2026-08-22｜TradingView市场热力＋前沿科技投资研究¶

今日总判断¶

市场侧：周五出现反弹，但还不能定义成科技重新夺回领导权。 8月21日 S&P 500 +0.43%、Nasdaq +0.44%、Dow +0.98%、Russell 2000 +0.85%，但全周仍分别下跌约 1.43%、2.05%、0.85%、1.65%；S&P 500 和 Nasdaq 结束连续三周上涨。更重要的是，周五反弹成交约 149.1亿股，仍低于过去20日约 166.2亿股均量，说明这更像高位修复，而不是强力新增资金回流。

行业侧已经发生清晰切换：医疗继续成为近7日最强板块，科技则是近7日最弱板块。 按 Sector SPDR ETF 复算，XLV 近7日约 +4.33%、XLE +2.79%、XLB +1.90%，而 XLK -3.53%、XLU -3.48%、XLI -3.36%。周五单日材料 +2.2%、医疗 +1.3%、金融 +1.0%，公用事业 -2.3%。

研究侧：今天最大的信号是“AI Scaling 开始越来越重视如何避免昂贵的大规模试错”。 Kakao Kanana 团队相关作者提出用小模型和较小 token 预算预测 10T-token MoE 的最优学习率，达到 R²=0.95，并实际用于从零训练 155B总参数 / 17B激活参数模型；另一条独立研究线则把推理计算从“固定多想”转为按题目难度动态分配，在 MATH500 几乎维持准确率的同时把平均输出 token 降低 41%。这两条路线共同指向：未来AI成本下降不只依赖下一代GPU，也越来越依赖训练与推理的软件效率。

第一部分｜TradingView 市场热力晨报¶

1. SPX500 行业7日 / 30日热力¶

口径

近7日：2026-08-14 收盘 → 2026-08-21 收盘
近30日：约 2026-07-22 → 2026-08-21
量能变化：最近5个交易日平均成交量 vs 前5个交易日
行业代理：11个 Sector SPDR ETF
价格、成交量：Longbridge 日线复算

排名	行业	ETF	近7日	近30日	5日均量变化	当前判断
1	医疗	XLV	+4.33%	+9.53%	+57.0%	量价共振，最强
2	能源	XLE	+2.79%	+7.50%	+5.1%	强趋势
3	材料	XLB	+1.90%	+5.35%	-2.2%	周五重新转强
4	必选消费	XLP	-0.12%	+1.91%	+44.8%	防御资金仍活跃
5	可选消费	XLY	-0.15%	+3.51%	+48.8%	价格未确认、成交活跃
6	房地产	XLRE	-0.42%	+0.16%	+6.9%	横盘
7	金融	XLF	-1.17%	+2.55%	+41.9%	放量但价格偏弱
8	通信服务	XLC	-1.37%	+2.01%	-9.3%	中性偏弱
9	工业	XLI	-3.36%	+0.78%	+44.7%	放量下跌，风险较高
10	公用事业	XLU	-3.48%	-6.88%	-5.6%	7日/30日双弱
11	科技	XLK	-3.53%	+1.69%	+22.4%	7日最弱，且量增

热力图核心变化¶

过去一周最大的变化不是 S&P 500 下跌了多少，而是内部领导权变化：

医疗 / 能源 / 材料 → 领先

科技 / 工业 / 公用事业 → 落后

科技尤其值得警惕。XLK 从8月14日的 190.01 降到8月21日的 183.31，约 -3.53%，而最近5日平均成交量反而增加约 22%。

这已经不是典型的：

“缩量回调，没人想卖。”

而更接近：

价格下跌 + 交易活动增加 = 真实的仓位调整。

2. 强势板块¶

① 医疗 XLV：目前最漂亮的量价组合¶

7日 +4.33%

30日 +9.53%

5日平均成交量 +57%

这是目前11个主要行业里最强的综合结构。

8月19日 Moderna / Merck 个性化 mRNA 黑色素瘤疗法数据让整个医疗、生物科技出现一次明显重估；随后 XLV 虽有回吐，但8月21日重新上涨到 174.62。

因此医疗的驱动已经从单纯：

高利率 → 买防御

升级为：

防御资金 + 临床创新催化 + 量能确认。

风险¶

医疗内部也已经出现明显拥挤：

MRNA 事件后极高波动
生物科技期权 IV 快速上升
临床数据不能直接等于商业化收入

所以更适合观察行业扩散是否持续，而不是追一个已经翻倍的临床事件股。

② 能源 XLE：仍是30日最强之一¶

7日 +2.79%

30日 +7.50%

周五虽然能源行业约 -0.2%，但 Brent 原油已经连续第六天上涨，全周约 +6.4%，美国原油全周约 +5.7%。中东、伊朗制裁与霍尔木兹海峡风险仍是核心催化。

区别在于：

XLV 的强势越来越有成交量支持；

XLE 则更多是：

油价风险溢价 → 盈利预期上调。

所以能源依然强，但消息反转风险明显高于医疗。

③ 材料 XLB：周五最值得新增观察¶

XLB 近7日 +1.90%，近30日 +5.35%。

周五 S&P 500 材料行业单日约 +2.2%，成为当天最强行业；金属、黄金和资源相关股票明显受益于美元走弱、实物资产避险和财政担忧。

但最近5日均量仍略低于此前5日，因此我暂时定义：

趋势转强，但还没有形成非常漂亮的放量突破。

3. 弱势板块¶

① 科技 XLK¶

目前最大的问题：

7日 -3.53%

而且：

5日均量 +22.4%。

所以和上周的“科技缩量回调”已经不同。

市场开始同时重新定价：

长端利率
AI资本开支融资成本
Mega-cap估值
AI硬件拥挤交易
单位AI计算效率提升

费城半导体指数本周约跌 5%。市场正在等待 8月26日 NVIDIA 财报来验证 AI 资本开支主线能否重新获得领导权。

② 公用事业 XLU¶

这是目前最弱的中期行业：

7日 -3.48%

30日 -6.88%

周五又是 S&P 500 单日最差行业，约 -2.3%。

原因其实很清晰：

公用事业通常被认为是防御行业，但同时也是：

高负债 + 长久期资产

当 10Y/30Y 收益率快速上升时，它会像债券一样被压估值。

所以现在市场并不是简单：

“所有防御行业都强。”

而是：

医疗 / 必选消费强

但

利率敏感的公用事业弱。

③ 工业 XLI¶

7日 -3.36%

更需要警惕的是：

最近5日均量 +44.7%。

这属于当前最典型的：

价格下降 + 成交增加

结构。

它比科技更像真正的资金撤出信号之一。

4. 股票扫描¶

强势股票 Top10 观察池¶

这里优先保留已经能够通过 Reuters /主流市场数据核验的强势股票。并不把微盘股异常上涨混进 SPX500 判断。

排名	股票	8/21表现/状态	核心驱动
1	HOOD	+13.7%	Bitcoin/加密交易情绪
2	COIN	+8.2%	Bitcoin +6%级反弹
3	MSTR	+6.0%	Bitcoin Beta
4	ROST	+4.4%	财报超预期、上调全年利润
5	FCX	强势	铜/材料
6	NEM	强势	黄金/材料
7	WPM	强势	贵金属
8	AEM	强势	黄金
9	医疗龙头组	相对强	行业延续
10	材料资源组	相对强	实物资产/美元走弱

HOOD 是周五 S&P 500 最大涨幅股之一，约 +13.7%；COIN +8.2%、Strategy +6%，Ross Stores +4.4%。

这里最重要的不是“加密股涨了”¶

而是：

Bitcoin 周五上涨约 6.4%，本周更是明显走强，同时美元受财政/国债回购争议影响走弱。

这意味着市场出现一个值得跟踪的宏观交易：

财政可信度担忧 → 美元弱 → 黄金 / Bitcoin / 实物资产强。

弱势股票 Top10 观察池¶

完整 S&P 500 官方倒序Top10 本次没有取得一个统一、可核验的数据表，因此不伪造精确排名。以下列当前对市场结构最重要的弱势观察池：

股票/组别	状态	风险
MRVL	周五跌超5%	前期Google ASIC催化快速回吐
NVDA	周五偏弱/全周明显承压	财报前去风险
AVGO	周内明显调整	AI芯片估值
DELL	周内高波动下跌	AI服务器估值
STX	周内大幅回撤	存储拥挤
WDC	周内大幅回撤	存储拥挤
SNDK	周内回撤	NAND高Beta
COHR	周内高波动下跌	光通信估值
XLI核心周期股	相对弱	工业资金撤出
XLU利率敏感股	相对弱	长债收益率

周五 Marvell 再跌超过5%，而本周半导体指数整体明显落后。

5. 资金验证¶

A. 真正的量价共振¶

XLV 医疗¶

价格 +4.33%

量能 +57%

这是目前最强。

B. 价格上涨，资金确认一般¶

XLE 能源¶

+2.79%

量 +5.1%

趋势强，但主要由油价驱动。

XLB 材料¶

+1.90%

量 -2.2%

价格转强，成交还没完全确认。

C. 成交非常活跃，但价格没确认¶

XLP¶

-0.12%

量 +44.8%

XLY¶

-0.15%

量 +48.8%

XLF¶

-1.17%

量 +41.9%

说明这些行业正在发生明显的仓位交换，但还不能全部定义为持续流入。

D. 最危险：价格下跌 + 成交增加¶

XLK¶

-3.53%

量 +22.4%

XLI¶

-3.36%

量 +44.7%

这两个是今天最需要警惕的。

6. 异常波动监控¶

① Crypto Beta 集体放大¶

HOOD +13.7%

COIN +8.2%

MSTR +6%

不是孤立股票事件，而是：

Bitcoin → Crypto Equities

完整传导。

如果 Bitcoin 周末继续大幅波动，周一这些股票存在明显跳空风险。

② 材料股逆势转强¶

材料行业周五 +2.2%，而此前市场主线主要是能源/医疗。

如果：

美元继续弱 + 金属继续强

XLB 有可能成为下一阶段板块轮动的重要候选。

③ AI基础设施仍没有完成全面企稳¶

虽然指数周五反弹，但：

MRVL 再度明显下跌
NVIDIA 并未重新成为决定性领涨股
半导体周线仍明显落后

因此当前还不能写：

“AI硬件调整结束。”

7. 今日美国经济日历¶

今天是星期六，美国现金股市休市。

因此今天没有常规美国经济数据、FOMC决议或国债现金市场交易。

周末真正需要监控的是：

伊朗 / 中东 / 霍尔木兹海峡消息
美国财政与 Treasury buyback 后续表态
周末 Bitcoin / Crypto
下周 NVIDIA 财报前市场仓位变化

下周重要事件¶

8月26日：NVIDIA Q2 财报

这是当前最重要的 AI 基础设施验证点之一。

此外，下周还有：

July PCE inflation
Intuit
Salesforce
CrowdStrike
Jackson Hole
Fed Chair Kevin Warsh 首次备受关注的 Jackson Hole 演讲

8. 美债 / VIX / QQQ-SPY-IWM¶

美债¶

周五市场快照显示：

10Y约 4.73%
30Y约 5.27%
2Y约 4.24%

收益率在 Treasury 扩大 buyback 后曾短暂回落，但随后重新走高。

因此目前债券市场给出的信息不是：

“利率风险已经解除。”

而是：

财政部可以改善流动性，但暂时还没有解决长期财政赤字和债券供给问题。

VIX¶

Cboe 官方延迟报价显示，8月21日约 14:14 ET 时 VIX 为 15.3；Cboe 期限结构显示9月 VIX futures 约 14.96，之后月份逐步升至 16.76、18.58、19.62。

这说明：

现货恐慌不高，但远期波动率明显高于近月。

市场正在定价：

短期还能控制

但未来几个月风险不低。

QQQ / SPY / IWM 近7日¶

Longbridge 日线复算：

ETF	8/14 → 8/21
SPY	-1.37%
IWM	-1.68%
QQQ	-2.41%

排序：

SPY > IWM > QQQ¶

和此前：

QQQ领涨

已经完全不同。

现在真正弱的是：

大型成长 / 大科技。

9. 今日市场风险提示与交易关注¶

① 不要把周五反弹当成科技趋势反转¶

原因：

QQQ一周 -2.41%
XLK一周 -3.53%
半导体指数一周约 -5%
周五全市场成交低于20日均量

所以反弹仍需要下周继续验证。

② NVIDIA 财报成为下一个分水岭¶

重点不是只看 EPS。

要看：

Rubin / Blackwell 需求
Hyperscaler Capex
Networking
HBM
Gross margin
Supply constraints
AI infrastructure financing
2027 visibility

因为现在市场已经开始担心：

AI需求仍然强，但资本成本越来越高。

③ 医疗不要只看成防御¶

XLV 的量价结构现在比很多科技板块更强。

如果下周：

XLV继续强

临床事件扩散

收益率保持高位

那么医疗可能不只是短期轮动，而可能成为阶段性主线。

④ 材料是新观察方向¶

周五材料最强。

重点观察：

XLB + Gold + Copper + Dollar

是否形成持续共振。

⑤ 周末风险¶

因为周六休市：

今天最大的风险不是日内波动，而是周一跳空。

尤其：

Iran
Oil
Bitcoin
Treasury / fiscal policy headlines

第二部分｜前沿论文雷达¶

日期：2026-08-22

覆盖时间：优先过去24小时的最新公开批次；论文实际 v1 提交集中在 2026-08-20。必要处扩展到约72小时。

注意：arXiv 的“8月21日 recent 列表”中很多论文的 v1 实际提交时间是8月20日 UTC。本报告按原始 v1 时间记录，不把进入 recent 页面日期当成首次公开日期。

A. 今日一句话结论¶

今天最重要的研究聚类不是“又一个更大的模型”，而是：

AI训练和推理正在进入“算力精细化管理”阶段。

MoE训练开始用小规模 proxy 推断万亿 token 级超参数；Reasoning 模型开始自己判断什么时候不需要多想；模型路由开始决定什么时候值得调用更贵的 evaluator；机器人则开始把 world model 从固定底座推进到移动底座、全身控制。

这说明未来1–3年的关键变量越来越不是：

总FLOPS有多少

而是：

多少FLOPS真正产生有效训练、有效推理和有效动作。

B. 今日 Top 10¶

排名	论文	领域	机构/团队	重要性	商业化	投资关联
1	Let's Scale Step by Step	MoE / Training	Kanana作者群/Kakao相关	★★★★	<1年	GPU训练成本
2	39pJ/b 7.3Gbps 22FDX Detector	ASIC / Wireless	ETH Zurich团队	★★★★	1–3年	ASIC/通信
3	Learning When to Think	Reasoning / TTC	学术团队	★★★★	<1年	推理成本
4	DECOWAM	Robotics / World Model	机器人研究团队	★★★★	1–3年	Physical AI
5	AI4AI-Bench	AI Coding / AI R&D	多团队benchmark	★★★★	<1年	自动AI研发
6	Pandora's AI Model Routing Box	Model Routing	学术/产业研究者	★★★★	<1年	推理成本
7	MidTool	Agent / Tool Use	Jiang等	★★★★	<1年	Agent基础设施
8	EXIMO	VLA / Robotics	DeepMind控制研究背景作者	★★★★	1–3年	Physical AI
9	BEOL-compatible SOT stack	Semiconductor Materials	材料团队	★★★	3–5年	MRAM/CIM
10	Vertical β-Ga₂O₃ U-Trench MOSFET	Power Semiconductor	器件团队	★★★★	3–5年	高压电力电子

C. Top 1 深度分析¶

论文¶

英文：

Let's Scale Step by Step: Compute-Efficient Hyperparameter Transfer for Large-Scale Mixture-of-Experts

中文：

一步一步扩展：面向大规模 MoE 的计算高效超参数迁移

原文： https://arxiv.org/abs/2608.20061

首次公开 / v1： 2026-08-20 13:57 UTC

最新修订： v1

来源： arXiv

状态： Preprint；作者页面注明 COLM 2026，但本报告不把 arXiv v1 本身当作已完成同行验证的最终期刊版本。

作者¶

Nayeon Kim
Hojin Lee
Yunju Bak
Jaesun Park
Boseop Kim

这些作者中多人与 Kakao Kanana LLM Team 的公开模型工作高度重合；Kakao 官方 Hugging Face 模型卡把 Yunju Bak、Boseop Kim、Nayeon Kim、Hojin Lee、Jaesun Park 列为 Kanana language-model training contributors。

因此这不是单纯的“玩具 MoE 学术实验”，而明显接近真实 foundation-model 训练问题。

它解决什么问题？¶

训练一个150B级 MoE 时，最大的隐性浪费之一是：

在大模型上反复试 learning rate。

比如：

学习率A

→ 跑大量 tokens

→ 不好

学习率B

→ 再烧大量 GPU

学习率C

→ 再试

当模型达到：

数百亿/上千亿参数

×

数万亿 tokens

传统 grid search / ablation 的成本极高。

核心突破¶

以前¶

小模型调参

↓

不确定能否迁移到大模型

↓

大模型重新 sweep

↓

大量 GPU 消耗在“找参数”

现在¶

第一步：

利用 μP（Maximal Update Parameterization）

让 optimal learning rate 可以跨模型 width 转移。

第二步：

再建立：

token budget → optimal LR

的 scaling law。

↓

用小模型 + 小 token 预算

↓

预测：

10T-token

训练时的最优学习率。

实验结果¶

论文最重要的数据：

10T-token 学习率预测¶

拟合：

R² = 0.95¶

说明小规模 proxy 对超长训练 horizon 的预测具有很高解释度。

随后团队直接把方法用于：

155B total parameters¶

其中：

17B active parameters¶

的 MoE foundation model 从零预训练。

而不是只在小模型 benchmark 上结束。

为什么重要？¶

学术价值：8/10¶

它进一步证明：

Scaling Law 不只是预测 loss。

也可以预测：

怎样训练更有效率。

工程价值：9/10¶

如果大型训练团队能够把：

几十次昂贵 ablation

↓

压缩成：

小模型 proxy + regression

那节约的是直接的：

GPU hours
HBM
networking
power
engineer iteration time

商业价值：8.5/10¶

大型 foundation model 的训练成本已经进入：

数千万到数亿美元级别。

真正重要的竞争优势可能越来越是：

谁用更少失败实验完成同样规模训练。

投资价值：7.5/10¶

这对 GPU 是一个“双向变量”。

单位模型：¶

GPU浪费 ↓

看起来对硬件需求偏负面。

但：

训练成本 ↓

↓

更多公司能够训练更大模型

↓

模型数量 / token数量 ↑

所以仍存在：

Jevons Effect。

真实性检查¶

不是纯 simulation¶

真正训练了：

155B / 17B-active MoE

这是加分项。

关键限制¶

论文仍未证明：

对所有 architecture 都成立
对不同 optimizer 都有同样 R²
对非 MoE dense model 相同
不同数据配比、curriculum 下仍稳定
10T-token 级别所有超参数都可预测

目前最明确的是：

learning rate transfer。

所以不能扩大成：

“以后大模型完全不需要调参。”

产业链影响¶

超参数 sweep 减少

↓

无效训练 GPU hours 减少

↓

单位 foundation model 训练成本下降

↓

同等 Capex 可以训练更多实验 / 更多模型

↓

云GPU利用率提高

↓

硬件单位需求下降¶

但

AI实验总需求上升¶

上市公司映射¶

公司	代码	影响	原因
Kakao	035720.KS	中等利好	作者与Kanana团队高度关联，训练效率是直接竞争力
NVIDIA	NVDA	中性	单次训练效率提高 vs 总训练需求扩大
AMD	AMD	中性	同样受效率/需求双向作用
Microsoft	MSFT	弱利好	云端训练单位经济性改善
Amazon	AMZN	弱利好	同上
Alphabet	GOOGL	弱利好	自研模型训练效率同样受益于此类方法

后四家公司属于产业映射，不是论文合作关系。

商业化时间¶

<1年¶

因为这是：

training recipe
scaling methodology
hyperparameter transfer

不需要新晶圆、新GPU或新封装。

已经具备直接进入下一轮训练系统的条件。

市场定价程度¶

部分定价¶

市场知道：

AI软件栈会提高 GPU 利用率。

但投资模型通常更关注：

新 GPU FLOPS
FP4
HBM
Cluster规模
Capex

对：

训练前的 ablation / hyperparameter search 本身消耗多少 GPU

关注明显更少。

我的判断¶

技术重要性：8.5/10

商业价值：8.5/10

投资价值：7.5/10

置信度：中高

D. 其余重要论文¶

2. 39pJ/b 7.3Gbps 22FDX Massive MU-MIMO Detector¶

原文： https://arxiv.org/abs/2608.19865

首次公开： 2026-08-20

状态： arXiv v1；该芯片工作此前已被接受到 2026 IEEE Symposium on VLSI Technology and Circuits。

作者：

Abhishek Kumar、Seyed Hadi Mirfarshbafan、Oscar Castañeda、Christoph Studer。

ETH Zurich 的 SwissChips 页面确认相关作者属于 Christoph Studer 团队。

核心创新¶

利用：

beamspace sparsity + frequency-domain correlation

减少 massive MIMO detector 的重复硬件工作。

真芯片数据¶

GlobalFoundries 22FDX：

8 users
64 antennas
16 subcarriers parallel
QPSK → 256-QAM
1.3 mm²
286 mW
7.3 Gbps
39 pJ/bit
最多 3× area / power reduction

判断¶

这是真实 ASIC，不是 simulation。

商业化：

1–3年

投资映射：

暂无明确单一上市公司受益；GlobalFoundries 作为22FDX制造平台存在产业关系，但论文并不足以构成 GFS 强利好。

3. Learning When to Think¶

原文： https://arxiv.org/abs/2608.20256

首次公开： 2026-08-20

状态： Preprint。

核心思想¶

Reasoning模型先选择：

NoThink / Short / Long

让模型自己判断问题需要多少 Test-Time Compute。

数据¶

1.5B distilled model：

MATH500 accuracy：

0.782 vs base 0.796

基本接近。

平均 response length：

4,796 → 2,811 tokens

-41%¶

GSM8K：

最高约 -76% tokens¶

同时在相似 response length 下保持更好的准确率。

投资意义¶

如果这种 routing 成熟：

Reasoning 单位成本可以显著下降。

商业化：

<1年

NVDA影响：

中性，同样存在单位算力下降与使用量增长两股力量。

4. DECOWAM¶

英文： Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation

原文： https://arxiv.org/abs/2608.20114

首次公开： 2026-08-20

状态： Preprint。

问题¶

过去很多 World-Action Model 主要适合：

固定底座机械臂。

腿式机器人同时有：

Camera ego-motion
Base locomotion
Arm action

三个变化源。

DECOWAM 把它们解耦。

数据¶

Action MSE：-21.7%
Trainable adaptation：25.95M parameters
每种方法：79次 real-robot closed-loop trials
Whole-body coordination / base displacement robustness 为比较系统中最高观察值

真实性¶

这是真实机器人实验。

商业化：

1–3年

产业：

Humanoid / quadruped mobile manipulation / Physical AI。

暂无足够直接上市公司映射。

5. AI4AI-Bench¶

核心问题：

AI 能不能自己改进 AI 训练算法？

Benchmark 使用：

10 个 frozen research repositories
10 种 training algorithm families
每个 Agent 通常 4小时 B300
部分实验扩展到 12小时

对 6 个系统、29种配置的测试中：

平均得分约 0.166

最好：

0.250¶

也就是目前最强 Agent 仍只能关闭不到约五分之一到四分之一的“算法→最优实现”差距。

真正修改学习算法的提交：

0.226

其他：

0.126

提高 reasoning effort 后，真正改变学习算法的比例从：

8% → 64%

平均 score：

0.094 → 0.196

判断¶

这是一篇非常有价值的负面现实检查：

“AI自动做AI研究”已经能动代码，但距离稳定替代顶级研究员还明显很远。

商业化：

<1年作为 benchmark / coding-agent eval。

暂无直接股票强映射。

6. Pandora's AI Model Routing Box¶

原文： https://arxiv.org/abs/2608.20316

首次公开：2026-08-20。

问题：

如果一个系统有：

cheap model
expensive model
RAG specialist
reasoning specialist

那么不仅要决定：

调哪个模型？

还要决定：

值不值得先花钱评估哪个模型更适合？

论文把这变成 Pandora's Box / Value-of-Information 问题。

实验覆盖：

Multi-LLM
RAG specialist
variable inference-time reasoning

结论是：

可以接近 exhaustive estimation 的 routing quality，同时显著减少昂贵 evaluator 调用。

摘要未给统一百分比，本报告不编造。

商业化：

<1年

潜在受益：

AI Gateway / Model Router / Cloud inference platform。

7. MidTool¶

原文： https://arxiv.org/abs/2608.20314

首次公开：2026-08-20。

路线变化¶

传统 Tool Agent：

Base model

↓

SFT / RL

MidTool提出：

工具使用本身应该进入 mid-training。

数据源包括：

Web
PDF
Code
real-world APIs
MCP skills
document workflows

对：

Qwen3-4B

Qwen3-8B

进行 mid-training，再做 SFT / RL。

在：

BFCL
tau2-Bench
MCP Universe

均持续优于对应 baseline。

判断¶

如果这一方向继续扩大：

未来 Agent 能力可能不只是：

“后训练教会工具调用。”

而是：

模型在基础能力阶段就理解 API / MCP / workflow。

商业化：

<1年

8. EXIMO¶

英文： VLM Guided Exploration of VLA Policies

原文： https://arxiv.org/abs/2608.19891

首次公开：2026-08-20。

作者包括：

Bhavya Sukhija、Oliver Groth、Tim Hertweck、Michael Bloesch、Markus Wulfmeier、Abbas Abdolmaleki、Martin Riedmiller 等。

这些作者中多位长期来自 Google DeepMind robotics / controls 路线；Martin Riedmiller 的公开履历显示其长期领导 DeepMind Controls 团队。

方法¶

Explore

VLM 把长任务拆成子任务

↓

Imitate

用 orchestrated data 微调 VLA

↓

Optimize

Residual off-policy RL

为什么重要¶

现在 VLA 的最大瓶颈之一：

新任务数据太贵。

如果 VLM 可以帮机器人自己设计探索数据：

人类 teleoperation 的边际需求可能下降。

真实性限制¶

原始摘要说明在多项实验中 sample-efficiency 和最终性能显著优于 baseline，但没有给统一量化百分比，因此这里不伪造数值。

商业化：

1–3年

9. BEOL-compatible Spin-Orbit Torque Stack¶

方向：

YPtBi / W / CoFeB

目标是：

在后段制程（BEOL）热预算条件下，保持较强 spin-orbit torque。

重要性：

如果未来：

SOT-MRAM

Compute-in-Memory

要更靠近逻辑器件集成，

BEOL compatibility 比实验室极限性能更重要。

真实性¶

真实异质结构和热处理实验，不是纯 simulation。

但摘要缺少完整量产：

endurance
wafer yield
switching-energy
retention

所以：

B/C级材料工程，不是量产突破。

商业化：

3–5年

暂无直接上市公司映射。

10. Vertical β-Ga₂O₃ U-Trench MOSFET¶

这篇属于72小时扩展窗口。

实际器件数据¶

Specific contact resistivity：2.65×10⁻⁷ Ω·cm²
Vth：约 5V
ON/OFF：1.15×10⁶
Peak current density：158 A/cm²
Ron,sp：120.9 mΩ·cm²
Breakdown：920–980V
多指器件 current：约 0.25A

为什么重要¶

β-Ga₂O₃ 的长期吸引力：

超宽禁带 → 更高电压、更高功率密度潜力。

但产业化仍受：

thermal conductivity
substrate
reliability
packaging
defect density

限制。

商业化：

3–5年以上

暂时无直接上市公司映射。

今日 Emerging Research Cluster¶

研究方向	7天趋势	30天趋势	主要信号	潜在产业
Inference / TTC Efficiency	🔥	🔥	Learning When to Think、ParaTempo、vToken等	GPU云、Agent
MoE Efficiency	🔥	↑↑	LR transfer、DeaMoE、FreeBalance	GPU/HBM/训练
World Action Model / VLA	🔥	↑↑	DECOWAM、EXIMO	Robotics
Agent Tool Native Training	↑	↑	MidTool、MCP工作流	Agent基础设施
Power / BEOL devices	↑	活跃	Ga₂O₃、SOT	电力电子/存储

Strategic Research Signals¶

① Kakao / Kanana：更强调“训练效率”而不是盲目堆规模¶

多位论文作者同时出现在 Kakao Kanana LLM Team 的训练贡献名单中。

研究员推断¶

Kakao 这条路线值得观察：

用 scaling methodology 提高训练资本效率。

对于非美国Mega-cap厂商，这可能比单纯追求最大参数量更现实。

② Google DeepMind Robotics：继续强化“数据效率 + 自主探索”¶

EXIMO 作者群与 DeepMind controls / robotics 历史路线高度重合。过去该团队就长期研究 curiosity、data-efficient RL、replay、robot control。

研究员推断¶

Physical AI 的路线正在从：

大量人类 teleoperation

逐渐加入：

VLM-guided autonomous exploration

这可能是机器人 scaling 的重要一步。

③ 没有新的 NVIDIA / TSMC / Micron 高置信研究方向变化¶

今天没有发现足够新的、连续多篇原始论文证据，能够证明这些公司在过去24小时突然改变技术路线。

因此不制造 Strategic Signal。

投资者最值得关注的3个研究信号¶

① AI Scaling 正从“买更多GPU”转向“减少无效GPU时间”¶

为什么：

MoE LR transfer

TTC adaptive reasoning

model routing

都在解决同一个问题：

不要把昂贵计算浪费在不必要的地方。

可能影响：

单位 AI 工作量 GPU需求 ↓

AI 服务毛利 ↑

总 AI 使用量 ↑

相关公司：

NVDA、AMD、MSFT、AMZN、GOOGL、035720.KS

观察周期：6–24个月

② Physical AI 的下一瓶颈可能是“自主获得训练数据”¶

为什么：

DECOWAM解决：

移动机器人 world-action modeling。

EXIMO解决：

新任务数据怎么自己探索出来。

可能影响：

机器人 teleoperation data 成本 ↓

↓

训练任务数量 ↑

↓

Physical AI迭代加快

相关公司：

目前没有足够直接股票映射。

观察周期：1–3年

③ Memory Wall 之外还出现一个新成本：Experiment Wall¶

以前市场关注：

HBM不够

Network不够

Power不够

现在研究开始明确显示：

实验本身也太贵。

155B MoE 如果靠大模型直接 sweep 超参数，本身就是巨大浪费。

因此未来“AI Factory效率”应该包括：

有效训练率

而不仅是：

GPU utilization。

第三部分｜研究信号 × 市场信号¶

① AI股票短期走弱，但“AI效率研究”反而越来越密集¶

市场¶

XLK 7日：

-3.53%

QQQ：

-2.41%

SOX 一周约：

-5%。

研究¶

同一时间：

MoE training efficiency
adaptive reasoning
model routing
tool mid-training
robotics data efficiency

明显升温。

判断¶

这不是：

AI技术周期结束。

而更像：

资本市场从“任何AI Capex都值得高估值”切换到“要求更高资本效率”。

这是一个非常重要的变化。

② NVIDIA 财报会检验“硬件需求增长”能否跑赢“软件效率提升”¶

研究正在证明：

同样 GPU：

可以减少：

trial
token
routing cost
unnecessary reasoning

所以未来 NVDA 投资逻辑越来越需要同时看两个速度：

A. AI总工作量增长率¶

vs

B. 单位工作量计算成本下降率¶

只有：

A > B

硬件需求才会继续高速增长。

8月26日 NVIDIA 财报，是这个矛盾下一次重要验证。

③ 医疗出现市场强信号，但不是本期论文雷达直接驱动¶

市场：

XLV：

7日 +4.33%

量：

+57%

这是非常强的市场信号。

但今天最重要的原始论文主要在：

AI

Robotics

ASIC

Semiconductor Materials

并没有形成一个同步的生物医药论文聚类。

因此严格区分：

医疗当前行情 = 临床事件 + 资产配置

而不是：

“今天论文雷达发现了医疗技术突破，所以XLV涨。”

不强行建立错误因果。

今日最终结论¶

今天最值得保留的两个结论：

市场层面¶

周五是反弹，不是科技确认反转。

SPY > IWM > QQQ 的7日相对强度、XLK 近7日 -3.53%、半导体周跌约5%，都说明大型成长暂时失去领导权。

同时：

XLV 的 +4.33% / +57%量能

是现在最明确的量价强势信号。

技术层面¶

AI的下一阶段竞争越来越不是“谁拥有最多FLOPS”，而是“谁浪费的FLOPS最少”。

训练超参数迁移、动态 Test-Time Compute、模型路由、Agent工具能力 mid-training，都在向同一个方向聚集：

提高每一美元AI Capex产生的有效智能。

因此未来评估 AI 基础设施最值得跟踪的框架，我建议继续使用：

AI总工作量增长率 ÷ 单位工作量效率提升率

然后再叠加：

HBM + Networking + Optical + Power + Financing Cost

去判断真正的 GPU / 数据中心 / 电力需求。

这比单独看：

“下一代GPU有多快”

更接近未来1–5年的产业盈利结构。

数据来源¶

Longbridge：Sector SPDR、SPY/QQQ/IWM 日线和成交量
Reuters：2026-08-21 美股、行业、油价、国债与下周事件
Cboe：VIX 延迟报价与期限结构
arXiv：2608.20061、2608.19865、2608.20256、2608.20114、2608.20316、2608.20314、2608.19891 等原始论文
Kakao 官方 Hugging Face：Kanana LLM Team contributors
ETH Zurich SwissChips：ASIC 作者团队信息