大语言模型最新迭代大幅提升股票研究AI能力

用户做股票研究使用大语言模型时，一直存在一个难解的问题：大模型常常无法正确判断具体场景中哪些信息才重要。

比如在开发的“快速入门”工具中，AI代理经常能生成一份不错的约50页入门报告，但很容易出现偏差，要么重复章节内容，要么在无关领域挖得过深，要么完全漏掉真正重要的影响因素。最终用户还得在50页内容里，手动区分AI生成的无效噪音和有效信息。

最新的一批模型包括Fable、Opus 5、GPT 5.6，在这方面实现了大幅阶梯式提升。这是AI金融领域一个比多数人认知更重要的拐点。

用户基于新模型能力，用全新架构重新设计了“快速入门”系统，将其命名为20/60/20系统。

第一部分是20页基础内容：所有公司的这部分内容固定不变，结尾包含影响因素树、争议图谱和研究纲领。

第二部分是60页深度调研，覆盖6个主题：系统会从基础内容中识别出4到6个核心影响因素和关键争议，针对这些内容开展聚焦研究。Fable现在可以从技能库中调用对应工具，顺畅指挥Perplexity计算机子代理在这些领域完成深度调研。

第三部分是20页假设构建：基于核心问题的深度调研结果，调用大语言模型推理能力生成各类假设，列出承保场景、概率树和待人工处理任务清单。

用户自测后对输出结果感到惊讶，也感慨大语言模型的研究能力在短时间内进步显著。

最终得到的是一份100页的高度定制化研究报告，几乎没有模板化填充内容，完全贴合用户自身的思考逻辑，只在用户关注的问题上做深度展开。

这套系统无法替代需要60小时工时的完整尽职调查流程，但已经足够成熟，可以作为60小时深度调研流程的起点。用户会在回复中分享一个示例，仅作教育用途，系统仍在调试，目前并不完美。