核心观点
　　LLM技术发展从预训练架构创新向后训练和推理驱动演绎。我们复盘LLM (Large Language Model)的技术路径发展，2025年以前模型厂商通过堆算力、数据，做大模型参数，从而发挥预训练scaling law，打造底模的智能基础，以此锁定继续在AI牌桌上角逐的入场券，即我们认为预训练是大模型竞赛的首要核心壁垒。2025年后以DeepSeek R1为代表的推理模型，发挥RL阶段Scaling Law，使其成为提升大模型能力的核心手段。展望26年，LLM主流架构基本确定，但行业仍在探索更高效架构，最大化利用算力提升建模效率的路径；此外模型性能改进的核心动能转向后训练和推理阶段，包括RLVR向其他领域拓展、以及推理时的inference-time scaling等，后者仍对计算资源有较高要求。
　　行业CapEX高投入趋势确定，投入领先的厂商更有可能拉开技术代差。从25~28年CapEX投入量级的3年CAGR增速看，基数和增速均较快的包括OpenAI(147%)/Anthropic(96%)/谷歌(39%)/Meta(35%)。模型厂商的投入量级有所分化，如海外互联网厂商谷歌和Meta的CapEX投入量级在千亿美元以上，国内互联网厂商(阿里、腾讯、字节)和海外AI模型大厂(OpenAI、Anthropic)投入量级在百亿美元，国内AI模型独立厂商智谱和MiniMax的研发投入均在百亿美元以内。我们认为投入量级的差距主要是研发的试错成本，更多的算力和人才，可以支撑不同技术路线的同时探索，或是此前拉开技术代差的原因之一。因此我们判断大模型赛道的竞争或是两阶段的往复出现，本质是由技术进步决定，拥有更高CapEX投入和人才密度的厂商更有可能推动技术范式突破，由此直接提升其竞争优势；而在技术发展平台期，各家模型智力差距收窄，更关注快速迭代harness、形成更好产品体验，由此带来强爆发的商业化增长。
　　Coding成为现阶段LLM商业化价值最高的场景，技术特性与闭环迭代能力推动其率先爆发。Coding场景的先发优势源于两大技术支撑：内生思维链让模型可自发完成推理与思考过程，Coding的可验证性则通过反馈循环实现能力持续提升，二者形成完整迭代闭环。我们梳理当前头部AI coding产品ARR，测算当前全球Coding市场规模约80亿美元，CR4达86%，行业集中度高。长期来看，基于人力成本替代逻辑，远期中美两国Coding的TAM有望达4000亿美元。整体来看，国内厂商尚未形成海外头部厂商的技术绝对优势，随着技术迭代与场景深耕，聚焦核心技术、贴合本土需求的模型厂商有望实现突破，挖掘Coding市场红利。
　　投资建议和风险提示
　　投资建议：我们认为应重视现有模型厂商稀缺性价值，相关标的：阿里巴巴-W(09988，买入)、谷歌(ALPHABET)-A(GOOGL.O，未评级)、智谱(02513，未评级)、MINIMAX-W(00100，未评级)。此外关注多模态技术领先且商业化闭环的公司。相关标的：谷歌(ALPHABET)-A(GOOGL.O，未评级)、快手-W(01024，买入)、MINIMAX-WP(00100，未评级)、美图公司(01357，买入)。
　　风险提示：
　　AI技术迭代不及预期。AI周期的发展进程取决于底层模型技术能力的演进趋势，若技术推进不及预期会影响AI产业发展表现和速度。
　　 AI应用落地不及预期。技术嫁接到应用侧存在一定的落地风险
　　 AI商业化变现不及预期。因技术持续变化，产品应用形态和商业化路径都尚不清晰，加之算力成本还较为昂贵，以及国内用户付费习惯在培养中，AI商业模式存在不确定性
　　测算误差风险。因数据披露口径差异等因素，或导致测算存在误差。