企业并购策略与真相 - 大公司并购过程极其复杂 软性成本远超现金或股票价值 整合过程消耗高薪人才约10000小时 [1] - 主动上门的收购意向至关重要 聘请银行家兜售公司通常无效 必须由收购方主动发起 [1][4] - 战略合作伙伴可能突变为竞争对手 如Salesforce从HubSpot投资者变为收购ExactTarget后的直接竞争者 [1][6] 并购决策关键因素 - 内部需有强力推动者 CEO话语权最大 高管偏好影响目标选择(地域/人脉/投资关系) [1][12] - 文化契合度决定成败 Adobe Sign因CTO风格问题交易失败 尽管其后来成为Adobe首席科学家 [1][14] - 并购邀约实际非常稀少 HubSpot 18年仅几次非正式接触 市值300亿公司也可能从未收到邀约 [5][9] 有效被并购策略 - 保持"被动中的主动" 季度性向潜在收购方发送运营报告(如HubSpot对Salesforce的4-5页幻灯片) [4][10] - 建立松散持续联系 吸引战略投资或合作 保留拒绝权利 避免直接推销 [9][10] - 警惕"构建/购买/合作"话术 可能是试探也可能是真实机会 [7] 并购市场认知误区 - 行业夸大并购频率 多数接触仅为试探 严肃收购邀约罕见 [8][9] - 收购决策逻辑常不透明 目标清单受高管个人偏好影响 合理性存疑 [12] - 整合隐性成本极高 影响未来数年运营 耗费数万小时高管时间 [15] 人才招聘与管理 - 避免"最小公分母"招聘 应选择有尖峰特质的候选人 需内部强力支持者 [16] - 缩小面试小组规模 4人组效率更高 侧重突出能力而非全面平庸 [17] - 优先从发展阶段略领先的公司挖角(如ServiceNow) 避免巨头企业人才文化不匹配 [17] 高管团队建设 - 内部提拔占比应提高至75% 维护文化延续性 外部引进限于25%补充新视角 [24] - 中小企业市场更依赖内部培养 高频交易加速人才成长(如Gong销售负责人案例) [22][23] - 警惕被原公司淘汰的高管 需严格背景调查 避免空降不了解产品的管理者 [18][20] 行业实践案例 - Salesforce收购ExactTarget后 HubSpot失去天然退出路径 增长受阻 [6] - Stripe收购案例显示 最佳交易往往自然发生 非刻意寻求 [4][9] - Adobe并购目标清单存在明显偏差 仅少数标的符合逻辑 [12]

新模型趋势 - 任意到任意（Any-to-any）多模态模型实现图像、文本、音频等多种模态无缝输入输出，如Meta Chameleon和Qwen2.5-Omni [5][6][7] - 推理型视觉语言模型涌现，具备复杂场景下的逻辑推理与长链思维能力，如Kimi-VL-A3B-Thinking（16B参数，激活参数2.8B）[11][12] - 小参数高性能多模态模型推动本地化应用普及，如SmolVLM2（256M/500M/2.2B参数）和Gemma3-4b-it（4B参数，支持140+语言）[15][16] 混合专家架构 - MoE解码器通过动态激活子模型提升效率，如Kimi-VL（开源推理SOTA）和DeepSeek-VL2 [19][20] - MoE在Transformer中替代FFN层，减少计算资源消耗但增加内存成本 [19] 视觉语言动作模型 - VLA扩展VLM能力至机器人控制，如π0/π0-FAST（支持7个机器人平台）和GR00T N1（NVIDIA人形机器人基础模型）[21][22] 专业化能力发展 - 多模态安全模型过滤有害内容，如ShieldGemma 2（谷歌）和Llama Guard 4（Meta）[31][32] - 多模态RAG简化文档处理，采用DSE和类ColBERT架构提升检索精度 [40][44] 智能体与视频理解 - 智能体模型实现GUI控制，如UI-TARS-1.5（字节跳动）和Qwen2.5-VL-32B（智能体任务优化）[47][54] - 视频理解技术突破帧限制，如LongVU（Meta）和Qwen2.5VL（动态FPS适应）[57] 基准测试与对齐技术 - 新基准MMT-Bench（31325项多模态任务）和MMMU-Pro（10选项复杂度提升）取代饱和旧基准 [67][68] - DPO偏好优化扩展至VLM微调，如RLAIF-V数据集（83000+样本） [61][63] 精选模型 - Qwen2.5-VL（3B-72B参数）以智能体能力突出 [71] - Kimi-VL-Thinking（16B MoE）为复杂推理首选 [71] - SmolVLM2（最小视频模型）和Llama 4 Scout（109B/400B MoE）覆盖不同规模需求 [71]

行业变革与市场格局 - AI正从辅助角色转变为驱动软件生产的核心力量 重塑软件开发行业 [1][2] - 2024-2025年AI编程公司融资活跃：Cognition估值40亿美元 Cursor母公司估值90亿美元 Vercel估值32.5亿美元 Windsurf被OpenAI以30亿美元收购 [1] - 行业共识认为编程将从"人类双手的细活"转向"人类大脑的指挥" 工程师角色向架构师转变 [6] 公司战略与产品差异 AI自主化程度 - Cognition的Devin实现高度自主化 当前25%的Pull Request由AI独立完成 目标一年内提升至50%以上 [10][11] - Cursor和Windsurf保留人类决策权 Cursor进入"后代码时代" Windsurf设定AI生成代码占比90% 人工审查10% [12] - Vercel的v0面向非技术人员 通过对话界面实现零代码门槛的软件构建 [13] 界面与生态策略 - Devin嵌入现有工具链保持兼容性 Windsurf自研AI专用IDE Cursor改造VS Code内核 [14] 目标市场定位 - Cognition和Cursor聚焦专业开发者 Cognition提升个体生产力 Cursor革新交互逻辑 [15] - Windsurf专注企业级客户 满足高合规性需求 v0覆盖非技术人群扩展市场空间 [15][16] 核心竞争力构建 - Windsurf通过实时用户反馈数据建立"数据反馈飞轮" 每小时数千万次交互形成差异化优势 [17] - Cursor自研模型解决基础模型痛点 如300毫秒延迟和多文件场景准确性 [18] - Devin深度整合用户工作流(Slack/Linear/GitHub) 创造高迁移成本的用户粘性 [19] - v0依托Next.js生态形成数据-模型-分发的三位一体闭环 [21] 未来趋势与终局猜想 - 市场规模预测：AI编程市场将远超传统IDE 开发成本可能降低数十至数百倍 [24] - 发展路径分歧：Cursor预测将出现主导型超级工具 Windsurf看好细分领域多样性 [25][26] - 生产方式变革：软件将向"即时生成"和"极致个性化"演进 挑战传统SaaS模式 [27] - 角色定义扩展："Developer"概念泛化为"Builder" 非技术人员可通过AI实现软件创造 [28]

国内AI投资趋势观察 - 近60%的投资项目分布在应用层 得益于模型智能提升和调用成本下降 应用层迎来显著爆发期 [6] - 底层算力占比超10% 作为AI"能源"是推动模型训练和推理的基础要素 [6] - 具身智能(Physical AI)占比超10% 成为中美共同关注的热点领域 [6] - 2023年投资集中于大语言模型(LLM) 2024-2025年重心转向应用层 [6] 应用层投资细分方向 - Agent方向占比近40% 包括Coding Agent和Vertical Agent(营销/客服/法律/金融等) [8] - 创意工具占比20% 涵盖图像/视频/个性化商品等生成式AI应用 [8] - 内容与情绪消费占比20% 衍生出对话+剧情/游戏化等新内容形态 [8] 算力与具身智能布局 - 算力层关注存算一体/光计算等新架构 以提升推理效能 [9][23] - 具身智能重点投资软硬一体机器人产品 及上游关节/数据服务 [9] 中间层/工具链投资 - 大语言模型安全领域布局 防范提示词注入等新型风险 [10] - 强化学习基础设施投资 支持Vertical Agent持续优化 [10] AI投资核心变量 - 智能提升维度: 从预训练Scaling Law转向后训练优化 进入Test Time Scaling阶段 [14] - 成本下降维度: Token价格从5元/万Token降至0.8元/百万Token 降幅达10倍 [19][20] - 两大趋势叠加催生应用层机会 类比互联网/移动互联网变革 [26][27] 应用层机会框架 - 信息/内容/服务供给极大丰富: 编辑成本趋零/创作成本下降/新内容模态涌现 [30][31][32] - 分发模式进化: 从精准推荐到主动式服务 基于更细粒度用户建模 [34][36] Physical AI发展 - 通用机器人是终极目标 需解决真实数据获取与软硬件协同优化 [39][40] - 模型层进展显著: pi0.5模型验证数据重要性 DYNA-1实现单任务真机部署 [38]

核心观点 - OpenAI致力于打造用户首选的AI订阅服务和主要交互入口，构建平台生态系统以赋能开发者和掌握关键用户界面 [5] - 未来AI价值创造将呈现阶段性爆发：2025年聚焦智能体执行工作（编程）、2026年驱动科学发现、2027年大规模进入物理世界（机器人） [5][23] - 语音交互、编程能力、个性化定制是OpenAI三大战略方向，分别对应下一代交互方式、AI与现实世界连接手段及终极服务形态 [5][25][27][30] 市场与平台定位 - 目标成为核心AI订阅入口，构建激发财富创造的平台生态系统，掌握未来智能设备或操作系统级用户界面 [5] - 通过API深度集成推动标准化服务体系，可能催生类似HTTP级别的新协议以实现智能体间工具调用、认证支付等互联功能 [5][12] - 保留API业务的核心逻辑是实现服务融合，让用户通过OpenAI账户跨应用登录并接入ChatGPT界面 [9] 技术演进路径 - API基础设施向深度集成发展，未来或形成统一服务体系支持智能体协作网络 [5] - 算法突破仍是最大杠杆，可能存在10-100倍提升机会，与数据、计算构成三大成功要素 [20] - 多模态交互持续强化，传感器数据输入已通过API实现，未来将更系统化整合物理世界信息 [24] 产品战略方向 **语音交互** - 确定为未来核心交互方式之一，战略目标是开发人类水平语音系统 [5] - 语音+GUI混合模式将催生新设备形态，基础技术成熟后将引发用户行为迁移 [25][26] **编程能力** - 从垂直应用升级为核心战略，使AI从文本输出转向可执行代码生成 [27] - 进化路径：助手→智能体→独立应用程序，通过代码调用API实现现实世界操作 [5][28] **个性化定制** - 理想方案是小模型+万亿级上下文窗口，无需微调即可基于全量个人数据推理 [30] - 当前所有定制化方案均为过渡形态，最终实现跨场景的千人千面服务 [10] 商业化探索历程 - 早期尝试DALL-E后转向对话需求验证，ChatGPT推出验证用户与模型交互的强需求 [7][9] - GPT-3 API初期仅文案写作实现商业化，但Playground对话体验意外成为杀手级应用 [9] - 模型研发成本达十亿美元级，迫使公司寻求商业化路径支撑持续投入 [8] 研发管理方法论 - 保持小团队高密度创新，通过多项目并行避免组织冗余 [15] - 采用"向前工作"策略而非复杂长期规划，专注模型改进与产品迭代 [17][18] - 借鉴历史成功实验室原则，平衡研究人员自主探索与关键项目集中推进 [21] 行业趋势判断 - 大企业面临AI转型困境，决策流程缓慢导致被初创企业颠覆 [35][36] - 代际差异显著：年轻人将ChatGPT作为操作系统/人生顾问，年长者仅视为搜索替代品 [37][38][39] - 学术合作聚焦人文社科领域，通过开放模型访问支持艺术演变、社会偏见等研究 [31][32]

核心观点 - 大语言模型（LLM）与形式化数学结合正推动数学领域的范式变革，解决传统人工验证的瓶颈问题 [1][4] - 形式化数学通过严格逻辑和计算机辅助验证提升数学证明的可靠性和效率 [4][7] - 从Theorem Prover向Proof Engineering Agent转型是形式化数学的未来趋势 [11][17] - APE-Bench作为自动化证明工程基准，支持形式化数学的长期动态演进 [12][16] - LLM与形式化方法的结合将催生Certified AI，提升知识生产的可信度和效率 [17] 形式化数学的背景与挑战 - 现代数学证明规模庞大（如300页的开普勒猜想证明），传统人工验证效率低且易出错 [6] - 形式化数学通过公理系统和逻辑语言表达数学内容，借助计算机工具实现自动化验证 [8] - LLM的"幻觉"问题在数学领域尤为突出，需结合形式化方法确保生成内容的逻辑严密性 [6] 形式化定理证明的应用 - 典型案例包括Flyspeck项目（验证开普勒猜想）、液体张量实验（验证凝聚态数学引理）、PFR猜想众包验证 [13] - 形式化方法适用于数学理论证明和软件工程验证，确保逻辑一致性 [9] LLM驱动的最新进展 - AlphaProof在国际数学奥林匹克题目证明中达到银牌水平，DeepSeek-Prover V2在miniF2F基准成功率近90% [10] - LEGO-Prover项目利用LLM构建可复用的数学知识库，推动形式化数学向库级理论构建转型 [10] - 前沿研究探索LLM主动提出数学猜想和发现抽象结构的潜力 [10] Proof Engineering Agent转型 - 当前形式化工具面临人工成本高、协作效率低等问题（如Flyspeck项目耗费数十人年） [11] - 下一代工具需具备自我规划、修复和知识积累能力，支持大规模跨模块协作 [11] APE-Bench的设计与实施 - 分为三个阶段：单文件局部修改（APE-Bench I）、跨文件一致性维护（APE-Bench II）、完全自主Agent模式（APE-Bench III） [19] - 基于真实数学库（如Mathlib4）的历史修改记录，模拟实际Proof Engineering场景 [12] 未来影响与展望 - 数学领域：提升验证效率，推动理论创新和概念探索 [17] - 工业领域：应用于高安全系统（如操作系统内核、智能合约），提升安全性与可靠性 [17] - Certified AI将结合形式化验证与动态学习，成为可信的知识生产伙伴 [17]

美国孵化器生态体系 - 美国孵化器类型多样，包括VC-backed型、企业附属型、学术附属型、垂直行业型和混合模型等，具备完善的孵化流程和商业模式，能为创业公司提供资金支持、导师支持、市场资源对接和融资对接等全方位资源支持 [2] - VC-backed型孵化器由风险投资公司主导运营，通过投资入股为早期团队注入资金，凭借VC的投资网络帮助创业企业触达资本市场，但可能导致股权稀释和创始团队自主权让渡 [3] - 企业附属型孵化器由大型科技公司发起，以自身核心资源绑定创新企业构建技术护城河，提供强大技术资源支持但通常不提供现金投资且存在隐性绑定条件 [4][5] - 学术附属型孵化器依托高校或研究机构，提供实验室资源和前沿科研成果，但资金支持有限且商业化周期较长 [6] - 垂直行业型孵化器专注于特定领域如生物科技、清洁能源等，提供专业导师资源和人际网络，但市场空间可能受限 [7] - 混合模型孵化器结合资金、资源共享、市场对接等多种支持形式，资源覆盖面广但行业深度支持可能不足 [8][9] 活跃孵化器筛选标准 - 筛选标准包括成立时间(2000年及之后创立)、地域(硅谷、西雅图和纽约等主要创业生态中心)和投资阶段(专注于种子期或早期阶段风险投资) [10][11] - 最终确定排名前10的机构作为研究对象，深入分析其孵化模式、资源优势及投资策略 [11] 知名孵化器代表 - Y Combinator(YC)是全球最知名的孵化器之一，提供12.5万美元换取7%股权，额外投资37.5万美元基于无估值上限SAFE [17] - Techstars拥有全球加速器项目网络，提供8-12万美金换取6-9.3%股份，录取率仅3% [20] - MassChallenge是全球性非营利加速器，采用零股权模式，提供无股权附加条件的现金奖励 [22][25] - 500 Global以其全球化投资组合和增长营销专长闻名，提供结构化的课程和Workshops [28][30] - SOSV运营多个高度专业化的垂直领域加速器项目，如HAX(硬科技)、IndieBio(生命科学)等 [34][37] 差异化特色孵化器 - AngelPad由前Google高管创建，提供12万美元投资换取7%股权，并为每家初创企业额外提供超过30万美元资源支持 [70][75] - Antler采用"从零开始"模式，帮助有潜力个人寻找联合创始人、验证想法，在全球多个城市提供本地化支持 [73][76] - Neo由Facebook早期投资人创立，提供60万美元无上限SAFE投资，录取率不到2% [77][81] - South Park Commons关注创业者从"-1到0阶段"的过渡，提供40万美元启动资金换取7%股权 [83][86] - HF0 Residency专注于技术型连续创业者，采用12周全日制驻留模式，高强度专注开发 [89][91] 高校与企业孵化器 - Berkeley-SkyDeck为创业公司提供六个月加速计划，标准条款20万美金占7.5% [156][158] - Harvard Innovation Labs设有多个孵化项目，通过竞赛提供高达7.5万美元启动资金 [159][164] - MIT-delta v面向学生企业家，提供高达2万美元无股权资金和每月2000美元生活费 [163][169] - Google for Startups Accelerator提供技术辅导和最高35万美元Google Cloud资源 [183][185] - Microsoft for Startups Founders Hub提供Azure云资源、GitHub和Visual Studio访问，免股权 [189][191] 行业趋势与特点 - 美国孵化器生态呈现多样化类型和成熟孵化模式，能够提供全方位资源支持 [226] - 近年来硅谷VC机构开始设立自己的孵化器，目的是吸引顶尖创始人和团队，反制YC的市场垄断地位 [226] - 行业竞争激烈，孵化器需要有差异化特色和核心竞争力，同时入选孵化器的竞争也非常激烈 [226] - 大多数孵化器专注于创新技术领域如人工智能、SaaS、区块链等，高度重视PMF(产品市场契合度) [228] - 美国孵化器通常拥有全球化资源和网络，能为创业者提供国际市场拓展和全球投资者对接机会 [228]

多模态AI技术重塑内容创作 - 多模态AI技术正以前所未有的速度重塑内容创作领域，从OpenAI Sora到吉卜力风图片，技术壁垒不断被突破 [1] - 视频生成作为技术难度与应用潜力并存的关键环节，吸引了全球广泛关注，但仍面临一致性、可控性和计算成本等核心挑战 [1] - 生数科技Vidu通过集中资源解决专业用户痛点（一致性、可控性、效率），在动画等领域建立差异化优势 [1] Vidu的核心定位与技术突破 - Vidu定位为"全球领先的AI内容生产平台"，优先解决实际工作流中的关键痛点 [1] - 推出"参考生"（Reference to Video）范式，通过给定参考主体+文字驱动演绎，在可控与创意自由间寻求平衡，可能颠覆传统动画制作流程 [2] - 全球首创多主体参考技术及"主体库"功能，解决内容创作的"一致性"问题，确保角色、物体等在连续画面中保持稳定 [3] - Q1版本模型在语义理解、物理规律模拟和清晰度上改进，提升生成过程的"可控性"与结果的"可靠性" [3] 未来AI视频生成的发展趋势 - 行业在成本和速度方面有望实现10到100倍的优化空间 [4] - 未来将催生"实时可交互、高一致性的新内容平台"，用户可主动介入、影响内容进程，甚至与其他用户协作共享 [7] - "生成即消费"模式可能改变当前内容平台生态，降低对特定创作者的依赖性，模糊生产与消费的界限 [5] - 2025年多模态内容领域两大趋势：AI视频内容爆发、涌现大量可消费商业化成片内容 [13] Vidu的技术创新与市场策略 - 主体库功能解决内容创作中的"一致性"难题，未来推出共享主体库支持创作者协作甚至共创IP [18] - 与动画协会、北影等机构及全球高校和专业动画工作室深入合作，探索AI剧集等内容形态 [19] - 市场策略是"把长板做到足够长"，优先在动画领域做到最好，不追求大而全 [24] - 在广告营销、动画制作等领域，多模态生成技术已能带来3-5倍的效率提升 [23] 多模态技术的未来挑战与突破点 - 核心挑战在于一致性、实时性和可交互性的完美结合，并且需要在一个可负担的成本下实现 [9] - 未来技术突破点包括：持续的成本与速度优化、对物理世界规律更深层次的理解与模拟、真正的多模态融合与完整内容生成 [16] - 纯粹的文生视频应用者不多，"参考生"范式更具潜力 [10] - 多模态生成技术未来可能会把独立的数字人技术"吃掉" [12] 多模态技术的产业机会 - 通过API等方式将技术能力赋能给现有应用和服务，驱动增长和提升用户体验 [26] - 将多模态技术深度融入现有工作流，提升内部的内容生产效率和创意水平 [27] - "内容即服务"市场需求日益增长，技术提供方可扮演连接者和赋能者角色 [27] - AI普及会改变创作模式，"一人即团队"成为可能，深刻影响产业结构 [28]

DeepSeek-Prover-V2-671B模型发布 - 公司发布专注于形式化数学推理的开源大型语言模型DeepSeek-Prover-V2-671B，参数量达6710亿 [1] - 该模型结合LLM泛化能力与形式化工具（如Lean），首次实现自然语言描述到机器可验证证明的大规模端到端转化 [2] - 形式化数学被视为AI"终极挑战"，突破可能将数学研究效率提升数倍，并打开金融建模、芯片验证、密码学等高价值商业场景 [2] 大模型开发者活动 - DeepSeek前成员辛华剑将参与"大模型开发者与AI基金合伙人跨洋对谈"，分享《大语言模型时代的形式化数学革命》 [2] - 辛华剑为DeepSeek-Prover系列模型开发主导者，现任爱丁堡大学AI博士生及字节跳动研究实习生，专注大模型在数学定理证明的创新应用 [2][4] - 锦秋基金合伙人臧天宇将同期分享2025年AI创投趋势 [3][4] 活动主办方背景 - 锦秋基金专注AI领域投资，在管基金为12年长期基金，59%项目为首次投资，采取多轮追加策略，已投资北美活跃AI基金 [6] - 剑桥中国人工智能协会(CCAIA)致力于链接中国AI产业与海外学界，采用轻量化社群模式促进中英资源流动 [7] - 清华大学学生通用人工智能研究会(THUAGI)以培养下一代通用AI人才为目标，依托清华AI研究院资源 [9] - 清华大学学生创业协会成立于1997年，为全国最早高校创业协会之一，28年来聚焦创业生态培育 [10] 活动流程 - 英国时间15:00/中国时间22:00开始辛华剑主题演讲，随后臧天宇分享AI创投趋势 [8] - 活动含圆桌对谈及观众提问环节，国内通过腾讯会议直播，需通过锦秋基金公众号报名 [5][6][8]

锦秋小饭桌活动概述 - 锦秋基金自2月26日起每周五在北京、深圳、上海三地组织创业者闭门饭局 已举办9场 旨在搭建高质量社交场域 [2] - 活动形式摒弃传统PPT演示 强调真诚对话 部分参与创始人后续获得锦秋投资 [3] - 5月9日推出AI Infra限定套餐 包含前沿趋势拆解、实践真知分享及生态资源对接 [5][6] AI应用开发洞察 - 当前AI产品护城河在于品牌心智 数据飞轮闭环尚未形成 [12] - 后训练技术需在PMF验证后实施 垂直领域更易构建差异化壁垒 [12] - 用户行为数据使用趋向端到端 中间过程需结构化处理 [13] AI Coding创业机会 - 创业公司应对大厂竞争策略：聚焦细分市场/快速迭代/打造垂直品牌 [18] - 模型能力面临瓶颈：复杂任务可靠性差 需理论突破而非数据堆砌 [19] - 国内2B市场存在特殊机会 军工/金融等领域基础功能即具价值 [23] Agent领域发展 - Protocol被视为Agent生态关键 需建立标准化互信机制 [30][32] - 垂直Agent更易构建数据闭环 通用Agent需明确任务边界 [36][37] - 硬件创新聚焦交互体验 眼镜品类预计1-2年内达千万量级 [44] 行业落地实践 - 某猎头公司AI系统使人岗匹配效率超越人类专家10% [26] - 餐饮供应链企业通过自研系统实现业务量10倍增长 人员零增加 [26] - 航天企业利用数字化技术大幅缩短发动机研发周期 [26] 硬件创新趋势 - 端侧AI芯片算力非主要瓶颈 200MHZ即可支持基础语音交互 [46] - 儿童AI玩具/情感陪伴硬件/3D打印机呈现显著增长 [45] - 7B模型可部署于消费设备 高阶AI仍需云端支持 [46] 资本市场观察 - 港股科技板块受AI落地预期推动 美股面临政策不确定性 [56] - 大厂加速囤积算力设备 2025年CAPEX预计保持20%+增速 [57] - 保险业被视为AI+金融优先落地场景 [58] 产品策略分析 - 30岁以下用户构成AI聊天产品核心人群 [66] - 模型调性决定用户粘性 训练数据差异化塑造产品特质 [69] - 开源策略有效扩大用户基础 DeepSeek案例显示免费模式优势 [62]