高盛-中国开发的模型在变得更加灵活，计算成本显著降低（例如DeepSeek模型的

高盛-中国开发的模型在变得更加灵活，计算成本显著降低（例如DeepSeek模型的推理成本大幅下降），这将为后续更广泛的AI应用/AI扩散提供更多空间。 在过去一周内，DeepSeek R1、字节跳动的豆包-1.5 Pro以及Moonshot的Kimi k1.5模型几乎同时发布，引起了投资者的高度关注。这背后是中国AI玩家在基准性能与全球同行相比不断进步，同时显著降低了训练/推理成本和计算资源需求。 尽管我们对各模型的性能不发表具体看法，但注意到近期模型改进和成本优化的来源可能包括： 1）专家混合（Mixture-of-Expert，MoE）架构，该架构为每项任务使用更少的激活参数；2）对后训练阶段的重视（如深度思考模式和推理能力的引入）；3）成本优化，例如资源高效的训练方法，特别是在高端芯片供应受限/不确定的背景下，中国玩家更注重效率最大化；4）模型的强化学习（RL）功能，这些模型能够通过时间不断自我改进，这是通用人工智能（AGI）的一个重要方面。 同时，我们注意到包括DeepSeek R1/V3和阿里巴巴的Qwen在内的中国开源模型，由于其透明度和显著较低的每token价格，自发布以来吸引了广泛的开发者兴趣。