黑色星期五线上消费总额 - 美国消费者黑色星期五线上消费额达到创纪录的118亿美元，同比增长9.1%，超出预期 [1] 消费高峰时段与渠道 - 消费高峰时段为上午10点至下午2点，每分钟线上消费金额达1250万美元 [2] - 移动端是主流消费渠道，贡献了55.2%的线上销售额 [2] 热销品类与增长情况 - 游戏机品类销量表现强劲，畅销产品包括任天堂Switch 2、微软Xbox Series X、索尼PlayStation 5、PlayStation Portal以及Meta Quest 3 [1] - 多个品类线上销售额实现大幅增长，包括游戏机（激增1900%）、电视机（增长1740%）、耳机/音箱（增长1700%）、冰箱/冰柜（增长1630%）、智能手表（增长1500%）、吸尘器（增长1450%）、电动工具（增长1420%）、小型厨房电器（增长1300%）、电脑（增长1020%）、自行车（增长980%）、儿童玩具（增长910%）和节日装饰品（增长890%） [1] AI技术应用与流量 - 黑色星期五当天美国零售网站的AI相关流量同比激增805% [2] - AI工具应用集中在电子游戏、家电、电子产品、玩具、个人护理产品及婴幼儿用品等品类 [2] 网络星期一展望 - 网络星期一预计成为本购物季及全年规模最大的线上购物日 [2] - 预计当日线上销售额将同比增长6.3%，达到142亿美元 [2]

文章核心观点 - MIT何恺明团队提出极简扩散模型架构JiT，让模型直接预测干净图像本身，而非预测噪声或混合噪声 [10] - 该方法在高维像素空间中表现更强、更稳、更简单，无需潜在空间、分词器、预训练或额外损失函数 [11][13] - 直接预测干净图像的任务更简单，因为自然图像位于低维流形上，而噪声是高维乱流，网络容量有限时预测噪声会导致模型崩溃 [14][15][17] 技术原理与创新 - 核心思想是让网络预测干净数据，而非噪声或混合噪声，通过数学推导证明直接输出干净图像可使任务更简单 [18][19] - 即使在高维场景如3072维patch（32×32×3）中，只有直接预测干净图像的方式不会崩溃 [20] - 框架仅使用Vision Transformer直接在原始像素patch上操作，输入输出均为像素patch，结构极简 [17] 模型性能与实验结果 - 在ImageNet 256×256分辨率上，JiT-L/16模型FID达到2.36，JiT-G/16模型FID达到1.82，与依赖复杂潜在空间的大型扩散模型性能相当 [30] - 在512×512分辨率下，JiT-H/32模型FID为1.94，JiT-G/32模型FID为1.78，证明在3072维高维patch下仍能稳定训练 [31] - 在1024×1024超高分辨率下，JiT-B/64模型FID为4.82，且计算成本几乎不随分辨率增加而上升，序列长度保持恒定 [32] 架构优势与反直觉发现 - 即使将patch embedding压缩至低维瓶颈（如32维甚至16维），模型不仅未崩溃，FID指标反而显著提升，与低维流形假设一致 [27][28][35] - 模型可处理高达12288维的patch（64×64×3），完全摆脱潜在空间，在原生像素空间自洽工作 [24][25] - 该方法特别适合需要处理原始高维数据的领域，如具身智能和科学计算，有望成为更通用的生成基础方式 [34]

投资评级与目标价 - 首次覆盖给予“优于大市”(OUTPERFORM)评级 [2] - 目标价为每股107港元，较现价77.40港元有约38%的上涨空间 [2] - 基于2026财年8倍市盈率进行估值 [12] 核心观点总结 - 微博在中国社交媒体平台中具有独特地位，拥有庞大的用户群、实时的裂变式信息传播模式以及丰富的营销资源 [3] - 平台能提供高效的品效合一营销解决方案，是企业不可或缺的广告购买渠道 [3] - 生成式AI技术在内容创作、精准投放等场景的应用有望进一步提升平台变现效率 [3] - 管理层有信心达成全年调整后营业利润率约30%的目标，并坚持每年派发约2亿美元股息的政策 [5] 财务表现与预测 - 2024年总营收为17.55亿美元，同比持平；经调整净利润为4.79亿美元，同比增长6% [2] - 2025年第三季度总营收为4.4亿美元，同比下降5%，环比下降1%；调整后净利润为1.1亿美元，超预期3% [3] - 预计2025年至2027年收入分别为17.25亿、17.18亿和17.60亿美元，同比变化分别为-2%、0%和+2% [10] - 预计同期经调整净利润约为4.61亿、4.63亿和5.01亿美元，对应利润率分别为27%、27%和29% [10] 业务运营与用户活跃度 - 在线广告收入是主要收入来源，占比85%；增值服务收入占比15% [7] - 第三季度在线广告收入按美元计同比下降6%，人民币口径同比下降5%；增值服务收入为6690万美元，同比增加2% [3] - 社区活跃度在变现低谷中继续夯实，暑期中低频用户的人均观看量、时长及留存实现环比双位数增长 [4] - 微博智搜月活跃用户超7000万，日活跃用户和搜索量环比增长50%以上 [4] 行业前景与广告趋势 - 第四季度受益于“双十一”及电商平台竞争加剧，预计电商广告将提供一定支撑 [4] - 2026年受汽车国补退坡等因素影响，全年收入可见度目前较低，预测同比下滑2% [4] - 电商、汽车板块在三季度表现韧性；游戏、3C等板块因预算收缩出现同比下滑 [4]

投资评级与目标 - 首次覆盖新东方-S (9901 HK)，投资评级为“优于大市” [2] - 目标价为每股49港元，较现价40.30港元存在约21%的上涨空间 [2][13] - 基于2026财年18倍市盈率进行估值 [13] 核心观点 - 新东方是中国领先的综合性教育服务商，在K12、海外考试培训等细分领域均处于领先地位 [3][13] - 公司生成式AI技术在课件自动生成、名师数字分身及作业批改等场景的落地，将提升转化效率和内容质量 [3] - 公司已宣布三年股东回报计划，派息率不低于50%，彰显管理层对盈利持续提升的信心 [5][13] 财务业绩与预测 - 2025财年（截至2025年5月）收入为49亿美元，同比增长14%；经调整净利润为3.72亿美元，同比增长11% [2][6] - 预计2026财年收入将达53.66亿美元，同比增长9%；经调整净利润预计为4.84亿美元，同比增长30% [2][9] - 预计2027财年收入将达58.68亿美元，同比增长9%；经调整净利润预计为5.61亿美元，同比增长19% [2][9] - 2025财年毛利率为55.4%，预计2026财年将维持在55.3%的高位 [2][9] 各业务板块表现与展望 - **K12业务**：2026财年第一季度，K9新业务同比增长15%，高中业务为个位数增长；预计第二季度高中业务将同比增长12%，K9新业务将同比增长21% [3] - **海外业务**：2026财年第一季度，海外考试培训同比增长1%，留学咨询同比增长2%；预计第二季度海外收入将同比下滑5%，2026财年全年预计为低个位数下滑 [4] - **利润率改善**：2026财年第一季度集团经调整经营利润率为22%，同比提升1个百分点；预计第二季度利润率将再扩大2个百分点，全年经调整经营利润预计为6.5亿美元，对应利润率12.1% [4] 股东回报 - 2026财年宣布股东回报总额为4.9亿美元，包括派发现金股息1.9亿美元（占2025财年净利润51%）和启动3亿美元回购（占2025财年净利润81%），合计派息率为132% [5] - 按当前市值96.4亿美元计算，股息收益率约为5% [5] - 管理层承诺未来两年随净利润持续增长，股东回报力度将不低于本年 [5][8] 运营效率与战略重点 - 2026财年公司将放缓教学中心扩张、提升存量利用率并全线提效 [4][8] - 公司之前拆分的1000多个细分提效任务已完成超一半，随着规模提升和降本增效的进行，利润率有望持续提升 [8]

英伟达近期财务表现 - 第三季度收入达到570亿美元，同比增长62% [6] - 第三季度净利润为319亿美元，同比增长65% [6] - 收入增速在经历过去几个季度的下降后，于本季度重新抬头，显示出再次加速增长 [6] - 公司对第四季度的收入展望为650亿美元，预示同比增长将达到85% [7] AI行业前景与GPU需求趋势 - 生成式AI正在替代传统机器学习，例如Meta的广告系统转向GPU加生成式AI后，Instagram广告转化率提升5%，Facebook广告转化率提升3%，这代表了每年数百亿美元规模的变化 [10] - 非AI软件正从CPU向GPU迁移，涵盖数据处理和工程模拟等场景 [9] - 自动驾驶、机器人和智能体等重资产、重算力行业预计将迎来爆发式增长，其速度可能比当前市场预期快十倍 [11] - 世界对GPU的需求远未停止，上述三大趋势表明GPU需求才刚刚开始 [8][14] 英伟达的竞争优势与护城河 - 公司的核心护城河在于其CUDA生态系统，该系统经过20多年的积累和大量投入，包含大量针对不同场景的软件库 [15][16] - CUDA生态拥有庞大的开发者基础，其进步速度极快，使得竞争对手难以追赶，护城河的实质是英伟达的指数级发展速度与竞争对手的线性速度之间的差距 [16] - 芯片行业竞争的关键在于赢得开发者，而非单纯比拼硬件参数 [15][16] - 公司投资OpenAI和Anthropic等顶级AI公司的战略目的是将其拉入CUDA生态，例如投资Anthropic后，该公司开始使用英伟达芯片，这有助于优化芯片并进一步扩大生态壁垒 [18] AI的宏观定位与英伟达的角色 - AI不应被简单视为一种技术，而应被看作一个全新的智能物种 [5] - 将AI是否为泡沫的问题，类比于询问蒸汽机或电是否为泡沫，被认为是从根本上提出了错误的问题 [14] - 未来AI基础设施的年投入预计将达到3至4万亿美元 [19] - 英伟达被视为AI时代文明的基础设施，而不仅仅是一家公司，其在GPU领域拥有事实上的压倒性统治地位 [19]

报告行业投资评级 - 报告未明确给出具体的行业投资评级（如买入、持有、卖出）[1] 报告核心观点 - 中国出海零售品牌正经历以“一体化商务”和“智能体商务”为核心的战略变革，由全球化和数字化双轮驱动 [4] - 一体化商务通过整合线上线下渠道实现无缝购物体验，是提升用户忠诚度和销售转化的关键，但当前多数企业受数据孤岛制约难以实现协同 [5] - 生成式AI催化智能体商务，通过AI智能体重塑消费流程、拓展场景并提升效率，与一体化商务深度耦合形成“一体化×智能化”倍增效应 [6] - 全渠道数据打通是实现一体化与智能体商务的关键前提，支付数据作为连接交易、用户与场景的核心枢纽至关重要 [9] - 出海企业普遍面临支付体验、安全合规与运营效率三大挑战，借助专业第三方支付服务是投入产出比最优的解决路径 [10] - 未来智能体商务将重构零售逻辑，购物简化为“发起需求”和“确认结果”两步骤，智能体成为用户唯一入口 [45] 市场趋势：一体化商务 - 全球消费者购物行为呈现多元化、即时性和个性化特征，要求品牌全渠道布局覆盖所有关键触点 [13] - 渠道数量增加带来互补效应，约54%的出海品牌认为布局更多渠道会直接提升销量（小幅增长32%+明显增长22%） [16][17] - 93%的出海企业表示在社交媒体等关键营销触点提供即时购买方式将推动销售增长 [18] - 绝大部分企业认为在聊天对话/社媒/邮件等场景放置购买链接可提升转化率（中幅提升45%+显著提升27%+小幅提升21%） [19][20][21] - 尽管多数企业已布局多渠道（线下品牌门店82%、商超卖场78%、第三方电商平台80%、独立站64%、社交媒体57%），但仅30%能提供跨渠道购买服务，跨渠道协同存在较大缺口 [22][23][24] - 仅24%的企业实现所有渠道策略及体验统一，仅21%实现全渠道数据完全打通，90%的企业认为用户及订单数据共享将提升复购率（显著提升40%） [30][31] 技术变革：智能体商务 - 超60%的出海企业计划在未来12个月增加AI智能体投入（小幅增加35%+明显增加25%） [33][34][35] - 智能体商务推动从“人找货”到“货找人”的演进，AI购物代理将实现全自动、无感化智能购物体验 [36] - 企业引入AI的核心目标为客户体验优化（52%）、运营效率提升（50%）和成本控制优化（48%） [38] - 当前AI在客户体验优化中的应用集中于内容生成（28%）、个性化推荐（24%）和智能供应链（21%）等场景，超七成应用尚属蓝海 [40][41][42] - 智能体商务将购物简化为两步骤，通过AI代理完成全网寻源、比价、下单等环节，实现绝对无缝和极致高效的体验 [45] 支付基础与解决方案 - 数据孤岛是阻碍一体化和智能体商务的核心症结，构建全渠道统一支付体系是破解关键 [46][47][48] - 出海企业跨境支付主要挑战包括数据安全及合规风险（32%首选）、支付体验参差不齐（21%）、支持多币种支付方式（18%）和成本高昂（16%） [50] - 67%的企业认为全渠道一致的支付方式将提升销售转化率（小幅提升47%+中幅提升11%+显著提升9%） [53][54] - 87%的企业表示支持一键支付将提高复购率（中幅提升42%+小幅提升28%+显著提升18%） [55][56] - 70%的企业计划或已通过AI实现支付行为预测与个性化推荐，75%计划或已实现AI智能支付路由以提升转化率和到账速度 [59][60][61][62][63] - 76%的企业已使用或计划使用AI实时欺诈检测，80%计划或已使用AI处理拒付争议，智能风控成为出海标配 [64][65][66][67][68] - 73%的企业计划或已使用AI实现动态汇率/手续费优化，以应对跨境支付高成本和低效率问题 [71][72][73] 战略建议 - 企业需以消费者为中心重构渠道，打通支付和订单数据，实现渠道一体化管理以发挥智能体商务价值 [74] - 未来智能体商务时代，企业需先“打动”智能体才能触达消费者，支付数据打通是消费者洞察的关键依赖 [74] - 借助专业第三方支付服务可优化支付体验、降低合规风险并降本增效，避免自建体系的高成本与低效率问题 [75]

企业级AI市场结构性变局 - 企业客户在生成式AI部署上正从独立模型开发商转向拥有全栈能力的超大规模云厂商[2] - 中国企业级AI市场经历从“模型尝鲜”到“云端实战”的结构性变局[2] 客户选择偏好变化 - 47%的CIO现在倾向于选择超大规模云厂商支持大模型落地，较2025年上半年提升10个百分点[4] - 对独立AI模型开发商的兴趣度下滑7个百分点至40%[4] - 40%的CIO计划未来12个月内通过公有云部署GenAI，远高于半年前的28%[6] - 企业客户更看重算力基础设施与模型的深度整合，而非单一模型算法优势[5] 阿里云竞争地位与预期 - 摩根士丹利将阿里巴巴确立为“中国最佳AI赋能者”[2] - 阿里在B端的吸引力快速逼近并有望三年内超越DeepSeek[2] - CIO对DeepSeek的兴趣度大幅下降20个百分点至45%，而阿里巴巴/通义千问的意向度从18%激增至30%[8] - 预计三年内阿里巴巴/通义千问有望以37%份额占据榜首，超越DeepSeek（28%）、华为（13%）和字节跳动（12%）[8] 阿里云财务与运营预期 - 阿里云在2025年上半年占据35.8%的中国AI云市场份额，超过第2至第4名竞争对手总和[12] - 预计阿里云营收增速将在2026财年下半年加速至35%以上，2027财年进一步冲高至40%[13] - 管理层透露Token使用量每2-3个月翻一番[13] - 阿里已规划三年3800亿元人民币资本开支，但大摩分析指出该数字“可能仍不足以满足当前需求”[13]

行业趋势：企业AI部署偏好转向 - 企业客户在生成式AI部署上正迅速从独立模型开发商转向拥有全栈能力的超大规模云厂商[1][3] - 47%的CIO现在倾向于选择超大规模云厂商支持大模型落地，较2025年上半年提升10个百分点，而对独立AI模型开发商的兴趣度下滑7个百分点至40%[4] - 40%的CIO计划在未来12个月内通过公有云部署GenAI，远高于半年前的28%[6] 阿里巴巴市场地位与竞争力 - 阿里巴巴凭借“云基座+通义千问”组合被确立为“中国最佳AI赋能者”[3] - CIO对阿里巴巴/通义千问的意向度从上半年的18%激增至30%，而DeepSeek的兴趣度大幅下降20个百分点至45%[9] - 预计三年内阿里巴巴/通义千问有望以37%的份额占据榜首，超越DeepSeek（28%）、华为（13%）和字节跳动（12%）[9] 阿里巴巴技术实力与市场表现 - 阿里云在2025年上半年占据35.8%的中国AI云市场份额，超过了第2至第4名竞争对手的总和[11] - 通义千问最新旗舰模型Qwen3-Max已跻身全球前三，千问App发布首周下载量破千万[9] - 通义千问团队获评NeurIPS最佳论文，形成“技术+应用”的双轮驱动[9][10] 财务与增长预期 - 预计阿里云营收增速将在2026财年下半年加速至35%以上，并在2027财年进一步冲高至40%[14] - 管理层透露Token使用量每2-3个月翻一番[14] - 阿里巴巴规划的三年3800亿元人民币资本开支在指数级需求面前“可能仍不足以满足当前需求”[14]

报告核心观点 - 中国企业AI应用正从“概念驱动”和“试验探索”阶段迈向“价值驱动”和“规模化落地”的关键转折点，其成功取决于构建涵盖战略、技术、组织人才与治理的系统性能力体系[1][14][23] - 企业普遍面临从试点到规模化的“鸿沟”，核心挑战包括数据治理不足、复合型人才短缺及投资回报率难以衡量，超过70%的企业仍处于实验性或战术性投入阶段[1][32][33][34] - 技术选型回归理性，形成以“技术先进性”、“开放与兼容性”、“安全与合规性”为核心的“铁三角”考量，企业正通过构建统一、开放的“AI工厂”实现技术工业化[1][48][49] - 组织层面正转向以“内部培养与转型”为核心的人才策略，旨在构建全员参与的“AI学习型组织”，以弥合最大的能力缺口——“AI应用场景与业务结合能力”[1][19][22] - 超六成企业AI治理体系仍处建设初期，需建立跨部门治理委员会与全生命周期管控机制，核心聚焦技术稳健性、合规安全与业务连续性三大风险[1][19][20] AI战略篇：从概念驱动到价值驱动 - 超80%企业已将AI纳入战略规划，呈现“战略核心”、“重要支撑”、“试点探索”几乎均衡的三分格局，占比分别为26.07%、26.07%和27.49%[1][24][25] - AI战略目标呈现“效率优先，增长并重”的双核格局，84.49%的企业将“降本增效”作为首要目标，而“增收”、“客户体验优化”和“创新”等增长目标占比均在50%上下[1][28][29][30] - 战略落地面临三大挑战：数据质量及治理能力不足是最大瓶颈，占比58.22%；缺乏复合型AI技能人才，占比49.77%；投资回报周期长且难以衡量，占比超过43%[32][34][35] - 超过70%企业的AI投资仍处于“实验性投入”或“战术性投入”阶段，具备“公司级战略性投入”的企业仅占16.59%，暴露出战略与执行的脱节[32][33] - 建议CIO建立“战略-技术-人才-治理”四层AI能力体系，从“技术供应商”进化为“智能战略架构师”，主导构建系统性变革框架[15][37][38][40] AI技术篇：从战略试探到价值落地 - 生成式AI是企业关注的绝对焦点，采纳率达57.28%，而AI智能体与AI+自动化的采纳率并驾齐驱，均为53.99，显示应用重心从“生成内容”向“执行任务”和“优化流程”迁移[43][44] - 技术选型“铁三角”为：技术先进性占比54.93%，开放与兼容性占比53.05%，安全与合规性占比50.70%，企业决策趋于平衡务实[48][49] - 混合云架构成为基础架构主流选择，占比52.58%，企业需构建开放、可演进的技术底座以降低供应商锁定风险[1][16] - 在应用实现方式上，企业采取混合策略：直接采购成熟AI应用占比49.77%；综合采用多种方式灵活选择占比45.07%；自己组建团队基于开源开发占比37.09%[53][54][55] - 64.45%的企业认为生成式AI仍处于技术演进期，需选择开放、模型中立的技术栈以应对未来技术迭代风险[49][56][57][58] AI应用篇：跨越规模化鸿沟 - AI应用已渗透至核心业务环节，运营增效类应用最广泛，占比57.28%；客户服务类占比54.46%；智能决策类占比53.05%[59][61][63] - 应用规模化面临“落地三角”瓶颈：缺乏技术人员是首要挑战，占比53.52%；高质量数据集匮乏或存在数据孤岛，占比43.19%；应用场景识别与价值评估不清，占比41.78%[64][65][66] - 企业需通过建设统一MLOps平台实现AI开发流程标准化，并将战略重心从降低训练成本转向优化推理阶段的资源效率，借助AI FinOps实现算力精细化管理[16][18] 组织、文化与人才篇：重塑组织基因 - “AI应用场景与业务结合能力”是最大的人才缺口，占比59.15%，企业最稀缺的是既懂业务又懂AI的复合型人才[1][19] - 人才策略转向以“内部培养与转型”为核心，占比68.25%，推动构建“AI学习型组织”[1][19] - 组织变革体现三大关键转变：从岗位技能到组织技能，实现全员参与；从一次性培训到持续赋能；从内部自研到与具备开源生态的外部伙伴共建能力[19][22] AI治理篇：构建可信体系 - 超六成企业AI治理体系仍处于建设初期，普遍存在“治理赤字”，需建立跨部门治理委员会与全生命周期管控机制[1][19] - 治理核心聚焦“三大风险”：技术稳健性、合规安全与业务连续性，需从技术、合规、运营三维度构建协同防线[1][19][20] - 建议CIO将AI治理提升至企业战略高度，建立统一治理顶层架构，实现从“被动合规”向“主动治理”的转变，使治理成为驱动长期创新的核心能力[19][20]

公司业务与核心战略 - 公司是成立于香港的货运业务撮合平台，2014年进入中国内地，业务覆盖东南亚、南美洲等全球400多个城市和地区，拥有月均近2000万活跃用户和200万活跃司机[7] - 公司的核心能力聚焦于提升运营效率和优化用户体验，以高效撮合货主与司机之间的交易[5][7] - 公司认为AI在O2O服务行业的核心价值是辅助性的，主要用于增收和降本，当前AI的提效能力约为5%-10%，尚无法取代服务本身[30] AI战略制定与路径选择 - 公司参考高盛2023年AI研报的评估方法，通过岗位调研和任务拆解，量化AI提效潜力，并优先选择在业务安全、研发、产品、运营等高数据密度、人力密集型场景落地AI[7] - 初期曾投入资源自研货运行业垂类大模型，但最终调整策略，认识到基础大模型应由行业和大厂提供，而企业自身的核心是打造AI应用平台并整合行业数字资产与业务API[9][10][11] - 基于此认知，公司花费约一年时间构建了三个核心AI平台应用：海豚平台、悟空平台和评测标注平台[11] AI平台应用构建 - 悟空平台面向非专业人士，具备可视化流程编排、0代码智能构建能力，旨在让用户能在5分钟内部署初级企业智能体应用[13][15][16][17] - 海豚平台面向专业算法开发者，提供从数据训练、模型开发到上线维护的全生命周期一站式管理，以提升算法工程师效率[18][19] - 评测标注平台（含标注AB试验平台和拉拉智评）专注于模型上线后的评测环节，通过提升模型PK和AB试验分流的完善度，确保上线结果的可靠性与可重复性[20] AI应用场景与成效 - 在安全防控场景，通过大模型结合语音、图像等非结构化数据进行实时检测与干预，使危险品运输和违规载人的风险订单量下降30%，订单提醒率达到100%[21] - AI Coding已在公司广泛渗透，90%的个体和团队使用，研发流程渗透率达60%，但目前仅提升约10%的整体工作效率，因在复杂业务逻辑和代码检查测试上耗时增加[22][23][24][25] - 通过“拍货选车”功能，利用AI点云分割技术计算货物体积并匹配车型，可在10秒内完成推荐，提升了产品体验[25] - 利用大语言模型构建用户反馈分析器，能高效打标、分类、总结海量反馈，精准捕捉如“开发票效率低”等以往易被忽略的问题[25] - 构建AI产品知识专家，整合公司所有PRD文档、代码仓库等资料，解决了因人员流动和产品迭代导致的知识死角与跨部门协作问题[26] - 通过大语言模型优化短信内容，简化冗长表达，一年节省了约12%的短信成本，并提升了风险合规预判能力[27] AI数字人应用与未来方向 - 公司开发了AI+ASR+LDM+TTS的三维串联机构打造AI数字人业务伙伴，其语义识别准确率达到94%，真人度达到92%，并具备带口音的音色以增强真实感[28][29] - 针对用户情绪，通过大语言模型进行问题改写、场景路由和Multi-Agent方式，提升了问题解决率与准确率[29] - 未来方向包括推进多模态模型方案，实现ASR、LLM、TTS的端到端单模型整合，并打通上下游多个数字人以提升整体企业流程效率[31] - 长期期望通过端到端大模型助手，对智能选车、智能填单及内部运营答疑等环节带来用户体验的显著提效[31]