下一代大模型（GPT-5）：研究框架.docxVIP

证券研究报告请务必阅读正文之后第53页起的免责条款和声明

下一代大模型（GPT-5）：研究框架

计算机行业智能领军（AISOTA）系列报告1｜2025.8.1

核心观点

下一代大模型（如GPT-5），有望成为决定本轮AI产业前景的关键变量。我们基于学术与产业界现有的成果与研讨方向，尝试建立下一代大模型的研究框架，从模型基座、性能、生态、产业等角度展开分析，期待其有望以2-3倍参数规模，实现近10倍智能水平，并显著提升推理性价比。同时，下一代大模型在逻辑推理、原生多模态、记忆系统等关键能力突破，将加速高价值复杂行业场景应用落地。产业端，Agent和多模态两大主线有望持续引领，建议关注企业管理、教育、医疗等领域的头部公司，与海量推理带动的算力产业机遇。

▍报告缘起：我们以关键测试集上错误率减半、智能水平提升10倍作为模型跨代的重要标准。站在当前时点，前瞻性地展望并分析下一代大模型（如GPT-5），是具有难度的。但下一代模型对产业发展具有核心关键意义，其在逻辑推理、多模态等方面能力的持续迭代进展，将显著影响下游应用商业化可行性与进度。因此，我们基于学术与产业界现有的成果与研讨方向，尝试建立下一代大模型的研究框架，从模型基座、性能、生态、产业等角度展开分析，并就相关性能表现及影响进行初步展望，为产业界、投资界分析预判下一代模型变革提供参考。

▍研究角度1——模型基座：模型规模扩增2-3倍实现10倍智能，推理性价比提升一倍提升应用盈利潜力。结合DensingLaw，新一代模型或需要2-3倍的参数规模实现跨代效果，对应模型参数规模约3-5万亿。数据规模上，当前文本数据应该足以支撑下一代模型训练，多模态和思维链数据规模和质量提升有望成为产业新需求。结合当前MoE架构设计和总参数规模假设，预计模型单次激活参数规模或在2000-3000亿水平，较GPT-4单次激活2770亿的规模相比，新一代模型单次推理的算力消耗无大幅增加，API价格或较GPT-4o仅小幅增长甚至不增长，推理性价比提升一倍以上，带动AI应用盈利能力大幅改善。

▍研究角度2——性能展望：逻辑推理、原生多模态、记忆系统等关键能力突破，加速高价值复杂行业场景应用落地。

1）逻辑推理：准确性和创造力有望同步提升，高价值、低容错应用场景落地可期。以思维链为基础的逻辑推理能力从数理等可验证领域泛化到文科等不可验证领域；通过更完善的工具使用和思维链学习，从复现历史逻辑进化到尝试在新领域解决新问题。用户指令跟随升级提升思维链生成稳定性，更好满足B端低容错场景应用，利好企业端Agent加速落地，AIcoding作为落地最快的领域之一有望实现更好盈利能力。

2）原生多模态：期待实现更好的实时动态视频交互和处理能力。原生多模态具有更好的多模态信息融合能力，并且方便多模态模型规模快速扩增，或是下一代模型的主流选择，目前该架构有望迎来加速发展拐点，中长期或将带动模型规模新一轮扩增。模型将实现从静态图像向实时视频处理的进步，推理延迟降低一半；同时从信息识别向分析推理发展，提升数理领域和规划分析效能。

计算机行业评级强于大市（维持）3）记忆系统：长上下文带动30%+任务完成量提升，助力打造专属个性化助理。短记忆以长上下文为基础，下一代模型实现千万Tokens长上下文，短记忆升级带动单次任务完成效率大幅提升，单轮对话任务完成率潜在提升空间30%+，任务耗时有望下降到此前的1/3。长记忆以向量化为基础，多模态向量化技术突破让模型记住视觉信息，多智能体跨平台跨终端协同方案加速探索。长短结合的记忆系统形成全局记忆，让模型成为每个用户的个性化私人助

计算机行业

评级强于大市（维持）

▍研究角度3——生态发展：模型融合降低推理成本，生态建设加速应用开发。模型层，针对问题类型实现思维链和非思维链模式无缝切换，我们预计到下一代模型推出以后有望节约18%+的推理算力成本。基座模型和通用工具原生整合，压缩单点工具和第三方通用Agent产品空间，有数据、经验、入口壁垒的行业场

计算机行业智能领军（AISOTA）系列报告1｜2025.8.1

请务必阅读正文之后的免责条款和声明2

景将是第三方厂商的优势领域。生态上，单智能体开发工具链、多智能体协同