研发投入是判断一家科技企业技术成色最直接的财务锚点。卓越睿新 ( 2687.HK ) 2026 年中期业绩公告显示，报告期内研发开支达人民币 1.02 亿元，同比增长 26.1%，研发费用率达到 31.3%。资金投向高度聚焦——自研知识领域垂直大模型 " 大明白 " 的 V5 版本迭代是核心中的核心。

一、" 大明白 "V5：高教垂直领域全模态大模型的能力跃迁

" 大明白 " 的核心定位是高教垂直领域全模态大模型——基于备案通过的自研模型，沉淀二十年结构化学科知识资产，打造 " 模型 + 知识 + 交付 " 一体化的高教专属 AI 引擎，让 AI 真正融入教学全流程。V5 不是一次常规参数调优，而是一次能力维度的系统性升级。

从底座看，V5 新增自研 VOM ( 虚拟对象模型 ) 与 VLM ( 视觉语言模型 ) ，接入 World Labs 世界模型，支持文本、语音、图像及 3D 虚实内容生成，打破单一交互限制。七层全模态矩阵—— LLM、VLM、VOM、ASR、TTS、3DM、WM ——从底层模型算法、中层数据引擎到上层交互载体实现全链路自研覆盖。

从知识看，V5 依托全学科知识图谱，显著提升专业课问答与公式推导准确率，从源头降低 AI 幻觉风险。每一个知识节点均附着专家推理链条——判别标准、推导过程、边界条件及典型错误路径，这些带有专家级因果逻辑的结构化数据，对大模型微调的训练价值远高于等量级的一般语料。

从承载看，V5 支持高校大规模并发访问，月消耗 token 超 8,000 亿，稳定支撑万人级教学与科研场景。8,000 亿月 token 意味着 " 大明白 " 已跨越实验室验证阶段，进入了高频次、大规模的真实教学科研场景——对于垂直大模型而言，token 调用量不仅是技术指标，更是商业化成熟度的直接体现。

二、多智能体协同：从 V4" 单智能体 " 到 V5" 多 Agent 分工配合 "

V5 最具架构意义的升级，是多智能体协同能力的成型。简单讲：多个专业 AI 角色分工配合、共同完成一件复杂高校任务，不是单个大模型单打独斗。

V4 时代是单智能体架构，一次只能做一类工作——比如只负责备课，或者只负责学情分析；遇到跨环节复杂任务，需要分步串行执行，效率和连贯性受限。

V5 升级为多智能体协同架构，可以同时调度不同职能 Agent：学科知识 Agent 负责专业知识推理与问答，实验仿真 Agent 负责三维物理实验的建模与实时反馈，学情评测 Agent 负责学习数据分析与自适应出题，3D 场景生成 Agent 负责沉浸式虚实空间的实时构建。多个 Agent 并行协作、互相调用，一个复杂教学任务——从备课、知识讲解、实验操作到学情评测——可以在同一智能体集群内端到端完成。

这一架构的工程化载体，是公司与阿里云基于开源 AgentScope Java 框架联合打造的多 Agent 平台 " 大明白 Polymas"。公告在未来展望中进一步明确，将持续迭代 " 万象多智能体体系 "，完善 " 结构化知识底座 + 多 Agent 场景应用 + 三维虚实实训 " 一体化产品矩阵。多智能体协同不是技术概念的包装，而是让 AI 从 " 对话式助手 " 升级为 " 执行式同事 " 的关键架构跃迁——这也是通用大模型在垂直场景落地时最难跨越的工程鸿沟。

三、深耕教育 vs 通用模型：三个核心差异

在通用大模型能力飞速提升的背景下，" 垂直大模型是否还有存在必要 " 是市场关注的核心问题。公司以业务出发，从数据、价值、合规三个维度，给出了 " 大明白 "V5 区别于通用大模型的清晰答案。

数据：沉淀 20 年高校结构化知识 vs 海量互联网公开数据。通用大模型基于海量互联网公开数据训练，缺乏垂直领域深度与专业度；" 大明白 " 沉淀 20 年高校结构化知识与全流程数据，拒绝通用互联网噪声，搭建全链路信源可追溯的循证式知识底座。整套知识资产涵盖全学科专业理论与学术文献、实训素材与能力模型、实验与课题成果、培养方案与测评标准、验证过程及纠错案例——源自真实学术实践，不存在公开批量获取通道，新进入者无法通过短期投入弥补这一时间维度的积累差距。

价值：极低幻觉、原生适配教务系统 vs 专业领域易产生幻觉、需大量二次开发。通用大模型的输出本质是基于概率的文本生成，在专业领域易产生幻觉，需大量二次开发才能适配学术领域相关流程；" 大明白 " 背后的知识图谱将学科知识淬炼为承载专家推理路径的语义网络，赋予大模型专业级的推理精度与逻辑严谨性，实现极低幻觉，原生适配教务系统，可直接生成教案、实验方案。配合 V5 新增的 VOM/VLM 与 World Labs 世界模型，" 大明白 " 更将能力从二维文本延伸至三维物理空间，支持物理 AI 虚拟实验中的空间推理、操作逻辑与实时反馈——这是纯文本或图像驱动的通用大模型目前不具备的能力维度。

合规：已完成场景备案 vs 通用合规框架需客户自行校验。" 大明白 " 已完成场景备案，严格匹配教学科研内容合规与版权要求；通用模型仅提供通用合规框架，需客户自行校验教育或科研场景的合规性与版权风险。在教育这一对内容安全和知识产权高度敏感的赛道，合规能力本身就是竞争壁垒——报告期内公司平台数据已直接接入教育部等国家级平台，合规水平经过最高级别场景验证。

值得注意的是，通用大模型厂商自身也用脚投票。报告期内，公司在两个月内相继与阿里云、火山引擎、百度智能云三家头部通用大模型厂商签署战略合作。通用模型厂商选择协同而非替代，本质上印证了 " 大明白 " 在行业数据层和场景交互层的不可替代性——通用基座提供基础算力与通用能力，垂直模型提供专业知识与落地交付，二者构成互补而非竞争关系。

总结：通用模型输出 " 答案 "，" 大明白 "V5 输出 " 可落地的高教解决方案 "，实现从 " 对话 " 到 " 交付 " 的质的飞跃。

四、数据与模型的复利飞轮

研发投入的长期价值不止于模型本身，更在于数据与模型之间已形成双向复利循环。公告揭示了一个 " 数据—模型—交互—实践—数据 " 的完整闭环：高质量专业语料持续提升模型在垂直场景中的表现，模型能力的进步又催生新的数据类型与应用场景，反哺数据资产的厚度与广度；知识图谱的持续扩容直接提升智能体的推理质量，智能体的交互日志又反哺知识图谱的优化方向。这个内部飞轮意味着产品迭代不受外部环节制约，且每一次服务交付都在加厚竞争壁垒。

飞轮的运转离不开一线服务网络的支撑。公司采用 FDE ( Forward Deployed Engineer，前线部署工程师 ) 模式，工程师深入合作高校与科研一线，与客户团队共建、共研、共同交付。FDE 网络已覆盖全国 95 个城市、251 个客户服务中心，同一交付周期内可并行交付逾三千个项目。一线场景中产生的教学模式、学科洞察与交互数据，通过 FDE 网络持续回流至公司数据资产池，形成 " 越服务越智能 " 的正向增强回路。数据资产的 " 时效不可复制性 " 正源于此——依托庞大机构客户群的持续使用，数据保持 " 活体 " 更新而非一次性静态语料库。

五、研发投入的长期承诺

从资源配置看，公司对研发的战略倾斜具有制度性保障。IPO 全球发售所得款项净额中，36.7% ( 约 1.58 亿港元 ) 明确分配至研发领域，包括招聘及培训研发人员、完善研发基础设施；另有 21.4% ( 约 9,240 万港元 ) 用于建设知识图谱构建中心。截至报告期末，研发相关所得款项已动用 7,960 万港元，剩余 7,870 万港元将在 2030 年底前持续投入。公司员工总数达 2,873 人，研发团队扩张是雇员开支上升的主要原因之一。

展望未来，公司明确表示将持续加码 AI 资本开支投入，持续扩容算力集群、完善多模态训练基础设施、搭建 MCP 智能体开发底座、迭代 DAG 小模型训练调度体系，持续迭代 " 大明白 " 全模态大模型、Polymas 数据平台、物理 AI 虚实实验及万象多智能体体系。31.3% 的研发费用率不是财务负担，而是对自研技术、行业数据和深度交付三大互锁壁垒的持续加注。