Kimi K3與GPT 5.6 Sol投研Agent能力對比：三類金融任務實測分析

模型背景與測評設計

2026年7月，OpenAI與Moonshot AI先后推出面向長程Agent任務的新一代模型GPT 5.6 Sol和Kimi K3，智譜同期發布的GLM-5.2亦具備相近定位。為驗證新一代模型在真實金融研究場景中的綜合能力，本次測評將上述三款模型進行橫向比較，圍繞估值建模、多因子回測和行業研究三類典型金融投研任務展開實測。相較于單輪問答測試，本次任務更強調復雜工作流下的連續執行與成果交付，要求模型自主拆解任務、規劃執行路徑，并在多個工具和數據源之間完成協同操作。

三類任務覆蓋數據庫取數、Excel建模、Python代碼執行、圖表生成、資料溯源和研究報告輸出等關鍵環節，采用完全相同的結構化提示詞，以綜合評估各模型的任務完成度、結果準確性、研究深度與交付質量。

估值建模任務表現

估值任務以中際旭創為研究對象，要求模型獲取歷史財務和最新經營數據，建立經營預測、三張報表、DCF和相對估值模型，并輸出敏感性分析及投資報告。該任務核心檢驗模型能否將業務判斷轉化為財務假設，保持收入、利潤、現金流和估值之間的聯動，同時保證Excel模型、研究報告、目標價和投資評級相互一致。

GPT 5.6 Sol在該任務中表現最優。其估值模型支持修改假設后聯動更新經營預測、財務報表和估值結果，并設置檢查表和來源表，對輸入項、計算值和跨表引用進行顏色區分，模型的可復算性和可檢查性最強。投資報告中的目標價、評級和投資邏輯一致，建立了模型自檢和數據追溯機制。

Kimi K3采用"銷量×單價"預測收入，報告邏輯基本自洽，投資報告中沒有明顯邏輯沖突。但其Excel模型中部分關鍵數據以靜態形式呈現，各表之間未形成有效公式聯動，核心投資結論頁存在公式和引用錯誤，影響了底稿對報告結論的復核功能。

GLM-5.2的底稿存在多處公式異常，摘要頁出現當前股價、總市值顯示為0，DCF和PE目標價出現#DIV/0!，收入增速出現#REF!等問題。更為嚴重的是，其報告給出"增持"評級，但加權目標價低于估值基準股價，估值結果與投資建議之間存在明顯沖突。

多因子回測任務表現

回測任務要求模型基于滬深300歷史實際成分股，構建價值、質量、動量和低波動等因子，完成IC、Rank IC、十分組收益、多因子選股及策略回測。核心檢驗模型能否正確處理歷史成分股、行業分類、財務披露日、復權價格、調倉時點和不可交易狀態。

GPT 5.6 Sol明確采用"月末形成信號、下一交易日執行"的方式，使用月末交易日的收盤價、估值和財務數據形成因子信號，并在下一交易日執行交易，較好地避免了同日信號和同日成交造成的時點偏差，是三個模型中交易時點處理最嚴謹的。但其回測區間較短，未計入交易成本，對跌停股票無法賣出的情況處理也不完整。

Kimi K3保留了Python代碼、每期選股、組合收益和凈值等結果，計算過程的可檢查性較好。但沒有明確區分信號日與執行日，也未完整處理交易成本和不可交易狀態。執行過程中出現數據庫連接中斷，雖利用已有數據完成回測框架和結果交付，但影響了數據覆蓋范圍。

GLM-5.2覆蓋區間最長，但同樣沒有明確區分信號日和執行日，未完整處理交易成本和不可交易狀態。底稿沒有充分披露每期選股、調倉記錄和組合凈值明細，使用者難以還原策略結果的形成過程，部分圖表存在標題超出畫布、顯示不完整的問題。

行業研究任務表現

行業研究任務以半導體設備產業鏈為對象，要求模型檢索行業和公司資料，梳理上游零部件、中游設備及下游晶圓制造，建立海外龍頭與國內公司的對應關系，并形成公司數據庫、投資框架、跟蹤指標和風險分析，同時沉淀Wiki知識庫。

GPT 5.6 Sol的研究邏輯和來源管理最為規范。其建立了六維評分體系，從市場空間、成長速度、技術壁壘、盈利能力、競爭格局和估值水平六個方面評價不同產業環節，并進一步建立四層公司篩選方法，按照訂單兌現、產品平臺化、財務質量和客戶驗證等條件對公司進行分層。Wiki包含來源摘要頁，raw目錄保存了來源信息JSON，資料追溯最為方便。但公司實體頁數量較少，僅建立4個實體頁。

Kimi K3的報告和投資框架較為完整，同樣建立了六維評分體系，綜合得分可以復算，投資機會排序直觀。但Wiki實際沉淀不足，僅建立2個公司實體頁和2個主題頁，沒有實際生成來源摘要頁和綜合研究頁，raw目錄未保存原始研究資料，部分內部鏈接指向尚未創建的公司頁面。

GLM-5.2覆蓋公司最多，Wiki建立了10個實體頁和6個主題頁，報告展示效果較好。但投資框架分析邏輯不夠清楚，評分權重和計算方法不夠明確，框架的可復核性相對較弱。Wiki沒有建立來源摘要頁，實體頁和主題頁中的數據與觀點沒有形成追溯鏈條，部分鏈接指向未創建的頁面。

綜合評估與結論

三款模型均已具備完成復雜投研任務的基礎能力。GPT 5.6 Sol綜合表現最佳，在任務完成度、研究細節保留和長程執行穩定性方面均較為突出，其估值模型的可復算性、回測時點的嚴謹性和來源管理的規范性均領先。Kimi K3的報告結構和分析邏輯整體較好，但底稿聯動和任務執行穩定性仍需提升，Wiki內容沉淀明顯不足。GLM-5.2擅長任務拆解與報告展示，但底稿報錯、結論不閉環及Wiki斷鏈影響了交付物的可用性。

需要說明的是，本次Kimi K3測試于模型發布當天進行，測試過程中出現推理速度較慢和請求無法響應的情況，可能受到發布首日訪問量和服務負載影響。因此，本文主要評價其已經完成的交付結果，暫不對響應速度和服務穩定性作出確定判斷。與此同時，本次結論僅基于有限次數的任務測試，也可能受到任務樣本、提示詞設計和推理模式等因素影響，后續仍需通過多輪測試驗證結果的穩定性和可復現性。