2026年7月，OpenAI与Moonshot AI先后推出面向长程Agent任务的新一代模型GPT 5.6和Kimi K3。为评估新一代模型在真实金融研究场景中的综合能力，本次测评将上述两款模型与GLM-5.2进行横向比较，围绕估值建模、多因子回测和行业研究三类典型金融投研任务展开实测。相较于单轮问答测试，本次任务更强调复杂工作流下的连续执行与成果交付，不仅要求模型理解较为开放的研究需求，还需要自主拆解任务、规划执行路径，并在多个工具和数据源之间完成协同操作。
　　三类金融投研任务表现
　　综合三类投研任务的表现，三款模型均已具备完成复杂投研任务的基础能力，其中GPT 5.6 Sol综合表现最佳，在任务完成度、研究细节保留和长程执行稳定性方面均较为突出；Kimi K3的报告结构和分析逻辑整体较好，但底稿联动和任务执行稳定性仍需提升；GLM-5.2擅长任务拆解与报告展示，但底稿报错、结论不闭环及Wiki断链影响了交付物的可用性。需要说明的是，本次Kimi K3测试于模型发布当天进行，测试过程中出现推理速度较慢和请求无法响应的情况，可能受到发布首日访问量和服务负载影响。因此，本文主要评价其已经完成的交付结果，暂不对响应速度和服务稳定性作出确定判断。与此同时，本次结论仅基于有限次数的任务测试，也可能受到任务样本、提示词设计和推理模式等因素影响，后续仍需通过多轮测试验证结果的稳定性和可复现性。
　　估值建模方面，GPT 5.6 Sol的预测逻辑较为清楚，Excel模型能够联动更新，可复算性和可检查性最好。Kimi K3采用“销量×单价”预测收入，报告逻辑基本自洽，但底稿缺少联动，部分公式错误影响数据复核。GLM-5.2的底稿存在多处公式异常，目标价与投资评级也出现逻辑冲突，表现相对较差。
　　多因子回测方面，GPT 5.6 Sol明确采用“月末形成信号、下一交易日执行”的方式，交易时点处理最为严谨。KimiK3保留了Python代码、每期选股、组合收益和净值等结果，计算过程的可检查性较好，但没有明确区分信号日与执行日，也未完整处理交易成本和不可交易状态。GLM-5.2覆盖区间较长，但同样存在交易时点和交易约束问题，中间计算过程的披露也相对不足。
　　行业研究方面，GPT 5.6 Sol的研究逻辑和来源管理最为规范，但公司实体页较少。Kimi K3的报告和投资框架较为完整，但Wiki内容沉淀不足。GLM-5.2覆盖公司最多、展示效果较好，但投资框架分析逻辑不够清楚，来源管理和内部链接也不完整。
　　风险提示
　　结果通过历史数据统计、建模和测算完成，历史规律不代表未来；在市场环境发生变化时，模型存在失效的风险;策略依据一定的假设通过历史数据回测得到，当交易成本或其它条件改变时，可能导致策略收益下降甚至出现亏损；大模型输出的内容存在一定的随机性和准确性风险；本文所提炼的观点，基于一定的提示词产生，大语言模型输出的结果可能随着提示词的变化而发生变化。部分应用本身可能存在一定的安全风险，在使用此类应用时，用户需自行承担由此可能引发的任何风险和后果。在使用AI生成内容时，需要注意相关版权问题。用户应确保所使用的工具及其生成的内容符合相关法律法规的要求，避免侵犯他人知识产权。