标注“补涨预期拉满的低位待涨股”，微市值+题材共振下弹性突出 - **验证信号**：今日是否放量启动、封板强度；关注沃特股份等板块龙头表现 ### 标的3：英集芯（688209） - **市值/产业链位置**：约80亿小市值；模拟芯片设计，受益AI算力光模块配套芯片需求 - **需求变化→财报流向**：中信证券指出光模块业务快速放量推动模拟芯片料号需求→公司相关产品导入→营收增长 - **核心弹性**：昨日龙虎榜涨停且净买入1.57亿，买一主买，资金关注度高 - **验证信号**：今日能否延续强势；关注光模块板块整体情绪 ## 五、大盘研判 **A股主要指数（腾讯实时）** ： | 指数 | 最新点位 | 涨跌幅 | |------|---------|--------| | 上证指数 | 3952.18 | -0.11% | | 深证成指 | 13953.07 | -0.68% | | 创业板指 | 3424.40 | -1.41% | | 科创50 | 1662.15 | -1.85% | | 中证A500 | 5710.50 | -0.53% | | 沪深300 | 4609.18 | -0.46% | **研判**：指数呈现“沪强深弱、权重抗跌、成长承压”格局。科创50大跌1.85%与隔夜英伟达重挫4.57%形成呼应，外围AI算力龙头调整对A股科技成长形成情绪压制。但上证指数仅微跌0.11%，贵州茅台（+0.39%）、五粮液（+0.55%）、比亚迪（+0.91%）等权重逆势翻红，显示核心资产有资金承接。 **关键矛盾**：地缘冲突升级（油价大涨）vs 国内政策持续发力（地产新政+险资入市）。今日需密切关注亚太市场开盘表现（韩日已低开）对A股情绪的影响，以及石油、黄金等避险板块的表现。 ## 六、券商研报播报（华泰/中信建投/中信/中泰，24-48h内） **1. 中信证券（20260831）** - **核心观点①**：2026年以来国内龙头模拟公司光模块相关业务快速放量，AI算力旺盛需求推动光模块终端持续放量、速率升级推动相关模拟芯片料号需求快速增长。 - **核心观点②**：住建部等五部委8月28日密集落地房地产新政，预计银行房地产类贷款投放具备增量空间，资产质量迎来高确定性改善预期。 **2. 中信建投（20260831）** - **核心观点**：锂供应端紧现实与宽预期之间反复，持续扰动市场情绪。江西锂矿复产进度仍是关键变量，库存继续去化，锂有望从远期预期定价走向短期基本面定价。 **3. 华泰证券**：24-48小时内暂无最新研报更新。 **4. 中泰证券**：24-48小时内暂无最新研报更新。 ## 七、操作思路 **1. 仓位策略**：外围地缘冲突+美股科技调整构成压制，但国内政策面持续偏暖，建议维持中性仓位（5-6成），留足机动资金。 **2. 进攻方向**：短期优先关注**PTFE/覆铜板产业链**（沃特股份、高斯贝尔），题材热度+机构参与+低位弹性三重共振；**地产链**（银行、保险）受益政策催化，适合稳健配置。