大模型系列报告（三）：从“思考”到“行动”的系统级重构

）：计算机8%0%-8%1.《11月车市基本符合预期，英伟达开源VLA模型》2025-12-11ScaleX640》2025-11-092025-10-26行业专题报告/2025.12.16范式优化。2025年四季度，头部厂商在模型侧的竞争，从追求对话速度和表层“生成质量”的System1快速反应，转向构建具备长链条推理、自我反思与工具调用能力的System2慢思考体系。Google通过Gemini3+DeepThink把多步推理产品化，OpenAI在“红色警报”下押注Garlic线修复预训练缺陷、提升知识密度，并推出GPT5.2，DeepSeek则依托长上下文强化学习和工程优化，在AIME、HMMT、IMO等严苛数学竞赛中超越GPT-5High的同时，将百万Token成本压缩到闭源巨头的几十分之一。真正具备持续竞争力的，不再是单纯“更大的模型”，而是单位算力下更高的有效智能密度、更稳定的思考链以及更优的成本效率。向行动。行业焦点正在从基准测试榜单，迁移到“谁能在真实场景中改造用户行为与任务流程”。Gemini3代表的“搜索即软件”，用生成式界面和交互式工具重构Search；豆包手机助手依托OS级权限打通多App，让自动比价、攻略规划等任务变成一句话即可触发的行动链；阿里千问App通过打通淘宝、高德、饿了么、飞猪等API，把服务能力拆解为可编排的“服务原子”；快手可灵AI则将视频生产从“抽盲盒式生成”升级为可编辑、可控、可复用的工业流水线。能否将模型能力嵌入操作系统与超级App，将自然语言直接翻译为一整套可执行动作，正在成为新一轮入口争夺的核心。设计者”。在软件工程、内容生产与服务履约等多个环节，AI正把人类从“亲自写代码、亲自剪视频”的手工生产者，推向“设计问题、组织行动链、验收结果”的新角色。在国内，DeepSeek通过“高推理密度+低成本”的开源路径，加上豆包、千问、可灵等在入口和场景侧的落地，正在形成“模型—入口—算力”三线合围的中国样本。这意味着未来的核心竞争力，将更多体现在思考链设计能力、行动链编排能力以及对AI生产方式的驾驭能力上。投资建议：见正文。风险提示：技术迭代不及预期的风险；商业化落地不及预期的风险；政策支持不及预期风险；全球宏观经济风险。 灬灬灬…4 灬灬灬灬灬灬灬………………6 灬………………6 灬灬灬灬灬灬灬灬灬灬…………9 灬………灬…………灬11 灬灬……………灬灬………灬13 灬灬……………灬灬………………13 灬灬……………灬灬灬15 灬灬……………灬灬16 灬灬……灬灬灬16 灬灬………………灬……………18 灬灬……………灬灬………………灬灬…………灬19 灬灬灬灬……………灬灬………………灬……………灬20 灬灬灬…灬灬…灬灬灬灬灬…4 灬灬灬灬灬灬灬…5 灬…………灬………灬………灬灬………灬………灬灬…灬5 灬灬………………7 灬灬灬……灬………灬灬…7 灬灬……………灬灬7 灬灬灬………8 灬灬……灬灬……灬灬灬…9 灬灬灬灬…………灬灬灬灬灬灬灬10 灬灬灬灬…………灬灬灬灬11 灬………灬…………灬……灬113 11 12 13图15：DeepSeek-V3.2/V3.2-Speciale与主流前沿模型在推理与Agent能力上的基准对比 14 15 16 17 17 17 17 1941全球大模型结构性拐点：从“快思考”到“慢思考”，从“生成”到“行动”全球大模型正从“快问快答的生成模型”迈向“能推理、能行动的智能体”，进入新是否“想得清楚”）与真实系统任务执行（看是否“干得成事”）。ZhongZhiLi等在《Fromsystem1tosystem2:Asurveyofreasoninglargelanguage蒙特卡洛树搜索、强化学习等技术结合，再辅以结构搜索、奖励建模、宏动作框架等核心方法，推动模型从System1向System2演进。简言之，模型从早期依赖模式匹配的“快思考聊天机器人”，走向具备System2特征、能够分步规数据来源：SebastainRaschka论文《BeyondStandardLLMs》，财通证券研究所从算力堆砌到算法与训练范式优化”的技术路“慢思考”，本质是让模型在给出答案前先“多想几步”，通过结构化推理链条提高决策质量和可控性。在技术路径上，一方面在训练阶段显式引入链式思过程监督数据和强化学习，让模型习得“先拆解、再推理、后给结论”的解决问题模式，而非直接从问题跳到答案；另一方面在推理阶段通过生成多条中间思路并打分筛选、先生成详细推理草稿再压缩成简洁结论、甚至采用“思维树搜索”等方式，在不同推理路径之间进行搜索和自我校正。与传统“一次前向推理给出单点答案”的“快思考”相比，“慢思考”在时间和算力上成本更高，但换来的收益是更长、更稳定的逻辑链条，更低的幻觉率，以及更强的可解释性和安全可5数据来源：ZhongZhiLi等论文《Fromsystem1tosystem2:Asurveyofreasoninglargelanguagemodels》，财通证券研究所注：传统推理模型（如基于规则和符号逻辑的系统）在结构化领域（金融、医疗、法律）中提供确定性和可解释性，依赖专家知识构建的严谨逻辑框架，适合小规模专业场景。而新型推理模型（如LLMs驱动的系统）通过数据驱动和概头部厂商围绕System2能力加速迭代，Gemini3与DeepSeek-V3.2等新一代模型不再满足于基于统计模式的快速预测，而是疏MoE架构和长上下文训练，显著拉长推理链深度，让模型可以“多想几步再Apex等高难度测试中的领先表现，意味着其在数学与编程等领域已达到“博士化奖励设计和思维链搜索路径，可以在成本远低于闭源巨头的前提下，实现更强数据来源：LMArena官方，财通证券研究所6是从“能说”走向“会做”的必要前提：在数学、代码、科学推理等高结构化任务中，它显著降低“胡编乱造”，让答案不只像真而且细节更能自洽；在多步计务链执行提供更稳的底座；同时推理路径更显性、可记录，企业在审计、合规与追溯上有了抓手，使模型更可控地进入金融、政务、医疗等高敏感流程。应用侧也因此从“对话框工具”跃迁为“操作系统级沿着“从快思考到慢思考、从生成到行动”的路径加速演化，竞争也从比参数和2海外路径：推理、防御与重塑海外巨头之间的竞争博弈，已不再停留在“模型评分谁更高”的单一维度，而是逐化，并通过核心入口直接触达终端用户2）在算力约束日生产方式和组织结构与新一代AI深度耦构和流量入口的双重升级重新转入进攻状态；OpenAI则从此前的“遥遥领先”转为在“红色警报”机制下进行防御性调整；Anthr调研为抓手，系统呈现出生成式AI对软件生产关系和人才结构的重塑效应。次推理中激活少量“专家”子网络，在兼顾单位算力成本的前提下，把有效参数能力。在此基础上，Gemini3引入面向复杂任务的“DeepThink”增强推理模式：在Humanity'sLastExam中，标准模式得分为37.5%，开启DeepThink后跃升至41.0%（ClaudeSonnet4.5仅为13.7%在GPQADiamond中得分93.8%；在MathArenaApex测试中取得23.4%，远超ClaudeSonnet4.5的1.6%。已有技术披露显示，DeepThink并非简单“拉长思考时间”，而是在推理阶段引入多步推理链与自我验证，并针对ARC-AGI-2等需要代码执行的基准开放更高推理预算，从而在系统2而是稀疏MoE架构、超长上下文、多模态感知与DeepThink推理范式的叠加结果，使其在高难度数学、科学及综合推理测试中，对传统单轮“快思考”模型7注：展示Gemini3在LMArena综合得分以及Humanity’sLastExamSonnet4.5等主流闭源模型做横向对比，突出其在开启DeepThink模式后，慢思考推理能力的系统性领先。接封装进用户入口层：以“核聚变可视化”示例，当用户提出“讲讲核聚变并画在结果页中渲染动态可视化效果，用户可以直接在搜索界面观看、调整参数、理解物理过程；在体育教学等场景中，用户上传一段打球视频，界面左侧保留原始数据来源：Google官网，财通证券研究所数据来源：Google官网，财通证券研究所总营收约56.6%；YouTubeAds约361亿美元，占比10.3%，合计广告业务8Services实现收入871亿美元，增长14%；Search&other元，增长15%；YouTubeAds实现收入103亿美元，同比增长15%；订阅与Gemini家族在Cloud、Workspace、YouTube等产品线的落地，是驱动查询图7：GoogleServices各业务收入结构及同比增速（2从业务结构看，上述各条线的加速并非彼此孤立的单点爆发，而是沿着“入口—IaaS—多端产品协同”的完整链条被系统性放大：Search和YouTube作为超l流量护城河：即便在AI原生搜索和多入口竞争加剧的背景下，2024年Google在全球搜索市场的份额仍约90%，对Bing等竞争对手保持数量级9图8：Alphabet3Q2025实现“首个千亿美元季度”注：季度收入首次突破1,000亿美元；旗下19个模型（含Gemini）合计收入同比增长约34%，在手订单（backlog）约1,550亿美元；GoogleOne与YouTube等合计付费订l基础设施护城河：2025年Alphabet将全年资本开支指引抬升至910-930Search、Chrome、Android、YouTube、Workspace以及GeminiApp广告的相关性和转化率，在供给侧则通过GoogleOne、Workspace、DeveloperAPI等订阅和B2B方案实现分层收费与ARPU提升。整体来一端通过“慢思考+generativeUI”显著提升用户体在财务报表上体现为搜索、视频广告与云业务的同步加速，使Google在新一轮大模型竞争中重新回到进攻一侧。2.2OpenAI：从“遥遥领先”到“红色警报”依托GPT-5.1维持了在通用大模型赛道的绝对主导：一方面，在多模态理解、代码生成和链式推理等核心能力上，GPT-5.1相比前代模型有系统性抬升，成为多数开发者和C端用户的“默认选择”；另一方面，基于GPT-5.1的ChatGPT在用户规模、生态完备度上形成显著先发优势。但随着Gemini3上线度推理评测与交互体验上实现突破，叠加Google将Gemini深度嵌入Search与Workspace等高频入口，GPT-5.1的“指标领先+流量心智”的组合优势开关键指标首次压过ChatGPT，Gemini3发布约两周后，第三方监测口径下ChatGPT日活跃用户出现约6%的阶段性回调。数据来源：ArtificialAnalysis，财通证券研究所注：2023-2024年OpenAI长期领先，2024年下半年起Meta、X.AI先后逼近并短暂反超，2025年Google模型在综合测试中位居前“收缩战线-资源回流-中期版本反击”：内部启动高强度应急机制（业内常称“CodeRed”阶段性暂停广告等边缘探索及部分智能体平台类非核心投入，把有限算力与研发资源集中到两条主线，其一是修复并强化ChatGPT端到端体以稳住存量用户与付费转化；其二是推进下一代推理与代码能力的模型线路迭代控的参数与算力预算下提升知识密度、推理稳定性与工程可用性，并压低单位推理成本。2025年12月12日发布的GPT-5.2通过Instant/Thinking/Pro把模型从“能回答”推进到“能交付”，在代码、长链推理、多工具调用与多模态等高频生产力场景提高复杂任务胜率；据专业评审观点，GPT-5.2Thinking在70.9%情况下击败或打平顶级行业专业人士。成本侧务速度可达专业人士的11倍以上、成本不到1%，并通过更清晰的API定价、缓存输入折扣与推理强度档位，让开发者在质量-时延-费用间可控权衡，同时以体验侧则把稳定性与“少拒绝、可执行”作为同等优先级，采取渐进部署持续修际升级争取时间与生态筹码。数据来源：OpenAI官方，财通证券研究所数据来源：OpenAI官方，财通证券研究所Ventures调研显示2023年其企业端LLM使用份额已升至约32%，在企业市额约42%，Menlo也指出ClaudeCode正成为编码类用例中图12：2023年企业级LLMAPI按使用量划分的市场份额数据来源：MenloVentures，财通证券研究所注：左侧折线图展示了2023-2024以及预计2026年中，Anthropic、OpenAI、Google和示编码场景的模型市场份额结构：Anthropic约42%，OpenAI21%，Go界被打薄，工程师不再只是“亲手敲代码的工匠”，而更像“指挥AI施工的总包”——负责拆需求、定架构、拆任务、做CodeReview与风险控制，“写代码”在工注：“调试”“代码理解”“新功能实现”是核心应用场景，而“代码设初级工程师岗位正在被AI侵蚀。新人可以直接让Claude修B再经历系统化调试与啃文档的“痛苦积累期”，短期交付更快，却可能牺牲对系统本质的理解深度。未来真正稀缺的，不再是语法熟练度，而是将业务问题抽象为3国内路径：算法优化弯道超车，生态演进三线合围在上述全球趋势下，国内厂商展示出高度差异化的应对路径：一端是以阿里千问、快手可灵为代表，通过OS级权限、API生态和多模态生产工具，直接改造用户触点和生产方式，形成“模型—入口—算力”三线合围的中3.1DeepSeek：开源世界的“奇点”双版本发布，面向“日用型推理”和“极致型推理”两个方向。DeepSeek于2025年12月1日正式发布了DeepSeek-V3.2和DeepSeek-V3.2-Speciale两个版本：前者以平衡推理能力与输出长度为核心设计目标，重点服务于问答和通用Agent等高频日常场景，在公开推理类Benchmark中整体达到GPT-5水平，仅略低于Gemini-3.0-Pro；相较Kimi-K2-Thinking，V3.2在输出长度上显著压缩，有效降低了计算开销与用户等待时延。后者则是在此基础上优化的长思考增强版本，叠加了DeepSeek-Math-V2的定理证明能力，主打严谨的数学推理与逻辑验证。其在主流推理基准测试中的表现已可与Gemini-3.0-Pro相媲美，并在多个奖项中斩获金牌——其中ICPC与IO的第二名与第十名，这一成果标志着开源路线在高难度推理任务上，首次逼近乃至触及人类顶尖选手的能力边界。图15：DeepSeek-V3.2/V3.2-Speciale与主流前沿模型在推理与Agent能力上的基准对比数据来源：DeepSeek官方，财通证券研究所（昇腾）芯片及CANN软件栈的深度优化，以及对RL阶段“ScalingRLwithLongContext”的系统工程：通过放宽思维链长度限制，让模型在推理阶段用更长的“内省过程”换取更高的答题质量。相较于前一代模型DeepSeek-V3.1-Terminus，DeepSeek-V3.2在长上下文（128K）场景下，成本降低了75%到83%左右。DeepSeek用事实证明，在后训练阶段的算法与工程优化，可以在开数据来源：DeepSeek官方，财通证券研究所注：对比DeepSeekV3.2在百万Token输出上的成本，与GPT-5和Gemini3Pro等闭源模型的成本差异，并展示相较前一代DeepSeek-V3.1-Terminus在最长128K上下文场景下成本约降低75%–83%的降幅，体现“更强慢思考+更低算力成本”的效果。3.2豆包AI手机助手：OS级智能体的“破壁行动”豆包AI助手绕过App围墙直达OS示了系统级最高权限下的Agent能力——通过屏幕视觉识别（OCR）与模拟触定联系人。配合实体“AI按键”与“屏幕语境感知”（ScreenAwareness）能力，豆包可以在微信聊天界面一键读取并修改图片，消除“截图－跳转－处理－返回”数据来源：豆包，财通证券研究所鸡”、自动刷小红书做攻略并通过微信发送）竞争焦点进入“掌握系统级控制权和流量入口”的深水区。近期微信及多家银行环境异常”导致强制下线的案例，本质上是一场围绕系统级权限与入口主导权的化视角看，豆包手机助手是手机智能体时代的第一次大规模博弈预演：手机仍是3.3阿里巴巴（千问）：生态帝国的“服务原子化”与调度中枢可验证功能：一是支持长文档处理与知识工作流，如将PDF与Office文档一键生成脑图、摘要或可编辑PPT，并保持原有排版与图表结构；二是提供语音频理解能力，可将手机录音直接转为结构化要点；三是依托视觉识别与阿里电商生态联动，用户上传商品或明星服饰图片后，千问可识别款式信息1688、闲鱼等电商平台的商品链接，完成从“看图”到“下单”的习、办公、投资等场景提供多轮问答与策略建议，初步具备“对话＋办事”的双重属性。在此基础上，千问的中长期路线指向“服务原子化”与“API级一体化”的调是走“强生态＋强API”的高内聚闭环路径，以服务原子化和统一调度为核心，在阿里系内部构建执行稳定、响应快速的AI3.4快手可灵AI：多模态生成、“通感”演进与内容生产“车间化”局部编辑、镜头延展与风格重绘等多种任务，用户可以在一个输入框内用文字、并通过多视角主体验证与多图参考能力显著改善角色和场景的一致性问题。与此图19：可灵O1世界观资产生成示例模型首次在主流消费级产品中提供端到端“音画同出”，在一次生成中同步产出的工作流，大幅提升赛事解说、多角色对白、音乐表演等场景下的创作效率与沉浸感；数字人2.0通过“上传角色图—添加配观察到的变革高度同构，内容生产方式的深度重构已经进入可规阶段。快手可灵AI多模态生成，“通感”进化与内容生产重构。激动男声]伴随足球入网声说道:"Thegame大欢呼声，镜头从守门员视角捕捉足球入网瞬4从模型竞赛到系统重构，从生成内容到驱动行动当前AI产业主线正从“模型能力竞赛”进入到“系统重一指标上的领先，迁移到能否真正直达用户