华泰证券-AI算力行业深度报告

华泰证券：Agent加速有望驱动算力通胀持续

1.1. 国内模型：从基座升级走向任务执行闭环

智谱：基座、视觉与产品入口协同推进

智谱本轮迭代以 Agent 场景为核心，推动基座能力、多模态能力及执行能力同步提升。据Z.ai官网3月15日发布说明，GLM-5-Turbo面向高吞吐OpenClaw类任务，强化Tool Calling、复杂指令拆解、定时与持续性任务及长链路执行能力；据4月1日发布说明，GLM-5V-Turbo补足视觉能力，可理解界面、设计稿、图表与文档，并强化多模态工具调用与GUI任务执行；根据4月7日发布说明，GLM-5.1 面向 Long-Horizon Task，支持单次运行最长8小时，形成从规划、执行到迭代优化的完整任务链路。模型能力呈现出由单点提升向多能力协同演进的特征。

智谱产品化路径逐步清晰并延伸至执行体系。在模型能力持续提升基础上，智谱产品化路径逐步明确。据Z.ai开发者文档与产品介绍，AutoClaw支持多模型接入，并通过视觉能力、浏览器执行及 Skill 调用扩展复杂工作流；据智谱AI官方微信公众号披露，GLM-5-Turbo已接入机械革命“龙虾盒子”，推动AI Agent终端形态落地。整体路径与“模型升级—工具增强—产品落地”的逻辑一致，显示其正在构建面向开发者与企业的任务执行体系。

长程任务与多模态能力拓展应用边界。长时程任务能力与多模态能力的同步提升，推动模型应用边界持续拓展。据智谱 AI 官方 X 账号与官方博客4月8日披露，GLM-5.1 在SWE-Bench Pro、Terminal-Bench及NL2Repo等评测中位列开源模型前列，并支持单次任务持续运行超过8小时；据智谱AI官方微信公众号4月1日披露，GLM-5V-Turbo在预训练阶段实现视觉与文本深度融合，并通过CogViT视觉编码器提升物体识别、空间理解与细粒度分析能力，在PinchBench、ClawEval及ZClawBench等评测中取得较好表现。在应用层面，模型已在AutoClaw 中支持“股票分析师”等 Skill，可解析 K 线图、估值图及研报图表，实现多源数据并行处理并输出图文结合结果。

MiniMax：模型开始参与自身演进

MiniMax 推动模型参与自身演进形成研发闭环。MiniMax 本轮迭代的核心在于模型参与自身研发过程。据MiniMax官网3月18日发布信息，M2.7能够构建复杂 Agent Harness，并通过Agent Teams、复杂Skills与Tool Search完成高复杂度生产力任务；在模型训练过程中，M2.7被用于更新memory、辅助强化学习实验并反向优化Harness与训练流程。同时，官网披露M2.7在SWE-Pro、VIBE-Pro、Terminal Bench 2及GDPval-AA 等任务中表现较好，体现出其在软件工程与专业场景中的综合交付能力。

MiniMax 构建 Agent 贯穿研发全流程能力体系。MiniMax 通过 Agent 体系将模型能力延伸至研发全流程。据 MiniMax 官网披露，M2.7 在 MLE Bench Lite 的22个机器学习任务中进行验证，覆盖数据构建、模型训练、推理架构及评测等关键环节；模型在执行过程中能够自主构建所需技能模块，并基于任务结果动态调整执行路径与策略，实现对复杂研发流程的端到端参与。该体系使模型由单一能力工具向研发流程参与主体转变。

记忆与自反馈机制推动训练范式演进。记忆、自反馈与自优化机制成为MiniMax训练体系的重要组成。据 MiniMax 官网披露，其核心框架包括：1）通过短时记忆记录每轮任务结果；2）通过自反馈机制对当前输出进行评估并提出改进方向；3）基于历史记忆与反馈链实现下一轮自优化。该机制使模型在多轮迭代中持续积累经验并改善表现，推动训练模式向模型参与优化演进。

小米：多模态底座加速补位 Agent 场景

小米加速补齐多模态能力并强化 Agent 场景定位。小米本轮模型推进重点在于多模态底座补齐与Agent场景强化。据小米官方微信公众号披露，其推出MiMo系列模型并持续迭代，其中MiMo-V2-Pro明确定位于高强度Agent场景，强调在复杂任务中的执行能力。同时，小米在语音方向推出MiMo-V2-TTS，基于自研Audio Tokenizer与多码本语音－文本联合建模架构，提升语音生成的自然度与稳定性，推动多模态能力向实际交互场景延伸。整体来看，小米正从单一模态能力向语音、视觉与文本融合的多模态体系过渡。

围绕AIoT生态推进模型落地路径。小米模型推进路径与其硬件生态深度绑定。根据产品定位信息，MiMo系列模型能力优先服务于其终端设备与AIoT体系，通过端侧与云侧协同实现能力落地。从结构上看，其通过“模型能力—终端设备—用户场景”的联动，将语音、多模态理解与Agent执行能力嵌入智能硬件使用流程中，使模型不仅承担理解与生成功能，同时参与实际任务执行，强化应用闭环与用户触达能力。

多模态底座叠加终端入口为端侧Agent落地奠定基础。在模型体系构建基础上，小米进一步将能力与终端生态结合。据小米官方微信公众号披露，上述模型能力将服务于其终端设备与AIoT生态，通过统一模型底座实现语音、视觉与文本能力在实际场景中的协同调用。从路径上看，多模态能力提供感知基础，Agent能力负责任务执行，而终端入口与系统权限则提供落地环境与数据闭环，为后续端侧Agent的实际应用奠定基础。该模式体现出模型能力与硬件生态协同推进的特征。

DeepSeek：国产化软硬件适配或是 V4 重点

DeepSeek V4的核心看点或是国产软硬件适配，而非单纯的能力抬升。4月3日，据The Information信息，DeepSeek新一代模型V4预计将在未来数周发布，且过去数月一直与华为、寒武纪合作，重写部分底层代码模块，以确保模型能够在国产芯片上稳定运行；同时，DeepSeek并未按行业惯例向美国芯片厂商提供早期优化访问权限，而是优先向国内供应链开放。由此看，V4更像是在外部算力约束与国产替代诉求下，对模型底座、推理路径与部署体系进行的一次系统性重构。这次DeepSeek V4更新重点或不在于能力提升，而在于国产软硬件的适配。

DeepSeek近几轮技术演进，已经预示出这一方向。据DeepSeek官网信息，2025年8月的DeepSeek-V3.1 重点是混合推理架构、Agent能力增强与推理效率改善；9月的DeepSeek-V3.2-Exp 则在公开评测表现与V3.1-Terminus基本相当的前提下，引入DSA稀疏注意力，用于提升长上下文场景下的训练与推理效率，并同步开放 TileLang 内核用于研究与快速原型开发。这意味着DeepSeek近期更新的主线，并不是持续追求单轮版本在Benchmark上的大幅跳升，而是围绕效率、工具使用、长上下文与底层算子栈迁移能力做铺垫，从而为国产生态承接更复杂模型服务创造条件。

V4对国产生态的意义，还在于它可能标志着DeepSeek从“依赖英伟达”走向“先完成推理侧国产替代”的现实拐点。3月27日，据Reuters信息，国内950PR较前代产品对CUDA体系更友好，样片已于1月送测，量产预计随后启动；面向模型训练和解码阶段的950DT预计在2026年四季度推出。V4当前更现实的突破方向，或是率先实现推理部署侧的国产化闭环，再为训练侧迁移逐步铺路，这比单一能力分数的变化更值得重视。

DeepSeek 的组织文化与资源配置，或也一定程度上侧面印证了 V4 或押注在适配与原创架构上。据晚点LatePost信息，DeepSeek人数已超过幻方时期规模，梁文锋深度参与基础模型架构定版，基础模型架构、Infra与数据团队各有小几十人；公司内部没有明确绩效考核和DDL，延续“自然分工”机制，且仍保留对长周期研究的投入。与此同时，团队已开始重视产品化与商业化，但C端目前仍以Chatbot为主，尚未全面进入AI编程和通用Agent等热门应用方向。这种组织形态决定了DeepSeek并不急于在每一轮版本上做外显能力冲刺，而更倾向于把有限资源投向基础架构、系统效率和生态兼容这些更长期的变量。

从《南华早报》在26年4月8日发布的DeepSeek新模式测试结果来看，V4仍处于“发布窗口临近、形态逐步浮现、能力边界尚未完全确认”的阶段。目前，DeepSeek 新模型或已在部分用户中测试，界面或包含快速模式、专家模式与视觉模式，能力上更偏向多模态推理和Agent体系补齐；或存在接近300B的先行版本，以及更大参数版本后续推出的可能。但无论具体参数规模如何变化，V4更值得跟踪的验证指标，不是单一评测榜单名次，而是其在国产算力及软件栈上的可用性、稳定性、成本效率和开发者迁移门槛能否形成闭环。我们认为，若这一闭环成立，V4的产业意义将明显高于一次常规模型升级。