1、K3.1Pro基础信息与测评方法

K3.1Pro核心参数与定位：K3.1Pro是基于K3开展后训练形成的能力升级模型，研发耗时3个月，参数规模达2.8T。模型针对代码、3D创作、金融研究等领域能力做了专门强化，coding、3D建模、金融领域是官方重点提及的应用场景，在国内外认可度较高的OfficeQA基准测试中，K3.1Pro得分位列第一名。产品发布前，熵简科技团队已拿到内测版本，内测时长相对更长，完成了一系列测评工作。

投研场景测评方法设计：本次测评采用IRB数据集，其全称为Investment Research Benchmark，数据均来自金融投研场景下用户提出的真实问题，筛选标准为大模型普遍回答效果不佳、经客户授权收录的问题，目前题库总题量达数千道，常规测试使用的题量为617道。测评针对每道题从8个维度开展评分，具体包括数值忠实度、抗幻觉能力、主体消歧能力、时效性意识、因果推理能力、长上下文抽取能力、图表表格推理能力、报告结构化生成能力，最终汇总得到综合总评分。

2、K3.1Pro测评结果与竞品对比

K3.1Pro综合表现：金融投研大模型测评基于投研测评仪的综合得分体系，得分超过90分即达到工业级可用标准；测评横轴为单任务平均综合成本，此处单任务指完整投研问题经过多轮工具调用、MCP调用后返回结果的全流程成本，横轴越往右价格越低，纵轴越往上模型能力越强。K3.1 Pro相较上一代K3，在价格未发生变动的前提下，金融投研场景综合能力明显提升，从此前的90分出头升至94分以上，满足工业级可用要求。在参与测评的21款大模型中，K3.1 Pro的投研场景得分仅次于Claude Fable 5与GPTAstraGPT6的Astra模型，与后两者同分，处于行业第一梯队，其单任务平均成本为1.45元。

同类大模型定位差异：从竞品对比来看，海外头部模型GP Astra单任务成本为8元，Claude Fable 5单任务成本达8元以上，K3.1 Pro成本仅为海外头部模型的约1/5，相较竞品具备较强竞争优势。当前国内大模型普遍存在使用成本高、服务不稳定的问题，核心原因有两点：一是国内显卡资源整体紧缺，二是大模型团队持有的显卡多优先投入下一代模型研发，对外服务的硬件资源供给不足。K3系列的核心定位是能力对齐海外一线大模型，当前并未将性价比做到极致，若用户追求高性价比可选择DeepSeek系列模型。DeepSeek V4.1Flash 1017版本单任务成本仅为0.18元，能力达到Opus4.8层级，处于可用水平，但处理复杂任务时出错概率相对较高。整体来看不同大模型定位差异显著：DeepSeek主打极致低价，Kimi系列主打高能力且定价低于海外头部模型，用户可根据自身需求选择适配产品。

3、K3.1Pro测评案例与问题分析

正面测评案例展示：本次测评采用人机双盲模式，结合头部大模型打分与专业分析师团队评分最终取均值。测评背景为用户疑问：4月起草铵膦、精草铵膦原药取消增值税出口退税，市场普遍认为该政策将增加相关企业成本属于利空，但券商却推荐利尔化学，用户不解背后逻辑。K3.1Pro的回答首先梳理出完整利好传导链路：取消出口退税虽会抬升出口成本、不直接增厚利润，但有利于行业成本顺价与产能出清，龙头企业行业地位将进一步巩固；同时完成损失敞口测算，明确退税率下调将压缩相关产品毛利，倒逼存量亏损企业退出市场。此外K3.1Pro未局限于提问要求直接罗列利好原因，给出独立判断：取消退税利好利尔化学并非必然兑现，需跟踪两项核心验证指标，一是产品涨价幅度需覆盖退税带来的成本提升，二是公司产品销量止跌回升；同时披露当前4月对应品类编码出口同比下滑27%、公司净利润同比下滑的现状，判断利好或延期兑现。最终K3.1Pro本次测评得分97分，高于GPT6 Extra的94分，核心优势为具备独立审慎的判断能力，可跳出预设提问逻辑给出更全面的投研参考。

负面测评案例与问题分析：本次测评的问题背景为用户要求拆分2025-2030年具身智能人形机器人按应用场景的需求，明确各场景销量、SSP及对应的驱动因素。K3.1Pro在作答时误读了JP Morgan的公开报告数据：报告原文表述为2030年美国本土人形机器人需求为美国本土产量的212%，但K3.1Pro将其错误解读为“2030年美国单一人形机器人市场需求超过全球总产量的2倍”，并基于该激进结论进一步推导认为人形机器人市场长期供不应求。实际报告数据显示，2030年美国人形机器人预期需求为94.7万台，全球同期预期产量为400万台，美国需求仅为全球产量的24%，K3.1Pro的结论与实际情况存在极大偏差。该题K3.1Pro最终得分50分，远低于GPT Ultra的接近满分水平，失分核心原因是未对明显不符合常识的激进结论做复盘验证，直接基于错误假设开展后续推导。从该案例可总结K3.1Pro的核心问题：一是输出倾向于激进化表述，对不合理的前置假设缺乏校验意识；二是模型整体表现不稳定，不同测评问题的得分差异较大。问题诱因推测为模型训练过程中大量使用了券商研究资料，券商研报普遍偏正面、激进的判断风格使得模型泛化出相关特性，后续需针对性优化训练语料的分布特征。

4、Alpha Engine模型接入与付费方案

模型接入方式说明：a. 平台预置模型已完成升级，原Kimi K3更新为Kimi K3.1Pro，用户在Alpha Engine产品中打开Alpha Claw功能即可直接选用该模型对话，调用预置模型需消耗Alpha Engine平台积分。
b. 若用户已订阅Kimi的coding plan，或持有Kimi K3.1 Pro的API key，可在平台填写API key后选择对应模型、设置推理深度（high/max）完成添加，即可使用自有权限的Kimi K3.1 Pro。
c. 两种接入方式的积分消耗规则存在差异：调用平台预置模型扣减Alpha Engine平台积分，接入自有API key使用模型不消耗Alpha Engine平台积分，仅扣除对应模型服务商的使用额度。

付费套餐方案介绍：a. 针对用户普遍存在的Token焦虑问题，平台上周新上线高性价比Token Plan套餐，按月充值，分为49元/月、99元/月两档，理论限额极高，除每日12小时深度AI畅聊的极端场景外，普通用户日常使用几乎可畅用，套餐适配模型性价比高、能力可覆盖日常需求，暂不包含高价高阶模型。
b. 平台推荐高频用户采用"Token套餐+平台积分"的搭配使用方案：日常通用场景使用Token套餐覆盖，遇到复杂投研难题时使用平台积分调用高阶模型。
c. 平台积分可调用的高阶模型包括Cloud Opus、Kimi K3.1 Pro、GP等，稀缺的Fable 5资源可单独联系销售申请开通，平台将模型选择权完全交给用户。

5、AI投研行业发展趋势

AI投研阶段划分与演进：AI投研发展可类比无人驾驶，按全人工驾驶到辅助驾驶再到全托管驾驶的路径，划分为L1至L5五个发展阶段。行业演进关键节点清晰：24年底25年初，OpenAI推出o1模型、Deep Seek推出RE模型，大模型上下文窗口大幅拓展，同步出现Manus、DeepResearch等功能；今年初，AI coding能力进一步提升，Claude Code、Open Cloud、WorkBuddy等工具陆续问世，相关公司也于今年3月率先推出投研领域的Alpha Claw，属于金融投研版的Claude Code，这一阶段的核心特征是AI可在更长上下文窗口中调用工具；2026年10月底，行业将迎来Personal Agent浪潮，推动AI能力从终极分析师向机助角色进化，这是当前确定性较高的行业趋势。

未来发展趋势展望：Personal Agent是未来极具潜力的产品形态，核心特征区别于现有AI工具“用户提问才答复”的模式：a. 可基于用户每日持仓、偏好及市场反馈，主动推送用户所需的信息与判断；b. 可打造7×24小时不间断值班的agent集群为用户提供服务。至于L5阶段的AI基金经理，随着RSI逐渐逼近，相关落地规划已逐步提上日程，但当前预判其落地时间还为时过早，后续行业有相关进展将同步分享。

6、Skill广场生态与运营规则

Skill广场功能与激励规则：目前平台已有个人用户、机构投资人群体分享自主研发的投研skill供其他用户使用，平台同时设置了对应的分享激励规则：用户分享一个skill可获得1000222000积分，积分可用于使用平台模型；若分享的skill实用性较强，其他投资者每调用一次，分享者可额外获得100积分，若skill调用量达数千次，分享者可获得充足积分用于平台功能使用。
平台上已出现多个实用的量化skill，典型案例为量化版“A股十大祖训”skill，该skill将传统民间投研经验拆解为可批量选股的定量化标准，具体包括：
a. 高开要跑路：中小盘个股高开2个点，开盘30分钟内无法守住涨幅且成交缩量；
b. 尾盘急拉，非奸即盗：个股14:50之后涨幅≥0.8%，或最后10分钟量比≥3且无对应板块联动行情；
c. 利好兑现就是利空：若上市公司发布利好公告前5个交易日累计涨幅已超过15%，说明利好预期已充分反应。
此类量化skill可直接适配平台AlphaClaw工具生成代码实现批量选股，无需用户手动套入规则验证，用户也可参考平台已有的优质skill，结合自有投研逻辑加工融合形成个人专属skill。此前十一前王开老师团队已就相关技能做过整体介绍，感兴趣可回看对应会议纪要。

平台后续建设方向：后续平台将从多维度推进能力升级，核心布局方向包括：

1. 模型接入层面：已与国内一线模型大厂深度合作，可在模型正式发布前获取内测版本，完成测试后第一时间上线供用户使用，保障用户可使用市场最前沿的大模型能力；

2. 生态建设层面：将持续优化HARNESS系统，推进Skill广场专业化建设，配套完善投研语料库（覆盖各类研报、会议纪要等核心投研资料），最终实现一线投研语料、顶尖大模型能力、优质投研skill三者深度融合，为用户提供极致的投研工具使用体验。

7、平台动态与前期问题回应

平台功能补充说明：Alpha Engine桌面端与网页端功能完全同步，用户可在网页端选择对应入口，切换自有模型、配置所需的大模型空间套餐，两端同步适配投研需求。针对界面疑问，本次演示所用界面为Alpha Engine界面，其中Alpha Claw是适配金融架构、针对投研场景开发的专属工具。相关测评PPT后续将分享给王开老师团队，有需求的用户可向该团队申请获取。

融资动态与问题回应：针对利尔化学案例的验证相关问题，目前投研测评结果未与后续投资收益挂钩，避免引入额外变量影响测评本身的准确性；后续若推出面向投资领域而非投研领域的测评标准，会考虑设置闭环验证。熵简科技近日完成C轮融资，蚂蚁集团正式成为公司战略股东及外部第一大股东，融资资金将主要投向两大方向：a.持续加大产品研发投入；b.提高TOKEN补贴力度，支持用户试用成本较高的复杂大模型，更好适配投研工作流需求。

8、AI时代投研从业者能力定位

短期人机分工边界：半年到1年内人与AI的分工边界明确，核心分工逻辑为：人负责提出专业问题、确定研究方向，AI负责执行落地。该分工逻辑的核心原因在于金融投研属于专业场景，语料较为稀疏，大模型训练能力天然存在天花板，很难提出高质量、精准的问题。
投研人员的核心能力应转向优质想法产出，而非执行类能力：当前执行层面工作越来越廉价，想法本身价值远高于执行能力，不建议将精力放在PPT排版、报告格式优化等可被AI替代的执行类工作上。
AI可显著放大投研执行杠杆，举例来看：a. 基本面投研场景下，确定跟踪CSP的Kimi K3.1 Pro边际增长、AI金融应用的存货变动及一级融资情况等核心研究问题后，可让AI定期跟踪产出报告，大幅节省人工成本；b. 量化投研场景下，若要验证高管眨眼频次这类超额收益因子，传统模式下需要组建视觉识别、数据统计、模型回测团队，完整验证耗时1个月，而当前借助Alpha Claw、WorkBuddy等工具即可快速完成初步验证，平台内置的庞大投研语料库涵盖各类研报、会议纪要，可借鉴前人经验优化分析结果。
AI的执行杠杆可将投研人员的个股覆盖范围从原来的20个个股拓展至3000只个股，过往积累的未验证的投资思路、因子想法均可快速验证落地，有效思路可直接投入实战，过往积攒的投研思路笔记相当于货真价实的金矿。

长期技术影响展望：ASI是指能够自主设计出下一代更强机器的超级智能，一旦落地将引发智能爆炸，对全行业乃至全人类发展产生根本性影响。当前全球AI研发仍在快速推进，今年海外模型能力仍在持续迭代，Anthropic已将“AI自主迭代（AI can build itself）”作为下一个里程碑，视为科技史上的重大发展节点。
若ASI在明后年跨过临界点，其影响将远超投研行业范畴，全人类都需要调整自身发展目标，甚至AI应用研发、大模型研发的商业价值也将大幅降低。以数学研究领域为例，当前OpenAI发布722篇研究手稿后，数学家形成两类观点：一类认为AI仅能摘取低垂的研究果实，人类仍应占据主导地位；另一类认为AI已有诺奖级别的研究产出，需要思考如何与AI相处、利用AI提升科研效率。当前AI生成数学证明的速度远超人类核验能力，AI一天可产出100种证明方式，而人类一周仅能核验1种，未来AI通过对抗学习完成的数学证明验证，可靠性可能超过人类验证。
当前判断ASI落地仍为时尚早，建议走一步看一步，明年再跟踪相关技术迭代的趋势变化。

9、大模型金融能力优化方法

短期优化方案：提升大模型金融领域输出质量的立竿见影方法是优先使用当前全球最强的大模型，可开通Alpha Claw上的飞波5模型测试效果，若测试达标存在产品化机会。现阶段harness层面调整是核心优化方向。与强模型交互的提示词设计核心原则为尽量减少预设框架，仅给出模糊正确的明确目标即可，不要设置操作流程、限制条件类的枷锁，无需精心设计提示词，像日常聊天一样下达指令的效果往往远好于堆砌大量提示词要求模型按规则输出。

长期训练方向：专业领域后训练的核心逻辑是构建定量化的反馈闭环，明确区分回答优劣的评价标准，积累领域COT数据开展训练，比如Kimi K3.1 Pro就是在K3基础上通过这类后训练完成优化的，不过这类工作涉及模型后训练环节，需投入较多资源，也是当前各大模型厂商重点布局的方向。下一代大模型能力提升预期方面，明年或下年底下一代模型推出后整体能力会进一步抬升，当前的逻辑总结、价值判断类问题或将可被轻易解决；大模型幻觉问题改善趋势明显，去年市场普遍关注幻觉问题，今年提及频率已大幅下降，未来甚至可能降至零。

10、投研工具应用相关问题解答

功能与安全相关问题：技术分析功能方面，平台Skill广场覆盖缠论、威科夫等成熟技术分析Skill，支持用户自定义专属分析理论，同时自带A股、港股、美股日度行情数据，用户可直接调用已有Skill或自建分析体系结合平台数据完成综合分析。
隐私安全保障方面，平台提供两类使用方案适配不同需求：a.云端使用：仅读取用户在平台内自行配置编辑的自选股，支持其他平台自选股批量导入；b.桌面端使用：覆盖mac、windows系统，可关联本地工作区，敏感自选股等数据无需上传，完全在本地运行，主打安全属性，安全性优于网页端，建议有敏感数据需求的用户优先选用。
投研结论验证方面，可通过AI生成回测框架对批量个股做事件驱动分析验证结论有效性，无需掌握Backtrader等专业量化框架，AI仅需5分钟即可生成回测框架，用户仅需具备量化思维，无需自行准备算力或编写底层代码。

行业与产品相关问题：信息平权背景下的投资竞争逻辑分为两个阶段：a.短期维度：信息平权仅能将信息获取能力60分的提升至80分，而大买通过一线产业调研、与产业人士沟通获取的一手信息可达95分，叠加投研方法论优势，仍可获取显著超额收益，平台推出后买方、卖方一线产业调研热情不减反增；b.长期维度：投资竞争核心转变为AI工具的深度应用能力，未来可能出现端到端的AI专属投资流派，与现有价值投资、成长股投资、高频量价、量化打板等主流投资流派博弈，当前头部基金公司、清华相关团队已开展端到端投资模型训练研究。今年AI投研工具普及度持续提升，除机构投资者外个人散户也已广泛使用，若AI输出同质化结论可能加剧市场波动，因此平台定位为千人千面投研工具，支持用户导入私有语料、会议纪要、投研方法论、专属Skill构建独特上下文，输出差异化分析结论。
客户覆盖方面，平台已覆盖9000余家资管机构，核心客户包括嘉实基金等头部公募、高毅等头部私募、险资、量化机构，以及美团、滴滴、小米等互联网公司战投部门。产品提供三类使用渠道：网页端、桌面端、APP，用户可根据自身需求选择。
AI对投资体系的融合作用方面，AI正在打破主观投资与量化投资的知识壁垒，推动二者深度融合：a.主观投资者可将自身投研逻辑转化为量化因子，每日输出信号，结合基本面判断完成择时，无需掌握深度量化技能即可借助中低频量化方法提升投资效率；b.量化投资者当前量价因子挖掘已相对充分，可借助大模型从海量文本中挖掘量化基本面因子，拓展增量收益来源。

Q&A

Q：熵简科技Alpha Engine的界面是否为WorkBuddy，以及利尔化学测评案例后续是否有逐步验证？

A：Alpha Engine的界面不是WorkBuddy，其中的Alpha Claw是适用于金融架构的类似WorkBuddy的工具。关于利尔化学测评案例，目前尚未将回答结果与后续投资收益挂钩进行闭环验证，以避免引入其他变量；若未来制定面向投资领域而非投研领域的测评标准，会考虑进行闭环验证。

Q：会议分享的PPT是否可以分享，以及熵简科技近期的融资情况如何？

A：会议PPT可以分享，后续会提供给王开团队供投资者索取。此外，熵简科技近日完成了一轮C轮融资，蚂蚁集团正式成为公司的战略股东和外部第一大股东，融资将用于继续产品研发并提高Token补贴力度，支持用户使用更复杂的昂贵模型。

Q：在AI模型能力不断增强的背景下，机构投资者的能力边界在哪里，最终应该培养哪方面的能力？

A：短期内，人与AI的边界在于人类负责提出专业问题和选择研究方向，AI负责执行，因为金融投研语料稀疏，AI难以提出高质量准确问题。执行将变得越来越廉价，想法和框架更具价值，投资者应利用AI作为研究助理快速验证想法并沉淀为Skill批量执行，而不应将精力集中在写报告等执行层面。长期终局取决于ASI是否到来，若ASI实现智能爆炸，全人类都需要调整人生目标。

Q：使用RAG和知识库堆砌金融语料生成行研报告时，发现大模型仅做语料总结而无法提出有价值的行业判断，应如何在训练或系统层面进行优化调整？

A：提出有价值的行业判断属于高阶投研能力，现阶段建议首先使用全球最强的大模型以获得立竿见影的效果，其次在Harness层面进行调整优化。如果这两方面做好仍无法实现，可能需要等待下一代模型能力的整体提升，目前暂不涉及模型后训练层面的修改。

Q：在具体提示词表述上，如何引导大模型产生自主想法并生成具有逻辑性和可证伪性的投资理念？

A：建议尽量少给大模型设置框架和枷锁，而是提供模糊正确的方向和明确目标，像日常聊天一样自然发号施令，效果往往优于精心设计的提示词。此外，可以为模型设计反馈链路和客观定量化的评价标准闭环，但这涉及专业领域的模型后训练和积累领域COT数据，需要投入较多资源。随着明年或下年底下一代模型的推出，此类问题可能会更容易解决。

Q：能否使用大模型预测股价走势、支撑位和估值，以及如何应用缠论等技术分析体系？

A：可以在Alpha Engine的Skill广场使用用户分享的技术分析Skill，结合平台自带的A股、港股、美股日度行情数据进行综合分析和可视化。如果没有合适的理论，用户可以自建Skill并结合平台数据进行分析。

Q：Personal Agent在获取用户持仓信息时，如何保障隐私和数据安全？

A：保障隐私安全有两种方式：一是在云端使用，平台只读取用户在Alpha Engine中配置和导入的自选股，不读取其他数据；二是对于非常敏感的自选股清单，建议下载Alpha Engine桌面端，在本地关联工作区文件进行分析，无需将资料上传至云端，从而确保数据安全。

Q：验证大模型对利尔化学等个股论断准确性的难点在哪里，是否需要算力或量化思维？

A：验证AI论断准确性的最好方式是让AI对批量个股进行事件驱动分析并得出结论，然后进行批量回测。这需要个人具备一定的量化思维，但不需要真正准备算力或自学Backtrader等量化框架，可以直接让AI编写回测框架，从而降低研究门槛。

Q：在信息平权和技术平权的背景下，投资的对手盘是谁，投资者之间主要竞争什么？

A：短期来看，信息平权主要将普通的信息获取能力从60分提升至80分，而大买方通过一线产业调研获取的95分信息优势依然存在，且投研方法论平权会放大个人能力，因此具备信息和方法论优势的投资者仍有超额收益。长期来看，AI将超级放大个体投研能力，对AI工具的深度应用能力将成为投资经理的核心竞争维度；同时，AI可能衍生出端到端的全新投资方法论，与人类主流投资流派进行深度博弈。

Q：熵简科技的第一大客户是谁，国内竞争对手有哪些，客户覆盖情况如何？

A：熵简科技覆盖了9000多家资管机构，头部客户包括嘉实基金、高毅等私募、险资、量化机构以及美团、滴滴、小米等互联网战投部门。关于第一大客户和国内竞对的具体名单，发言中未作详细披露，仅展示了部分核心客户清单。

Q：量化投资和主观多头在AI技能应用上是否有明显区别，两者的发展趋势是什么？

A：量化和主观多头在基础技能集上差别较大，但AI正在打破两者之间的知识墙，促使二者走向融合。主观投资经理可借助AI编写量化因子代码生成信号，结合基本面判断进行择时和加仓；量化团队在量价因子挖掘透彻后，正招聘量化基本面分析师，利用大模型从海量文本中挖掘基本面因子。建议主动投资者适当学习中低频量化技能以提升择时能力。

 温馨提示：内容源于第三方以及公开平台，仅供用户参考，恕本平台对内容合法性、真实性、准确性不承担责任。如有异议/反馈可与平台客服联系处理（微信：_LYSD_）