大模型赋能投研系列之二十三：Kimi K3超越GPT 5.6了吗？—投研Agent模型能力对比评测.pdf

研究目的与方法

本报告为金融工程专题研究，旨在评估2026年7月发布的GPT 5.6 Sol、Kimi K3以及对照模型GLM-5.2在真实金融投研场景中的综合能力。测评采用估值建模、多因子回测和行业研究三类典型任务，通过统一结构化提示词，检验模型从理解需求、调用工具到形成交付物的长程Agent能力。

核心发现

三款模型均已具备完成复杂投研任务的基础能力，但表现分化明显。GPT 5.6 Sol综合表现最佳：估值任务中Excel模型支持联动更新并设置检查表与来源表；回测任务中明确区分信号形成日与交易执行日；行业研究任务中来源管理最规范，建立了六维评分体系与四层公司筛选方法。Kimi K3报告结构和分析逻辑整体较好，采用"销量×单价"预测收入，六维投资框架完整，但估值模型缺少联动、部分公式错误，回测任务未明确区分信号日与执行日，Wiki内容沉淀不足。GLM-5.2覆盖范围最广、展示效果较好，但估值任务底稿公式异常且目标价与评级冲突，回测任务中间计算过程披露不足，行业研究投资框架逻辑支撑较弱、Wiki来源管理和内部链接不完整。

关键数据

测评涉及的具体技术细节包括：Kimi K3总参数2.8T、上下文1M Token；GPT 5.6 Sol上下文1.05M Token、最大输出128k Token；GLM-5.2总参数744B、激活参数40B。API价格方面，Kimi K3输入3美元/百万Token、输出15美元/百万Token；GPT 5.6 Sol输入5美元/百万Token、输出30美元/百万Token；GLM-5.2输入8元/百万Token、输出28元/百万Token。第三方Artificial Analysis Intelligence Index显示，GPT 5.6 Sol综合得分59分排名第二，Kimi K3以57分排名第三，GLM-5.2以51分排名第十。

研究局限

Kimi K3测试于发布当天进行，出现推理速度较慢和请求无法响应的情况，可能受首日访问量和服务负载影响，暂不对其响应速度和服务稳定性作确定判断。本次结论基于有限次数的任务测试，可能受任务样本、提示词设计和推理模式等因素影响，后续需多轮测试验证结果的稳定性和可复现性。

风险提示

历史规律不代表未来，市场环境变化时模型存在失效风险；策略依据历史数据回测得到，交易成本或其他条件改变可能导致收益下降；大模型输出存在随机性和准确性风险；观点基于特定提示词产生，结果可能随提示词变化；部分应用存在安全风险，用户需自行承担后果；使用AI生成内容需注意版权问题。