大模型賦能投研系列之二十三：Kimi K3超越GPT 5.6了嗎？—投研Agent模型能力對比評測.pdf

研究目的與方法

本報告為金融工程專題研究，旨在評估2026年7月發布的GPT 5.6 Sol、Kimi K3以及對照模型GLM-5.2在真實金融投研場景中的綜合能力。測評采用估值建模、多因子回測和行業研究三類典型任務，通過統一結構化提示詞，檢驗模型從理解需求、調用工具到形成交付物的長程Agent能力。

核心發現

三款模型均已具備完成復雜投研任務的基礎能力，但表現分化明顯。GPT 5.6 Sol綜合表現最佳：估值任務中Excel模型支持聯動更新并設置檢查表與來源表；回測任務中明確區分信號形成日與交易執行日；行業研究任務中來源管理最規范，建立了六維評分體系與四層公司篩選方法。Kimi K3報告結構和分析邏輯整體較好，采用"銷量×單價"預測收入，六維投資框架完整，但估值模型缺少聯動、部分公式錯誤，回測任務未明確區分信號日與執行日，Wiki內容沉淀不足。GLM-5.2覆蓋范圍最廣、展示效果較好，但估值任務底稿公式異常且目標價與評級沖突，回測任務中間計算過程披露不足，行業研究投資框架邏輯支撐較弱、Wiki來源管理和內部鏈接不完整。

關鍵數據

測評涉及的具體技術細節包括：Kimi K3總參數2.8T、上下文1M Token；GPT 5.6 Sol上下文1.05M Token、最大輸出128k Token；GLM-5.2總參數744B、激活參數40B。API價格方面，Kimi K3輸入3美元/百萬Token、輸出15美元/百萬Token；GPT 5.6 Sol輸入5美元/百萬Token、輸出30美元/百萬Token；GLM-5.2輸入8元/百萬Token、輸出28元/百萬Token。第三方Artificial Analysis Intelligence Index顯示，GPT 5.6 Sol綜合得分59分排名第二，Kimi K3以57分排名第三，GLM-5.2以51分排名第十。

研究局限

Kimi K3測試于發布當天進行，出現推理速度較慢和請求無法響應的情況，可能受首日訪問量和服務負載影響，暫不對其響應速度和服務穩定性作確定判斷。本次結論基于有限次數的任務測試，可能受任務樣本、提示詞設計和推理模式等因素影響，后續需多輪測試驗證結果的穩定性和可復現性。

風險提示

歷史規律不代表未來，市場環境變化時模型存在失效風險；策略依據歷史數據回測得到，交易成本或其他條件改變可能導致收益下降；大模型輸出存在隨機性和準確性風險；觀點基于特定提示詞產生，結果可能隨提示詞變化；部分應用存在安全風險，用戶需自行承擔后果；使用AI生成內容需注意版權問題。