以下分析基于你提供的完整测评文本,结合文内的图表与表格内容,确保对三大模型在金融投研场景中的表现、数据驱动逻辑、以及图表所传递的信息进行全方位、可溯源的解读。文末对每处核心结论给出对应的页码溯源标记,便于后续追溯。
一、元数据与概览(引言与报告概览)
标题与主题概览
报告标题为“Kimi K3超越GPT 5.6了吗?—投研Agent模型能力对比评测”,聚焦在三款模型在金融投研三类典型任务(估值建模、回测、多行业研究)中的横向对比及公开规格、价格、能力对照。核心议题是评估新一代大模型(GPT 5.6 Sol、Kimi K3、GLM-5.2)在投研工作流中的连续执行能力、底稿联动性、以及最终的研究交付物质量,从而判断其在投研场景中的实际应用价值与边际改进。该总体结论在摘要与结论部分反复强调:GPT 5.6 Sol在综合表现上领先,Kimi K3紧随其后,GLM-5.2相对落后于前两者。该结论直接来自对三模型在三类任务上的全流程评测结果。1
作者、机构与日期
作者:高智威、许坤圣;发布机构:国金证券股份有限公司;发布日期:2026年7月19日(对外披露信息)。二者共同参与的测评目标是比较三款模型在金融投研场景的应用价值。核心信息包括:三者在估值建模、回测、行业研究三类任务中的完成度、联动性、数据来源与知识管理等方面的表现差异。27 1
核心观点与目标价/评级传达
核心信息集中在:GPT 5.6 Sol在任务完成度、研究深度、长程执行稳定性方面综合领先;Kimi K3在结构、逻辑方面表现良好,但在底稿联动与执行稳定性方面仍需改进;GLM-5.2在行业覆盖广但研究框架、来源管理、底稿一致性方面存在不足。评测还强调首日发布环境对 Kimi K3 的速度、可用性影响,以及样本规模、提示设计等因素可能对结论的稳定性造成影响。1 2 5
评价方法与可比性
以三类金融投研任务(估值建模、回测、行业研究)为核心任务线,采用统一的结构化提示词、统一的数据口径与测试流程进行横向比较,辅以外部第三方评测(Artificial Analysis)的综合指数对比,以及公开规格与成本维度的对照。图表与文本均围绕“任务完成度、结果可复核性、成本与效率、以及交付物的完整性”展开。关键点在于:虽然三款模型都能独立完成较完整的估值、回测与行业研究交付,但在联动性、执行日与信号日的区分、交易成本的纳入等方面存在显著差异。上述要点多处在文本中被明确指出并与图表数据相呼应。1 4 11
二、逐节深度解读(逐章精读与剖析)
一、GPT 5.6 Sol与Kimi K3发布:能力升级与公开表现
1.1 Kimi K3:以超大规模和开放权重为特色的Agent
关键点:Kimi K3 发布于2026年7月,达到2.8万亿参数规模(近似“3T级别”),提供原生视觉能力、100万Token上下文,并且采用开放权重和MoE等架构改进(Kimi Delta Attention、AttentionResiduals、Stable LatentMoE等,896个专家中激活16个)。官方宣称扩展效率提升约2.5倍。测试当天发布,存在速度慢、请求偶发不可用的情况,需在正常负载下重复测验以确定稳定性。这些要点源自作者对 Kimi K3 的初步现场描述与对首日表现的注解。对于投研任务的转化能力,文本明确指出需要通过后续任务来验证“长程任务能力能否转化为可复核、数据可靠的底稿与报告”。2 3
图表/截图引用(图像证据):图例与文字描述在文本中以图表形式呈现,相关细节参见图示(如架构改进带来的扩展效率提升、100万Token上下文等)。相关图像参见图示来自 Moonshot AI 与国金研究所的对比材料。图1/图2等在后文具体章节有对照。溯源:2
1.2 GPT 5.6: 以Token效率为核心的高性价比旗舰
关键点:GPT 5.6 的核心升级聚焦在长程Agent任务下的Token效率,强调用更少的Token和更短时间完成高质量工作,同时引入 Programmatic Tool Calling 机制,支持自主编写和运行轻量程序,协调多工具与中间结果。Sol、Terra、Luna 等多档位提供“推理强度”可调,ultra 模式可协调多个子代理并行执行,适合长时间、复杂工作流。官方说明强调,推理强度的提高伴随 Token 输出量下降或保持在较低水平,这体现了成本与性能的平衡。测评总体结论认为 GPT 5.6 Sol 的综合得分随推理强度提升而提升,且在高能力水平时仍能输出较低Token数量。图表1(图文)对比了输出Token消耗与综合能力。该段落的图表化证据来自 Artificial Analysis 的测算与图表。总的判断是:GPT 5.6 Sol 更适合对成本与响应速度敏感的 Agent 场景,但在专业投研任务上的绝对领先性仍需在后续任务中证实。 3
1.3 三模型公开规格、API价格与任务成本对比
关键点:公开规格方面,三者都支持约100万 Token 的上下文与≈12.8万 Token 的输出;Kimi K3 拥有2.8T参数规模,GLM-5.2 具备 744B 参数,GPT 5.6 Sol 未披露参数规模。价格对比方面,Kimi K3 的输入/输出价格分别为每百万 Token 3美元与15美元,低于 GPT 5.6 Sol 的5美元/30美元,GLM-5.2 为 8 元与 28 元(单位不同,需币种换算才能直接比较)。综合成本分析表明,GPT 5.6 Sol 与 Kimi K3 的单任务成本接近,GLM-5.2 具有更低的表观成本优势,但成本口径因币种不同需谨慎对比。图表2与图表3给出可视化对比。此处也指出,成本并非唯一决定因素,Token 消耗、任务成功率和人工修改时间等也重要。溯源:图表2、图表3。 4 5
1.4 三模型公开能力对比
关键点:公开基准对比显示,GPT 5.6 Sol 与 Kimi K3 的综合评分接近,GPT 5.6 Sol 在 DeepSWE 与 Terminal-Bench 2.1 中略胜于 Kimi K3,而 Kimi K3 在 ProgramBench、FrontierSWE、MCP-Atlas 等测试中表现更好。GLM-5.2 在多数测试中落于两者之前,但在某些长程编程任务中有较好表现。整体排序为 GPT 5.6 Sol > Kimi K3 > GLM-5.2。Imagen/Artificial Analysis 的 Intelligence Index 得分也显示 GPT 5.6 Sol 排名第二、Kimi K3 第三、GLM-5.2 第十。该结论强调:在公开对比中三者并非“一超多强”,而是各有侧重。溯源:图表4、图表5;文本引用 5 。图4/图5的图像证据来自 Moonshot Al、OpenAI、智谱及国金研究所的多基准测试。 5
二、三类金融投研任务实测点评
本节将分三类任务逐项解读:估值建模、回测及行业研究,结合每一章中的关键论点、推理逻辑、数据驱动假设及可复核性。
2.1 估值任务
2.1.1 各模型估值建模表现
Kimi K3:结论为“报告逻辑自洽,但估值模型联动较弱”。具体表现为:交付了完整的工作簿(10个工作表)和投资分析报告,结构完整;然而其底稿中存在静态数据呈现、核心数据未实现全表联动,以及“核心投资结论”页出现公式错误导致营收增速、净利润、净利率、EPS、DCF目标价等关键数据显现为0的情况,影响结果复核但不直接否定总体投资逻辑。图表展示(如图9–图12)具体呈现了工作簿分块与公式异常的截图,说明了联动性问题的实务表现。溯源:Kimi的估值底稿与公式异常等描述来自 8 、7 的图表及文字。 7 8
GPT 5.6 Sol:结论为“预测逻辑清晰、Excel联动性最好、检查性强,投资结论闭环性强”。其模型具备完整的联动机制:假设修改可自动更新经营预测、三张报表与DCF/相对估值;并新增了检查表、来源表以确保数据可追溯、勾稽关系正确。图表8–图13等展示了带有检查表的工作簿、投资报告,以及自检、来源追溯页的设计证据。总体而言,GPT 5.6 Sol 的估值模型在可复算性、透明度和数据追溯方面表现最优。溯源:文本段落关于“联动更新、检查表、来源表、数据追溯机制”等描述,见 8 、9 ,以及图示证据 9 。 8 9
GLM-5.2:结论为“底稿存在多处公式异常,目标价与投资评级存在逻辑冲突,及数据不可复核性问题”。其工作簿虽覆盖10个工作表,且投资分析报告结构较完整,但核心数据存在无法正常计算的错误(收入增速、EPS、DCF、PE等显示为错误或DIV/0),导致难以对照成果。图表10-11等清晰地呈现了底稿的异常与报告的冲突。溯源:GLM-5.2 的表述与图像证据来自 10 、11 。 10 11
2.1.2 各模型估值任务能力总结
总体排名:GPT 5.6 Sol 第一,Kimi K3 第二,GLM-5.2 第三。GPT 5.6 Sol 在可复算性、检查性、以及投资结论的闭合性方面领先,且对“公司基本面强但估值已反映较多增长”这一矛盾点的识别能力突出;Kimi K3 尽管在逻辑自洽方面表现较强,但底稿联动性不足,公式错误影响可用性;GLM-5.2 在底稿完整性方面稍显不足且逻辑冲突较多,导致可复核性较弱。上述评价来自综合对三者在三张表、DCF、相对估值、以及投资报告的一致性考量。溯源:11
图表与图像证据
图6–图7(图表6/7)显示了估值任务的结构性要求、任务流程及数据流向,支撑了对“Excel底稿需要保持公式联动、假设可追溯”的评价。图6在文本中作为“估值任务prompt总要求”的截图,显示对底稿结构的严格要求。6
图13–图14(GPT 5.6 Sol 的工作簿与报告)以及图8–图9(Kimi 的工作簿与报告)提供了直观证据:GPT 的工作簿包含检查表与来源页,且投资结论与估值结果形成闭环;Kimi 的底稿则存在“核心数据未联动”的问题,且部分公式异常。溯源:GPT/ Kimi 的图示分别位于 9 , 8 ,8 。 8 9
2.2 回测任务
2.2.1 各模型回测任务表现
Kimi K3:交付较完整,但交易时点与交易约束处理不足。回测结果包含单因子/多因子、CSV 结果、IC、Rank IC、组合收益等;不过在执行日与信号日的区分、交易成本及不可交易状态处理方面存在欠缺,容易高估真实收益。图表显示了回测底稿与研究报告的交付,以及跌停/停牌等场景未充分覆盖的风险提示。数据源中断曾短暂影响覆盖范围,但并未中断整体流程。溯源:13 、13 、14
GPT 5.6 Sol:交易时点处理更严谨,明确采用“月末形成信号、下一交易日执行”的方式,且在底稿中对信号日、执行日、停牌、涨停、无成交量等状态进行了处理,回测区间为2020–2026,区间内包含78次调仓、77个已实现月度收益期。首次执行时耗时较长(约1小时),后续重新执行能在正常时间内完成。缺点包括未计入交易成本、未覆盖跌停无法卖出的情境、回测区间较短等。图表27–29等提供了回测结果和过程数据的证据。溯源:14 15 16
GLM-5.2:回测区间最长(2016–2026),但同样未明确区分信号日与执行日、未将交易成本与不可交易状态完整纳入,且底稿披露不充分(未列出每期选股、调仓记录、组合净值等明细)。行业与投资框架虽然覆盖面广,逻辑支撑弱于前两者,导致回测结论的可复核性较弱。图表30–34等表明了底稿异常与报告中的冲突。溯源:17 17
2.2.2 各模型回测任务能力总结
总体结论:GPT 5.6 Sol 在回测任务中表现最佳,原因在于数据处理的严谨性、点对点的交易时点处理,以及对信号日/执行日的清晰区分与数据勾稽检查。Kimi K3 次之,回测文件链条完整、但交易成本、不可交易状态及信号日/执行日的区分仍需加强。GLM-5.2 虽覆盖范围广、区间长,但中间过程披露不足、交易逻辑不透明,导致可复核性与结果可信度下降。上述结论来自对回测底稿完整性、交易约束处理、以及数据处理逻辑的逐项对照。溯源:17
图表与图像证据
图27–图29(GPT 5.6 Sol 的回测交付、数据处理与图表)清晰展示了回测报告、CSV 输出、以及执行日与信号日的区分等要点;图31–图35(GLM-5.2 的回测底稿与图表)则揭示了底稿披露的不足与图表显示的问题。溯源:15 16 17
2.3 行业研究任务
2.3.1 各模型行业研究任务表现
Kimi K3:行业框架清晰、投资框架六维评分完整,但 Wiki 的沉淀不足,缺乏来源摘要和原始资料的完整沉淀,导致知识库的可追溯性与后续维护性不足。行业报告覆盖上、下游及海外龙头映射的力度较强,但未对所有核心公司建立独立实体页,内部链接指向也存在空缺。溯源:19 20
GPT 5.6 Sol:行业研究的框架与来源管理最为规范,Wiki 包含来源摘要、原始资料的可追溯性(JSON 形式的来源目录)以及综合研究页,行业覆盖面较广,且在投资框架、跟踪指标、风险分析等方面有较强的结构性。溯源:21 22
GLM-5.2:行业覆盖最广,页面结构完整,但知识库的来源摘要页缺失、海外龙头映射缺乏独立实体页,且行业投资框架的转化逻辑不够清晰,导致数据可验证性下降。溯源:22 23
2.3.2 各模型行业研究任务能力总结
总体结论:GPT 5.6 Sol 在行业研究方面表现最好,具备较完善的投资框架与可追溯的来源管理,Wiki 内容的完整性和持续更新能力也较强。Kimi K3 的行业研究虽完整、评分框架清晰,但知识库沉淀不足,影响长期可维护性。GLM-5.2 虽覆盖面广、展示效果好,但知识库的可追溯性与投资逻辑的可复核性不足。图表对比(图49)也支持该排序。溯源:22 23 24
图表与图像证据
图39–图41(Kimi K3 行业深度报告、Wiki、投资框架)、图42–图44(GPT 5.6 Sol 行业深度报告、Wiki、投资框架)、图45–图46(GLM-5.2 行业深度、Wiki)等,分别体现了三者在行业数据覆盖、来源管理、以及投资框架落地方面的差异。溯源:Kimi、GPT、GLM 的行业图表分布在 20 –22 、23 。
三、图表深度解读(逐图分析,识别趋势、数据点与潜在局限)
图1(f81be557...,图1:Most attractive quadrant 与输出Token对比)
描述与含义:横轴为输出Token数量(对智能体任务的单位成本贡献指标,通常对数尺度),纵轴为“Artificial Intelligence Analysis Intelligence Index”分数;不同模型的位置显示出在成本与综合智能表现之间的权衡。GPT 5.6 Sol 在高输出与高综合分之间处于优势区域,显示其在 token 效率下的强大综合能力。结论支持主文中对 GPT 5.6 Sol 的定位,即“成本与响应速度敏感的 Agent 场景中的优选”但是否在投研三大任务中全面领先仍需以后续实测验证。引用图表证据与文本结论结合:3
溯源:图1图像证据来自页面 4 ,描述性文字在文本中对应的段落也指向该图。
图2(图表2:三模型公开规格与API价格对比)
描述与含义:横向对比三模型的上下文长度、输出、以及单位价格。Kimi K3 的输入/输出单价最低(3美元/万Token、15美元/万Token),GPT 5.6 Sol 高于之(5美元/万Token、30美元/万Token),GLM-5.2 以人民币计价较低(8元/万Token、28元/万Token),但币种不同导致直接比较困难。该对比强调“成本效益与币种换算”的苛刻性。文中亦指出成本只是决定因素之一,真正的任务成本还取决于实际 Token 消耗与任务完成质量。溯源:4
溯源:图表2文本在 4 ,相关说明在同页及 5 的成本对比讨论。
图3、4(图表3、图表4:综合能力对比、单任务成本对比)
描述与含义:图3呈现“主要模型综合能力与输出Token消耗”的对比;图4呈现“综合能力与单任务成本”的对比。结论是:GPT 5.6 Sol 与 Kimi K3 在综合能力上接近,GLM-5.2 在多项基准中落后,且单任务成本方面三者存在差异,GPT 5.6 Sol 在成本控制方面通常更具优势。溯源:4 5
图5(图表5:Artificial Analysis Intelligence Index 得分排名)
描述与含义:对比各模型在 Artificial Analysis Intelligence Index 的综合得分,GPT 5.6 Sol ≈59、Kimi K3 ≈57、GLM-5.2 ≈51,GPT 5.6 Sol 排名第二、Kimi K3 排名第三、GLM-5.2 排名第十。这一页为对比基准之一,支撑了文本中的相对排序。溯源:5
图表6–图表9(图表6:估值任务 prompt、图表7:分点要求、图表8:估值逻辑链等)
描述与含义:呈现对估值任务的分解过程、任务输入输出结构、以及数据流与检查机制的设计。可见:该任务对底稿的结构、假设可追溯、数据来源、以及勾稽关系的严格要求。对比可用于评估各模型在“结构化任务—多表勾稽—自检与追溯”方面的能力差异。溯源:6
图表9–图表12(Kimi K3 部分公式异常、经营预测拆解、部分截图)
描述与含义:图9显示 Kimi K3 的估值模型工作簿(10表),图12显示核心公式异常区域。图11展示经营预测拆解逻辑;图10为投资分析报告。综合显示:Kimi K3 的底稿在数据联动与公式一致性方面存在明显问题,需人工校正与复核。溯源:8
图表13–图表15(GPT 5.6 Sol 的估值模型、投资分析报告及经营拆解)
描述与含义:图13为“GPT 5.6 Sol 交付的估值模型工作簿”截图,图14为“GPT 5.6 Sol 交付的投资分析报告”截图,图15展示其经营预测拆解逻辑。结论支持:GPT 5.6 Sol 的底稿具备良好的自检、数据追溯与链接性,且报告中的估值结果与投资评级呈闭环状态。溯源:9 9 16
图表16–图表19(GLM-5.2 的底稿异常、投资摘要、以及摘要页公式错误等)
描述与含义:图16为GLM-5.2 估值模型工作簿截图,图17为其投资分析报告,图18展示经营预测拆解逻辑,图19显示摘要页的公式异常(#DIV/0! 等)。这些图直接对应了文本对 GLM-5.2 底稿缺陷的断言。溯源:10 11
图表20–图表21(行业研究Prompt、框架)
描述与含义:图36–37 给出行业研究任务的Prompt总要求与分点要求,说明任务对数据检索、行业数据、投资框架、Wiki 构建等的全方位要求。图38 展示行业研究任务的逻辑链,帮助理解研究框架的落地路径。溯源:18 19
图表42–图表49(GPT、Kimi、GLM 在行业研究的输出与知识库)
描述与含义:一组图(41–49)对比了三者在行业研究任务中的行业深度报告、Wiki、投资框架、跟踪体系以及数据来源的管理能力。要点包括:GPT 5.6 Sol 的来源管理最规范、Wiki 完整性最高、以及行业框架落地性强;Kimi K3 的行业框架清晰但 Wiki 沉淀不足;GLM-5.2 的覆盖范围广但知识库的追溯性较弱。溯源:21 22 23
四、估值分析要点(方法、输入、假设与结果)
采用的估值方法
文中对估值分析的描述明确包含两类核心方法:贴近企业实际的现金流折现(DCF)法,以及基于可比公司/行业倍数的相对估值法(PE/PS/EV/EBITDA/PB 等)。这两种方法在三款模型的投资分析报告中都有体现,且模型需要在三个层级完成:1) 三表预测模型;2) DCF/相对估值模型;3) 投资逻辑报告与结论。张贴的表格与图片(如图表6、表6等)显示了对输入假设、折现率、终值增长率、以及可比公司选择的要求。溯源:6
关键输入与假设
Key inputs 包括历史财务数据、收入增长、毛利率、WACC、终值增长率、资本开支、营运资本等。Kimi K3 的预测在“销量×单价”的思路下没有完整给出销量/单价的详细底层假设及其与产能、订单、市场需求的对应关系,导致难以复核;GPT 5.6 Sol 给出更完整的分项输入与可追溯的假设,且在表中明确设置了检查和来源页,提升了可追溯性。GLM-5.2 虽然覆盖了长期预测,但输入假设的可信度与可追溯性较弱,且多处出现公式异常。以上差异均由各自的底稿与图文证据(图9–图20等)所证实。溯源:8 10 12
驱动因素与敏感性
三者都在提示中强调“驱动变量的可控性”和“敏感性分析”的重要性。GPT 5.6 Sol 的敏感性分析和自检查机制(如权重、WACC、终值等的敏感性表)使得投资者可以直观看到输入变化对目标价的影响,且可通过检查表确保数据一致性。Kimi K3 的投资报告中则强调了收入结构、核心盈利变量及其对估值的影响,但底稿的联动性不足削弱了系统性。GLM-5.2 的敏感性分析虽有,但缺乏完整的过程描述和数据追溯,导致对结果的信心度下降。对应图表(如图12、图16–图19)提供了直观证据。溯源:9 10
结论性判断
综合来看,GPT 5.6 Sol 的估值模型在可复算性、数据追溯、以及结果闭环方面最具优势,成为文本导向的“最强”的估值交付。Kimi K3 虽然底稿联动性不足,但在报告结构及投资逻辑方面具备可操作性;GLM-5.2 则在数据完整性、来源追溯与逻辑一致性方面明显欠缺。综合排名与图表对比支持上述判断。溯源:11
五、风险因素评估
章节要点
风险包括:历史规律不代表未来、市场环境变化导致模型失效、交易成本及不可交易状态对策略收益的冲击、AI 输出的随机性与变动性、提示词对输出结果的影响,以及版权/安全问题。全文多处在风险提示段落强调这些不确定性因素,提醒投资者应以谨慎态度使用大模型产出。溯源:1
对应的关键风险点
首日发布的系统性压力可能导致 Kimi K3 出现响应慢或不可用,这一现象需要在后续多轮测试中确认稳定性。2
回测阶段缺少交易成本、跌停/停牌等不可交易情形的完整模拟,可能高估策略实际可执行性,尤其在高波动或极端市场条件下。GPT 5.6 Sol 的回测区间较短,同样对不同市场周期的检验不足。GLM-5.2 的底稿缺陷进一步弱化了其风险评估的可信度。溯源:14 16 17
六、批判性视角与细微差别
可能的偏差与局限
核心偏差源自三方面:1)样本与提示设计的依赖性(如对销量增速、市场需求的假设过度主观化;见 2.1.2 与 2.3 的论证),2)底稿联动性与数据勾稽的完整性差异(Kimi K3 与 GLM-5.2 的多处公式异常、以及信息披露不充分),3)测试环境对某些模型的短期极端表现(Kimi K3 首日发布的系统压力、GPT-5.6 Sol 初始耗时等)。上述因素都可能削弱“结论的稳健性”,需要通过多轮、长期的独立测试来验证。参见各自章的具体描述与图证。溯源:7 13 16
结构性矛盾点
GLM-5.2 在行业研究的覆盖面虽广,但知识库的来源摘要缺失、海外龙头的独立实体页缺失,导致数据可追溯性较弱,这与其“输出丰富、结构完整”的表面印象存在矛盾。GPT 5.6 Sol 的强项在于“来源管理和可追溯性最强”,但这也并非毫无缺口(如某些公司实体页数量相对较少)——这是行业研究任务中需要改善的点。Kimi K3 的六维投资框架尽管清晰,但缺乏对分项分数的公开解释和数据依据,使得某些评分仍带有主观性。这些矛盾点均在各模型行业研究的评估段落得到体现。溯源:22 19 21
七、结论性综合
核心结论
在三大投研任务的全面评测中,GPT 5.6 Sol 表现最为突出,尤其在估值建模的联动性、回测的信号日与执行日区分、以及行业研究的来源管理与框架落地方面,形成闭环的交付能力与数据可追溯性最强的组合。Kimi K3 虽然在报告结构、六维投资框架及行业研究深度方面表现不错,但底稿的联动性不足、公式异常等问题影响了复用性与可操作性;GLM-5.2 虽覆盖面广、输出丰富,但底稿的公式异常、缺乏来源追溯、以及投资框架的清晰度不足,使其在实用性和可信度上处于较弱的位置。上述结论与全文的图表对比一致,且在图表49的行业研究对比、图表35的投研任务对比、以及图表20–图22的估值/回测对比中均得到了印证。溯源:24
对投资者与研究员的意义
对于追求高可复核性、可追溯性和闭环投资分析的投研工作流程,GPT 5.6 Sol 提供的模型结构、检查表、来源表及数据勾稽机制,能够显著降低底稿错误与复核成本,提高研究交付物的可信度。对于需要灵活编码、长程任务执行与多工具协作的场景,Kimi K3 提供了强大规模与开放性,但需要加强底稿联动性与执行稳定性;对于偏向广覆盖行业分析、但对数据追溯性要求稍低的场景,GLM-5.2 提供了更丰富的信息,但需在知识管理和逻辑一致性方面提高。综合而言,这份评测支持“在投研工作流中,单靠模型的能力并不足以决定投研效率,需结合模型的数据治理能力、任务结构化能力与结果可操作性”这一判断。溯源:24
实操与改进建议(基于图表证据的洞察)
对 GPT 5.6 Sol:继续巩固和扩展自检/来源追溯页的覆盖范围,尤其在更复杂行业与更多公司案例中保持一致性;在估值流程中继续强化对敏感性分析的可解释性与透明度,确保即使在高波动市场情景也能提供稳健的结果边界。溯源:9 11
对 Kimi K3:加强底稿的跨表联动和公式校验,确保“修改假设→ 全模型自动更新”的即时性与准确性;增强执行阶段对信号日与执行日的区分、交易成本的纳入,以及跌停/停牌情境的完整模拟。图12、图15等处的错误提示应成为改进重点。溯源:7 13
对 GLM-5.2:强化知识库的来源摘要与原始材料的追溯机制,建立海外龙头页面的独立实体页并完善内部链接;同时提升投资框架的可复核性,明确各项评分权重与计算方法,避免“目标价低于当前股价却给予增持”的矛盾结论。图19–图21等示例提供了具体问题点。溯源:10 22
附:关键图表与证据索引(简要)
图1–图5:三模型综合能力、成本与排名(证据来源:page 3–4)
图6–图9:估值任务的流程与检查机制(证据来源:page 5–8)
图10–图19:各模型的估值底稿、预测逻辑与公式异常(证据来源:page 7–10)
图20–图29:回测任务的Prompt、流程、数据处理与回测结果(证据来源:page 11–15)
图30–图35:GLM-5.2 回测底稿与研究报告问题(证据来源:page 16)
图36–图38:行业研究任务的Prompt、逻辑链与框架(证据来源:page 17–18)
图39–图49:三模型行业研究任务的输出、知识库与投资框架比较(证据来源:page 19–22)
图表60+(更多引用)对照了三者在行业研究中的深度、Wiki 的完整性、以及来源管理的充分性(证据来源:page 20–22)
总结性结论(再次强调)
GPT 5.6 Sol 在三项投研任务中整体表现最为稳健,能够在不牺牲结果质量的前提下实现较高的联动性与自检能力;Kimi K3 虽具强烈的结构性优势与开放性,但需要显著提升底稿联动性与执行稳定性;GLM-5.2 在覆盖范围上领先,但知识管理与逻辑支撑不足,导致实际可用性下降。上述结论与图表证据在本报告的各章节均有明确佐证。溯源:24
如需把这份分析转化为落地的工作方案,我可以基于你所在机构的工作流,把上述三款模型的优势按任务阶段进行“优先级对照表”和“改进清单”整理成可执行的改进计划,同时给出每项改进对应的溯源页码,便于日后复核和版本控制。