为什么更强的模型仍不等于可靠投研？

先给判断

更强的模型会让投研系统更快、更广，也能显著减少低级错误。但它不会自动解决四个问题：

1. 模型是否获得了完成这次研究所需的最新事实；
2. 找到的来源是否有资格支持当前主张；
3. 数字、时间和比较口径是否一致；
4. 在证据不足或后果重大时，谁决定停止和升级。

这些问题不是“模型还不够聪明”的同义词，而是开放世界研究本身的结构。

因此，可靠投研不能建立在“下一代模型会把所有错误消除”的假设上。更稳妥的产品路线，是让模型进步成为系统收益，同时把事实、验证和责任留在模型之外可观察的位置。

模型进步解决什么

Post-training、检索增强、测试时计算和更好的工具使用，已经在多个任务上改善事实性、推理和拒答能力。

这些进步会直接帮助投研：

• 更准确地理解长材料；
• 更快发现公司、行业和政策线索；
• 更好地形成候选解释和反方问题；
• 在结构化任务中减少格式与计算错误；
• 更诚实地表达部分不确定性。

否认这些进步同样不严谨。问题不在于模型是否会变强，而在于“变强”能否推出“可以独立承担研究责任”。

开放世界不会被一次训练冻结

投研关心的事实持续变化：公司融资、产品状态、政策、价格、客户关系和竞争格局都具有时点。

模型参数只能保存训练时获得的一部分世界。即使模型拥有检索，它仍可能：

• 没找到最关键的一手来源；
• 找到已经过期或被转述的材料；
• 把公司宣传当作独立事实；
• 将不同时间、币种或统计分母混在一起；
• 在来源互相冲突时选择了更流畅的一方。

检索增加了信息通道，但不会自动完成来源资格判断。RAGTruth 等研究也说明，检索增强输出仍可能出现不受来源支持或与来源冲突的内容。

“回答更少”也可能制造虚假的可靠

一个系统可以通过频繁拒答降低错误，也可以通过只回答容易问题获得漂亮准确率。

因此，可靠性必须和覆盖率同时报告：

• 系统回答了多少问题；
• 哪些问题被拒绝；
• 错误集中在哪里；
• 拒答是否错过了本来可以完成的任务；
• 高风险主张是否有更严格的证据门。

没有覆盖率的“零错误”，可能只是系统停止工作；没有风险分层的高覆盖率，也可能把最危险的错误藏在平均分里。

Scaling 也不是一条单一曲线

讨论模型是否“足够强”时，至少要分开四件事：

• 训练损失是否继续下降；
• benchmark 能力是否继续提升；
• 真实任务成功率是否稳定提高；
• 每单位任务的经济回报是否改善。

这些曲线不会在同一位置一起停止，也不会永远保持同样斜率。更大模型可能提高候选质量，却同时增加延迟、成本和验证负担。

对于机构产品，真正相关的不是参数规模，而是：

在给定材料、时点、风险和预算下，系统能否稳定形成可审查的交付。

可靠投研需要五层共同工作

1. 模型

理解问题、生成研究计划、形成候选主张和反方解释。

2. 信息

提供内部授权材料、实时公开事实、结构化数据和可执行计算。

3. 验证

检查引用是否支持主张，数字是否可复算，时间和分母是否一致，反例是否被保留。

4. 选择性发布

证据不足、来源冲突或超出权限时，不把候选文本自动升级为结论。

5. 人的责任

在价值判断、重大风险和验证器覆盖不到的位置，保留修改、否决和最终承诺权。

这五层的价值在于可替换。模型继续进步时，系统可以获得更好的候选结果，而不必放弃已经建立的来源、验证和责任结构。

什么时候可以追求“局部零错误”

在范围明确、真值源固定、验证过程可靠并允许拒答的任务中，局部强保证是可行的。例如：

• 从固定文件提取确定字段；
• 对可执行公式和数据进行计算；
• 检查引用是否指向给定来源；
• 验证报告是否满足结构与披露规则。

这些保证来自“模型生成候选，系统验证后发布”，不是来自裸模型再也不会生成错误文本。

对机构采购意味着什么

评价一个 AI 投研产品，不应只比较“同一个问题谁写得更像报告”，还应继续问：

• 这次研究实际使用了哪些材料和来源；
• 哪些主张经过验证，哪些仍是推导或判断；
• 失败、冲突和未知是否可见；
• 模型更换后，项目记录和质量门是否仍然存在；
• 最终进入投委会或经营决策前，谁拥有否决权。

更强模型是重要生产力，但可靠投研的边界由系统共同决定。

研究起点与边界

本文派生自对公开流传技术观点的独立核验。相关非官方文字稿只用于发现“幻觉能否被解决”“Scaling 是否见顶”等研究问题，不作为人物逐字证词或技术事实真源。本文结论以论文、官方披露和可复核的系统边界为基础。