供给层：后训练成下半场关键，成熟智能走向通缩
　　 AI类似阶跃函数，Transformer是当前主流范式，推理模型打开后训练能力空间。2017年，Attention Is All YouNeed提出Transformer架构。随着模型规模增大，计算成本和存储需求激增，强化学习（RL）+多阶段训练策略和知识蒸馏，提升大模型深度推理System2能力成为新共识。由于公式结果和测试用例能够提供可靠的验证器，强化学习率先在数学和代码领域取得突破。
　　模型的价值在于微笑曲线的两端，前沿模型吃利润，普惠模型吃流量。“斩杀线”的本质是用先进架构（MOE调激活参数、MLA调KVCache等）把真实利用率做到极致。成熟智能陷入通缩：赚取的是模型规模化应用的钱，依赖极低的边际成本吃透流量红利。前沿能力走向溢价：赚的是绝对定价权的钱，依靠稀缺的复杂任务处理能力拿到高毛利。
　　风险提示
　　全球宏观经济波动风险：全球经济不确定性增加，关税措施升级可能加剧经济衰退担忧，进而引发公众消费意愿降低，同时导致出口成本抬升。
　　用户增长不及预期风险：流量为平台变现基础，若用户增长不及预期，或导致流量规模及质量降低，影响收入及利润。
　　行业竞争加剧风险：办公Agent赛道竞争白热化，若其他平台持续分流用户，流量获取与商业化增长或将承压。
　　测算偏差和研报信息更新不及时风险。