2026年科技行业：Agent加速有望驱动算力通胀持续

AI 模型：全球模型迭代加速

国内模型：从基座升级走向任务执行闭环

智谱：基座、视觉与产品入口协同推进

智谱本轮迭代以 Agent 场景为核心，推动基座能力、多模态能力及执行能力同步提升。据 Z.ai官网3月15日发布说明，GLM-5-Turbo面向高吞吐OpenClaw类任务，强化Tool Calling、 复杂指令拆解、定时与持续性任务及长链路执行能力；据 4 月 1 日发布说明，GLM-5V-Turbo 补足视觉能力，可理解界面、设计稿、图表与文档，并强化多模态工具调用与 GUI 任务执 行；根据 4 月 7 日发布说明，GLM-5.1 面向 Long-Horizon Task，支持单次运行最长 8 小时， 形成从规划、执行到迭代优化的完整任务链路。模型能力呈现出由单点提升向多能力协同 演进的特征。

智谱产品化路径逐步清晰并延伸至执行体系。在模型能力持续提升基础上，智谱产品化路 径逐步明确。据 Z.ai 开发者文档与产品介绍，AutoClaw 支持多模型接入，并通过视觉能力、 浏览器执行及 Skill 调用扩展复杂工作流；据智谱 AI 官方微信公众号披露，GLM-5-Turbo 已接入机械革命“龙虾盒子”，推动 AI Agent 终端形态落地。整体路径与“模型升级—工具 增强—产品落地”的逻辑一致，显示其正在构建面向开发者与企业的任务执行体系。

长程任务与多模态能力拓展应用边界。长时程任务能力与多模态能力的同步提升，推动模 型应用边界持续拓展。据智谱 AI 官方 X 账号与官方博客 4 月 8 日披露，GLM-5.1 在 SWE-Bench Pro、Terminal-Bench 及 NL2Repo 等评测中位列开源模型前列，并支持单次 任务持续运行超过 8 小时；据智谱 AI 官方微信公众号 4 月 1 日披露，GLM-5V-Turbo 在预 训练阶段实现视觉与文本深度融合，并通过 CogViT 视觉编码器提升物体识别、空间理解与 细粒度分析能力，在 PinchBench、ClawEval 及 ZClawBench 等评测中取得较好表现。在 应用层面，模型已在 AutoClaw 中支持“股票分析师”等 Skill，可解析 K 线图、估值图及 研报图表，实现多源数据并行处理并输出图文结合结果。

MiniMax：模型开始参与自身演进

MiniMax 推动模型参与自身演进形成研发闭环。MiniMax 本轮迭代的核心在于模型参与自 身研发过程。据 MiniMax 官网 3 月 18 日发布信息，M2.7 能够构建复杂 Agent Harness， 并通过 Agent Teams、复杂 Skills 与 Tool Search 完成高复杂度生产力任务；在模型训练过 程中，M2.7 被用于更新 memory、辅助强化学习实验并反向优化 Harness 与训练流程。同 时，官网披露 M2.7 在 SWE-Pro、VIBE-Pro、Terminal Bench 2 及 GDPval-AA 等任务中表 现较好，体现出其在软件工程与专业场景中的综合交付能力。

MiniMax 构建 Agent 贯穿研发全流程能力体系。MiniMax 通过 Agent 体系将模型能力延伸 至研发全流程。据 MiniMax 官网披露，M2.7 在 MLE Bench Lite 的 22 个机器学习任务中进 行验证，覆盖数据构建、模型训练、推理架构及评测等关键环节；模型在执行过程中能够 自主构建所需技能模块，并基于任务结果动态调整执行路径与策略，实现对复杂研发流程 的端到端参与。该体系使模型由单一能力工具向研发流程参与主体转变。

记忆与自反馈机制推动训练范式演进。记忆、自反馈与自优化机制成为 MiniMax 训练体系 的重要组成。据 MiniMax 官网披露，其核心框架包括：1）通过短时记忆记录每轮任务结果； 2）通过自反馈机制对当前输出进行评估并提出改进方向；3）基于历史记忆与反馈链实现 下一轮自优化。该机制使模型在多轮迭代中持续积累经验并改善表现，推动训练模式向模 型参与优化演进。

小米：多模态底座加速补位 Agent 场景

小米加速补齐多模态能力并强化 Agent 场景定位。小米本轮模型推进重点在于多模态底座 补齐与 Agent 场景强化。据小米官方微信公众号披露，其推出 MiMo 系列模型并持续迭代， 其中 MiMo-V2-Pro 明确定位于高强度 Agent 场景，强调在复杂任务中的执行能力。同时， 小米在语音方向推出 MiMo-V2-TTS，基于自研 Audio Tokenizer 与多码本语音－文本联合 建模架构，提升语音生成的自然度与稳定性，推动多模态能力向实际交互场景延伸。整体 来看，小米正从单一模态能力向语音、视觉与文本融合的多模态体系过渡。 围绕 AIoT 生态推进模型落地路径。小米模型推进路径与其硬件生态深度绑定。根据产品定 位信息，MiMo 系列模型能力优先服务于其终端设备与 AIoT 体系，通过端侧与云侧协同实 现能力落地。从结构上看，其通过“模型能力—终端设备—用户场景”的联动，将语音、 多模态理解与 Agent执行能力嵌入智能硬件使用流程中，使模型不仅承担理解与生成功能， 同时参与实际任务执行，强化应用闭环与用户触达能力。

多模态底座叠加终端入口为端侧 Agent 落地奠定基础。在模型体系构建基础上，小米进一 步将能力与终端生态结合。据小米官方微信公众号披露，上述模型能力将服务于其终端设 备与 AIoT 生态，通过统一模型底座实现语音、视觉与文本能力在实际场景中的协同调用。 从路径上看，多模态能力提供感知基础，Agent 能力负责任务执行，而终端入口与系统权限 则提供落地环境与数据闭环，为后续端侧 Agent 的实际应用奠定基础。该模式体现出模型 能力与硬件生态协同推进的特征。

DeepSeek：国产化软硬件适配或是 V4 重点

DeepSeek V4 的核心看点或是国产软硬件适配，而非单纯的能力抬升。4 月 3 日，据 The Information 信息，DeepSeek 新一代模型 V4 预计将在未来数周发布，且过去数月一直与华 为、寒武纪合作，重写部分底层代码模块，以确保模型能够在国产芯片上稳定运行；同时， DeepSeek 并未按行业惯例向美国芯片厂商提供早期优化访问权限，而是优先向国内供应链 开放。由此看，V4 更像是在外部算力约束与国产替代诉求下，对模型底座、推理路径与部 署体系进行的一次系统性重构。这次 DeepSeek V4 更新重点或不在于能力提升，而在于国 产软硬件的适配。 DeepSeek 近几轮技术演进，已经预示出这一方向。据 DeepSeek 官网信息，2025 年 8 月 的 DeepSeek-V3.1 重点是混合推理架构、Agent 能力增强与推理效率改善；9 月的 DeepSeek-V3.2-Exp 则在公开评测表现与 V3.1-Terminus 基本相当的前提下，引入 DSA 稀 疏注意力，用于提升长上下文场景下的训练与推理效率，并同步开放 TileLang 内核用于研 究与快速原型开发。这意味着 DeepSeek 近期更新的主线，并不是持续追求单轮版本在 Benchmark 上的大幅跳升，而是围绕效率、工具使用、长上下文与底层算子栈迁移能力做 铺垫，从而为国产生态承接更复杂模型服务创造条件。

V4 对国产生态的意义，还在于它可能标志着 DeepSeek 从“依赖英伟达”走向“先完成推 理侧国产替代”的现实拐点。3 月 27 日，据 Reuters 信息，国内 950PR 较前代产品对 CUDA 体系更友好，样片已于 1 月送测，量产预计随后启动；面向模型训练和解码阶段的 950DT 预计在 2026 年四季度推出。V4 当前更现实的突破方向，或是率先实现推理部署侧的国产 化闭环，再为训练侧迁移逐步铺路，这比单一能力分数的变化更值得重视。 DeepSeek 的组织文化与资源配置，或也一定程度上侧面印证了 V4 或押注在适配与原创架 构上。据晚点 LatePost 信息，DeepSeek 人数已超过幻方时期规模，梁文锋深度参与基础 模型架构定版，基础模型架构、Infra 与数据团队各有小几十人；公司内部没有明确绩效考 核和 DDL，延续“自然分工”机制，且仍保留对长周期研究的投入。与此同时，团队已开 始重视产品化与商业化，但 C 端目前仍以 Chatbot 为主，尚未全面进入 AI 编程和通用 Agent 等热门应用方向。这种组织形态决定了 DeepSeek 并不急于在每一轮版本上做外显能力冲 刺，而更倾向于把有限资源投向基础架构、系统效率和生态兼容这些更长期的变量。 从《南华早报》在 26 年 4 月 8 日发布的 DeepSeek 新模式测试结果来看，V4 仍处于“发 布窗口临近、形态逐步浮现、能力边界尚未完全确认”的阶段。目前，DeepSeek 新模型 或已在部分用户中测试，界面或包含快速模式、专家模式与视觉模式，能力上更偏向多模 态推理和 Agent 体系补齐；或存在接近 300B 的先行版本，以及更大参数版本后续推出的 可能。但无论具体参数规模如何变化，V4 更值得跟踪的验证指标，不是单一评测榜单名次， 而是其在国产算力及软件栈上的可用性、稳定性、成本效率和开发者迁移门槛能否形成闭 环。我们认为，若这一闭环成立，V4 的产业意义将明显高于一次常规模型升级。