智谱(02513.HK)发布2026年中期业绩：收入同比增长400%至9.54亿元，云端API收入暴增27倍，毛利率由负转正

Hong Kong Exchanges and Clearing Limited and The Stock Exchange of Hong Kong Limited
take no responsibility for the contents of this announcement, make no representation as to
its accuracy or completeness, and expressly disclaim any liability whatsoever for any loss
howsoever arising from or in reliance upon the whole or any part of the contents of this
announcement.

Z.AI Co., Ltd.
北京智譜華章科技股份有限公司
(A joint stock company established in the People’s Republic of China with limited liability)

(Stock Code: 2513)

INTERIM RESULTS ANNOUNCEMENT
FOR THE SIX MONTHS ENDED JUNE 30, 2026
The Board is pleased to present the unaudited condensed consolidated interim results of the
Group for the six months ended June 30, 2026, together with the comparative figures for the
corresponding period in 2025.
Certain amounts and percentage figures included in this announcement have been subject to
rounding adjustments, or have been rounded to one or two decimal places. Any discrepancies
between the total amounts listed in any tables, charts, or other data and the sum of the
individual amounts listed therein are due to rounding.
FINANCIAL SUMMARY
For the six months
ended June 30,
Year-on-Year
2026
2025
Change
RMB in thousands
%
(Unaudited)
(Unaudited)
Revenue
Gross profit
R&D expenses
Loss for the period
Adjusted net loss for the period

953,892
251,611
(2,131,171)
(2,071,992)
(1,964,138)

–1–

190,877
95,424
(1,594,661)
(2,357,852)
(1,751,974)

399.7
163.7
33.6
-12.1
12.1

For the six months
ended June 30,

Revenue
Open platform and API
Enterprise-level agents
Enterprise-level general-purpose
large models
Technical services and others
Total

Year-on-Year
Change
in Revenue
Growth

2026

2025

RMB in
thousands
% of total
(Unaudited)

RMB in
thousands
% of total
(Unaudited)

%

825,176
55,561

86.5
5.8

29,100
13,739

15.2
7.2

2,735.7
304.4

67,037
6,118

7.0
0.7

147,555
483

77.3
0.3

-54.6
1,166.7

953,892

100.0

190,877

100.0

399.7

MANAGEMENT DISCUSSION AND ANALYSIS
Business Review
In the first half of 2026, the Company validated the deliverability of large models in the
domain of coding – progressing from early-stage simple code recommendations, to fullfile code generation, and then to the implementation of complete engineering projects
(Agentic Engineering). It has fully traversed this trajectory: the model is no longer merely
a tool, but possesses the capability to complete an entire task independently. Accordingly,
its revenue structure shifted: the share of open-platform and API services – billed on a perinvocation basis – rose from 26.3% of the previous full year to 86.5%, while on-premises
model deployment revenue fell from 73.7% to 13.5%. The restructuring of our core revenue
mix in the first half of 2026 is essentially an inevitable consequence of a generational leap
in model capability. Cybersecurity Co-work is an extension of the same capability curve.
Software vulnerability discovery does not rely on memorization, but on the model’s reasoning
depth and long-range autonomy – precisely the direction that naturally follows after coding
capability crosses the threshold of engineering project delivery. During the Reporting Period,
the Company’s model achieved a score of 84.5% on CyberGym (surpassing Fable 5 and GPT5.6 Sol) and completed 130 tasks on ExploitGym (ranking second only to Fable 5 and GPT5.6 Sol).

–2–

Underpinning these two trajectories is infrastructure. Since the beginning of 2026, the
Company has fully implemented an All-in-Infra strategy, investing in both training and
inference, and integrating domestic chips as a primary inference compute resource. It has
achieved large-scale, low-cost inference across a cluster of over 100,000 domestic chips,
with unit Token inference costs declining by 80% from the beginning of the year. Given the
persistent global supply constraints on compute, this path ensures that the Company’s cost
curve remains within its own control. As at the end of the Reporting Period, the number
of enterprise and developer users on the GLM MaaS platform exceeded 5.8 million. The
Company’s total revenue amounted to approximately RMB954 million (approximately
USD142 million), representing a nearly 400% increase year-on-year. Among this, openplatform and API revenue amounted to approximately RMB825 million (approximately
USD123 million), up 2,735.7% year-on-year.
In August 2026, the Company released GLM-5.3 and GLM-5.3-Flash (Ox-Alpha), and
simultaneously made the GLM Coding Plan subscription available to all users, covering
Lite, Pro, Max and Team editions – making it one of the earliest large-model services in
China to deliver coding-agent capabilities under a subscription model. As of the date of this
announcement, the GLM MaaS platform had over 7.4 million enterprise and developer users.
I.

Strategic Focus
Intelligence upper bound defines the task boundary; task value defines the commercial
space
At the beginning of 2026, we set out a formula: AGI Commercial Value = Upper Bound
of Intelligence × Token Consumption Scale. This time, we would like to elaborate a bit
on this.
The upper bound of intelligence determines which tasks the model can handle and how
much user value can be created per Token. A higher intelligence upper bound means
that the model can handle tasks with higher value density, and each unit of intelligence
corresponds to greater economic output. Token consumption scale reflects the breadth
and depth of intelligence utilization; the upper bound of intelligence first unlocks the
task boundary, and the task boundary then determines where Tokens are assigned to in
terms of value density. The same volume of Token used for casual chat versus fixing a
production-environment vulnerability yields an output difference of several orders of
magnitude.
Capability Ladder. The evolution of model capabilities is not a set of parallel product
lines, but a ladder that can only be climbed sequentially:
Chat → Coding → Agent → Co-work → Autonomous AI

–3–

Chat delivers a single response; the task ends within one round, with the lowest
value density but broadest coverage. Coding delivers runnable code, introducing the
first objective acceptance criterion – it either runs or it does not. Agent delivers a
completed multi-step task chain, where the model begins to invoke tools and handle
intermediate failures by itself. Co-work delivers a work product that can be reviewed
by a professional, entering real workflows and priced by completed tasks. Autonomous
AI delivers continuous operation capability, where the model undertakes long-term
objectives without human supervision. Each step upward is gated by a concrete technical
threshold. From Chat to Coding, the threshold is verifiability of results; from Coding
to Agent, it is long-horizon planning and error recovery; from Agent to Co-work,
it is reliability to the level that professionals are willing to review rather than redo
from scratch; from Co-work to Autonomous AI, it is whether the model can judge the
correctness of its own outputs. If the threshold cannot be crossed, the business model for
that level does not hold.
Market Space. As the task boundary moves upward, the market space expands
correspondingly. By rough order-of-magnitude estimates: Chat corresponds to the
search market of approximately USD100 billion – the answer given by the Internet
era; Coding corresponds to roughly USD500 billion in software R&D expenditure; Cowork corresponds to approximately USD5 trillion in knowledge-work spending; and in
the longer term, AI-driven re-architecting of operating systems and human-computer
interaction, together with industry-wide upgrades, corresponds to an addressable
space of about USD30 trillion. (The above market space figures are the Company’s
rough estimates based on publicly available industry data, used solely to illustrate the
correspondence between task tiers and market magnitudes, have not been independently
verified, and do not constitute a forecast or guarantee by the Company of its business,
financial condition or results of operations. The shareholders and investors of the
Company should not place undue reliance on such figures.) Correspondingly, industry
evaluation criteria are also shifting: from single-turn response quality and Token
consumption volume to long-horizon task success rate, unit intelligence cost, result
verifiability, and the actual business outcomes delivered to customers.
During the Reporting Period, the Company’s focus lay between the second rung (Coding)
and the fourth rung (Co-work) of the ladder. The coding direction has been fully
traversed; cybersecurity has entered the co-work validation phase; and other areas such
as legal remain at early stages. The Company’s R&D expenditure for the first half of
2026 amounted to approximately RMB2.131 billion (approximately USD317 million),
demonstrating a steadfast commitment to scaling new heights.

–4–

Why this order. We hold a straightforward understanding of AGI: it is not the
intelligence of a single person, but the sum total of human intelligence, and should
ultimately possess the capability to generate original knowledge on par with the theory
of relativity. What determines progress along this path is the generational level of model
capabilities. This is the starting point for all of the Company’s products and business
logic.
The Company was among the earliest teams in China to invest in large-model R&D.
From the GLM pre-training architecture and the Wudao series to today’s GLM-5 series,
we have focused essentially on one thing: training more powerful models. When the
industry was hot, we did not divert resources to roll out multiple product lines; when the
industry cooled, we did not pause model iteration. In retrospect, every sharp increase
in revenue occurred after – not before – model capabilities improved and new task
scenarios were unlocked.
II.

Technology Roadmap and Model Progress
The core capability of a model-building company lies in the efficiency of converting unit
resources into intelligence. Compute, data and talent all carry costs; how efficiently the
Company can convert these inputs into model intelligence determines how far it can go.
Our optimal organizational approach is that research problems originate from real tasks,
and research outcomes go directly into the next-generation model, delivering end-to-end
service capabilities to users.

–5–

•

How We Understand SOTA

Over the past year, the industry’s understanding of “SOTA” has been rewritten.
Leading a point-in-time leaderboard is no longer the most important thing. What
truly matters is who can sustainably bring more capable models to market at a
faster pace and with better cost-efficiency. We place 27 flagship models from
five vendors from September 2025 to the present into a single coordinate system:
the horizontal axis is paradigm progress, the vertical axis is intelligence index,
and the depth axis is cost per task. In this framework, a single-point champion is
merely a fleeting dot; sustained optimality is a trajectory that keeps advancing
upward. All players are moving forward, but the pace and cost differ. The GLM
series completed six iterations – 4.6, 4.7, 5, 5.1, 5.2 and 5.3 – over approximately
11 months, with the intelligence index rising from 32 to 60 and per-task costs
stable at around USD0.20, spanning all three paradigm stages shown in the figure.
GLM-5.3-Flash, with a per-task cost of USD0.045, has entered the intelligencecost frontier. (Intelligence Index and per-task cost source: Artificial Analysis
Intelligence Index, as of August 27, 2026; task metric: cost per Intelligence Index
task.)
During the Reporting Period, the Company’s technology roadmap comprised three
generations of models.

–6–

1.

GLM-5: Using Coding as the Entry Point to Unlock Long-Horizon
Intelligence
We chose coding as the entry point for capability breakthroughs because
software engineering is the closest real-world environment to “verifiable
intelligence”: task goals are clear, the toolchains are complete, and whether
code runs, tests pass and issues are fixed all constitute clear feedback signals.
Without verifiable feedback, there are no targets to optimize against.
The capability focus of GLM-5 extends from code generation to system
understanding, task planning, tool invocation, continuous debugging and
engineering delivery, driving the model from Vibe Coding towards Agentic
Engineering.
The value of coding to the Company goes beyond helping developers write
code. Over longer task chains, the model needs to continuously understand
goals, invoke tools, handle exceptions and adjust strategies based on
environmental feedback. Through coding – a high-feedback-density realworld environment – the long-horizon task capabilities accumulated can be
transferred to cybersecurity, data analytics, complex automation and other
professional domains. During the Reporting Period, the coding direction had
already become the Company’s primary revenue source, and the capability
transfer mentioned above was validated in Cybersecurity Co-work.

2.

GLM-5.2 and GLM-5.3: Scaling Deep While Scaling Up
Scaling up means expanding model size, context length, compute power and
system capacity; scaling deep means investing in post-training, reinforcement
learning, long-horizon trajectories and task feedback. At the current stage, we
prioritize resource allocation for the latter. There have been several historical
precedents. Kaplan’s Law drove parameter growth far ahead of data growth;
Chinchilla revised this path using the “20 Tokens per parameter” ratio: the
70B model trained on 1.4T Tokens comprehensively outperformed the 280B
Gopher. In the inference era, models are invoked billions of times per day,
inference costs exceed training costs, and the optimum shifts toward “smaller
yet trained longer.” MoE further splits parameters into two dimensions: total
parameters determine how much is memorized, while active parameters and
depth determine how deep the reasoning goes. Recent research also indicates
that the optimal Token-to-parameter ratio is task-dependent: memory-oriented
tasks favor larger parameters, while reasoning-oriented tasks favor more data.
Tasks like cybersecurity do not require memorizing more CVEs; they require
pushing a twenty-step causal chain to the end without breaking – a capability
that does not reside in total parameters.

CVE (Common Vulnerations and Exposures)
MoE (Mixture-of-Experts)

–7–

GLM-5.3 is a test of this judgment. It shares the same architecture, total
parameter count and active parameter count with GLM-5.2; the only variable
is the scale of post-training – using one month to scale up long-horizon task
environments and reinforcement learning. In the Company’s self-built realworld coding evaluation, the end-to-end completion rate improved by over
50% compared with GLM-5.2 (evaluation methodology and sample size are
detailed in the GLM-5.3 technical blog at https://z.ai/blog/glm-5.3). This
approximates a controlled experiment, demonstrating that scaling is not just
about parameters, and that post-training currently offers the largest headroom
for performance gains.

Our thesis is that a capable model can only be obtained by applying
appropriate data at the right time and training at a suitable scale. The
objective is not simply to pursue maximum size, but to deliver the model that,
under current data and compute constraints and with sufficient training depth,
delivers the highest intelligence upper bound.

–8–

This approach unfolds across four dimensions. (i) Data: continuously
increase knowledge density and task complexity, and accumulate high-quality
long-horizon Agent trajectories through the developer ecosystem, industry
partnerships and Model-with-Model Self-Play, which are then filtered,
validated, synthesized and fed back into training; (ii) Mid-training: between
pre-training and post-training, the Company has separately allocated compute
for the mid-training stage to increase knowledge density, extend effective
context length, and establish foundational patterns for tool invocation and
long-horizon tasks. The marginal returns of the three stages differ, and
compute is budgeted separately rather than as a single one-off investment;
(iii) Algorithms: in response to new challenges in reward allocation, feedback
utilization and continual learning over long trajectories, we are moving from
GRPO to explore Critic-based SAO, and extending from SFT towards OPD.
Starting with GLM-5.2, we have introduced Critic-based single-trajectory
optimization for ultra-long trajectories; (iv) Engineering and Environment:
Slime improves the efficiency of large-scale reinforcement learning training;
Index Share reduces the overhead of long-context sparse attention; MTP
optimizes inference decoding; and LayerSplit and ZCube improve KV cache
management and cluster network efficiency. At the same time, we continue
to expand Coding Agent and more real-world interactive environments
across additional domains, enabling the model to learn through continuous
execution, failure and replanning. As the number, type and complexity of
environments grow, the model learns not only how to answer, but how to
continuously complete complex work in dynamic environments. These four
dimensions interlock: environments generate trajectories; algorithms improve
trajectory utilisation; engineering supports larger-scale training and inference;
and data sets the starting point.
3.

GLM-5.3-Flash (Test Codename Ox-Alpha): Next-Generation Architecture
and System Capability
If GLM-5.3 represents the current capability upper bound, GLM-5.3-Flash
represents the cost frontier. The two serve different task regimes: the former
targets long-horizon tasks requiring the highest intelligence; the latter targets
high-frequency, high-volume, cost-sensitive invocations.
GLM-5.3-Flash adopts a brand-new architecture, purpose-built for ultra-low
cost. It has 320B total parameters, 18B active parameters and 45 layers. It
employs a hybrid architecture of sparse attention and linear attention, which
substantially reduces long-context serving costs while maintaining longcontext precision, and uses manifold-constrained hyperconnection (mHC)
to enhance scaling capability. Combined with a 30T-scale multimodal pretraining corpus, GLM-5.3-Flash outperforms GLM-5.2 on benchmarks and in
real-world applications, at one-tenth of the latter’s price.
–9–

Before the official release, we deployed the anonymous model Ox-Alpha
on OpenCode and OpenRouter for real-world invocation testing. On its first
day online, it reached the top of the OpenRouter leaderboard and set a new
single-day Token usage record on that platform; within one week, it became
the most-invoked model on both platforms, with a 6-day cumulative Token
volume of more than 62 trillion, driving an over 20% increase in overall
platform traffic.

4.

Domestic Chips Power Domestic Models
The inference of GLM-5.3-Flash marks the first time the Company has fully
deployed a domestic chip cluster to serve ultra-large-scale real-world traffic,
with chips interconnected via a self-developed high-bandwidth network. The
way this work was accomplished is itself worth recording: the entire inference
engine was substantially accelerated by an infra agent powered by GLM-5.3,
which assisted engineers in developing and optimizing operators, diagnosing
performance bottlenecks, and improving the deployment service stack. The
model optimizes the system, and the system hosts the model – this loop ran
internally for the first time. Operator development cycles were shortened by
half. This also serves as an internal validation of the Company’s own co-work
approach.

– 10 –

The main technical constraint is the memory capacity and bandwidth of
domestic chips, making 1M context support particularly challenging. To
address this, we built a dedicated inference engine on top of SGLang, with
custom optimizations that trade compute for bandwidth and communication
for memory, and adopted at the cluster level a production-grade Encode –
Prefill – Decode disaggregated architecture, splitting multimodal encoding,
prompt pre-filling and per-Token decoding into independently schedulable
and scalable worker pools. Compared with the initial baseline on the same
hardware, end-to-end service performance tripled; in coding scenarios, the
per-Token inference cost on domestic chips has reached a level comparable
in cost-performance to mainstream imported GPUs. Domestic chips can
economically support inference for cutting-edge models at large scale.
III. Commercialization Progress: The Right Model Will Natively Go to Market
(I)

Revenue Structure Flip
The evolution of the Company’s revenue structure is essentially a progression of
transaction modes driven by model capability improvement:
Sell Model → Sell Invocations → Sell Subscriptions → Sell End-to-End Task
Outcomes
These four transaction modes are not parallel product lines, but forms unlocked
sequentially as model capability improves. The more complete the tasks the model
can independently accomplish, the closer the customer’s purchase is to the outcome
itself, and the unit of revenue measurement changes accordingly.
1.

On-premise Deployment Phase: Completing Deep Industry Accumulation and
Validation
In the early days, when the model was not yet capable of independently
completing a full task, customers purchased tools that needed to be
integrated, customized and deployed in their own environments. Combined
with requirements for data security, compliance and autonomous control, onpremise deployment became the natural starting point for enterprise adoption
of large models. The transaction mode at this phase was selling models –
one-time licensing, project-based delivery. During this phase, the Company
completed penetration into key industries, developed understanding of
complex scenarios, and built enterprise-grade delivery capabilities. These
accumulations remain valuable today – what has changed is the delivery
form, not the industry understanding.

– 11 –

2.

Coding Phase: From One-Time Delivery to Continuous Invocation
The improvement in GLM’s coding capability drove rapid growth in API and
Coding Plan adoption. During this phase, the Company proactively scaled
back its on-premise model software licensing business, shifting toward
continuously providing invokable, scalable and quantifiable intelligence
services. By end-2025, API invocation volume had grown approximately
seven times from end-June 2025, with the revenue from the open platform
and API accounting for approximately 26.3% of total revenue, and gross
margin improving to 18.9%. Coding became the first scaled entry point for
Token consumption and cloud revenue growth. The significance of this step
extends beyond growth rate: revenue recognition shifted from one-off to
recurring, giving the Company predictable recurring revenue for the first
time.

3.

Agent and Co-work Phase: From Model Invocation to Task Delivery
In the first half of 2026, GLM’s capabilities in Agent planning, tool
invocation, continuous execution and long-horizon tasks continued to
improve, extending the business from the single-point application in coding
to high-value scenarios such as software engineering, cybersecurity, data
analytics and complex automation. The transaction mode evolved further from
selling invocations to selling subscriptions and end-to-end task outcomes.
During the Reporting Period, revenue from the open platform and API
reached RMB825 million, representing a year-on-year increase of over 27
times and accounting for approximately 86.5% of total revenue, compared
with 15.2% in the same period last year – a rise of 71.3 percentage points.
Co-work represents the part currently being unlocked: the model connects
to enterprise data, tools and business systems, embedding into procurement,
finance, customer service, R&D, IT operation and maintenance and other
functions, moving from understanding requirements to executing tasks. In
turn, enterprises’ real workflows become learnable environments and data for
the model. During the Reporting Period, the Company initiated pilot efforts in
cybersecurity, legal, finance, education and other sectors, with cybersecurity
progressing most rapidly; the others remain at early stages and have not yet
generated material revenue.
Looking back at these three phases, they form a cohesive trajectory: with
each leap in model capabilities, what customers purchase moves one step
closer to tangible outcomes, and the Company’s revenue structure is reshaped
accordingly.
– 12 –

(II) Volumes Surge While Prices Rise, with Improving Gross Profit and Narrowing
Loss
The above growth did not come at the expense of price. As of the date of this
announcement, the Token invocation volume of the MaaS platform had increased
over 40 times from the beginning of 2026, with Coding Plan invocation volume
growing over 23 times. During the same period, the average API selling price
increased by approximately 101%, and Coding Plan subscription prices also went
up. Volumes surged while prices rose.
During the Reporting Period, the gross profit margin for the open platform and
API business increased to 24.6%, an improvement of approximately 25 percentage
points year-on-year and up approximately 6 percentage points from 2025. The
Company’s loss for the period decreased by 12.1% year-on-year, the loss ratio
(loss/revenue) narrowed by 4.7 times compared with the same period last year,
and the adjusted net loss ratio for the period (adjusted loss/revenue for the period)
shrunk by 3.5 times compared with the same period last year. While the scale
expanded, unit economics improved, which is the set of metrics we value more.
(III) From Coding to Co-work
Coding is currently the largest-consumption and most fully validated scenario.
Leveraging code generation, engineering understanding, tool invocation and longhorizon task capabilities, the Company is extending from code assistance to the
full software development lifecycle. Through Harness, ZCode undertakes the
tasks of context management, tool invocation, task scheduling, caching and result
verification, improving the model’s performance in real-world engineering. As
long-horizon capabilities advance, the complexity ceiling of coding tasks continues
to rise.
The Company uses three dimensions to decide which co-work directions to enter:
intellectual threshold – the requirements for reasoning, planning, tool invocation
and long-horizon execution; unit intelligence consumption – the effective Token,
inference duration, computing power and human intervention required to complete
a task; and unit output value – the revenue generated by a single delivery, labor
time saved, and risk reduced. Together, these three factors determine whether it is
necessary to handle over a task to the model today.

– 13 –

For large enterprises and public institutions, the Company continues to provide
on-premise deployment and organization-level intelligent infrastructure to satisfy
the demands for data security, permission management, system integration and
domestic computing power adaptation. Such demands will not disappear, but
their roles in revenue have shifted from primary contributor to supplementary
contributor.
(IV) User Scale and Engagement Depth
As of the date of this announcement, the Company’s MaaS platform had over 7.4
million users, an increase of 144% from the beginning of 2026, with the number of
paid daily active users rising by 603%. For the top ten customers by revenue, the
average daily invocation volume soared 98 times from the beginning of 2026.
These three figures point to the same direction, with increasing magnitudes: more
users, faster growth in paying users, and deeper usage among heavy paying users.
The third figure is especially important as it indicates that the model is moving
from trial to production within customer organizations.
(V)

Compute Multiplier
During the Reporting Period, the Company’s compute multiplier, defined as the
open platform and API revenue generated from every RMB1 of computing power
investment (including both training and inference), increased by approximately 14
times year-on-year.
This improvement in the curve comes from both ends: the intelligence per Token is
increasing, while the Token and cost consumed per task are decreasing. The former
is determined by model capability; the latter by infrastructure. Only when both of
them improve simultaneously can there be a Pareto advance in the “intelligencecost” frontier. The revenue recovered per RMB1 of computing power investment
is increasing, meaning the model’s self-sustaining capability is strengthening. We
intend to continue pushing this curve upward.

– 14 –

IV.

Ecosystem and Safety: Earning Real-World Trust for Capability
Between model capability and a dependable service lies one thing: whether the real
world trusts it. The Company works on two fronts simultaneously: open-source and
openness, so that safety capabilities grow in tandem with model capabilities. On one
hand, the Company makes model weights, the MaaS platform, Coding Plan and the
global developer network available for users, allowing the model to enter as many realworld scenarios as possible. On the other hand, the Company establishes verifiability
of capabilities through permission controls, process supervision, risk assessment,
vulnerability disclosure and external validation. They are mutually reinforcing: without
openness and open-source, safety cannot be examined; without safety, openness and
open-source cannot be sustained.
Safety is not merely a compliance cost; it can also be a verifiable public good, helping
the market judge whether a model can be safely, stably and durably deployed in realworld environments.
From Capability to Public Good
Since the launch of GLM-5.2, the Company, in collaboration with multiple security
teams, has conducted ongoing red-team testing and safety evaluations. As of the end of
the Reporting Period, a total of 2,436 vulnerabilities had been identified (after initial
screening and deduplication), of which 1,097 were medium- or high-severity, covering
269 projects including system kernels, operating systems, browser engines, open-source
foundational components, Internet applications and network protocols. A considerable
portion of the vulnerabilities are long-standing, previously undiscovered historical
vulnerabilities, with the oldest having existed for more than 20 years.
These discoveries have evolved into an ongoing vulnerability discovery and disclosure
effort, with related vulnerabilities being submitted to national vulnerability databases
such as CNNVD/CNVD. To enhance transparency, the Company has established a
Security Disclosure Ledger (https://cvd.z.ai/) that records the entire process from
discovery, confirmation to remediation. The ledger is continuously updated, which only
discloses the vulnerabilities that have been disclosed and remediated by vendors; for
those still in the coordinated disclosure phase, only hash values are made public for
subsequent verification, without disclosing reproducible exploit code.
The significance of this mechanism is that it places the model’s capabilities in a position
subject to third-party verification. Benchmark scores are reported by us; vulnerability
disclosures are confirmed by national vulnerability databases and vendors, with the latter
being the source of external trust.

– 15 –

Open Source and Openness
With the launch of GLM-5.3, the Company simultaneously launched the “Open
Source Shield” initiative, comprising three ongoing commitments. First, we conduct
continuous security audits of key open-source projects, helping maintainers identify
and remediate risks free of charge, with audit results made public through OpenVuln
(https://huggingface.co/spaces/zai-org/OpenVuln). Second, we provide free model
quotas and defence access for the open-source community, allowing open-source project
maintainers to apply for these resources for security audit and defence tasks; Third, we
offer code audit functionality in ZCode, integrating security checks into daily R&D
workflows.
The common thread across these three initiatives is putting the Company’s most
advanced capabilities into the hands of those who need them most but can least afford
them. Open-source foundational components underpin almost all modern software, while
maintainers are often a few unpaid individuals. While attackers’ cost of using cuttingedge models is falling rapidly, defenders may not be able to afford them. If the strongest
spear is locked in the hands of a few, the best shield must belong to everyone. Before
open-sourcing, the Company, together with top domestic security teams, has conducted
sustained red-team testing and automated jailbreak evaluations, using newly generated
samples to iteratively harden the review system, and invited professional teams to
independently assess the model’s high-risk task capabilities. The balance between
capability release and risk mitigation is judged by external parties, not by the Company
itself.
From a commercial perspective, open-source and safety are not cost items. The
distribution scale brought by open-source is a prerequisite for the model to receive realworld task feedback; the external confirmation brought by security disclosures is the
basis upon which enterprise customers decide whether to integrate the model into their
production systems.
Capability Boundaries and Controlled Access
The model’s capabilities in cybersecurity have dual-use implications. For the most
sensitive capabilities, the Company adopts a controlled-access approach: which are made
available to verified security researchers and institutions, while all other users follow
standard security policies. Before open-sourcing the model, the Company completes
safety assessments, model hardening and usage boundary design.

– 16 –

Future Outlook
In the first half of 2026, we have validated that the model can independently complete an
entire task. The next step is to enable it to undertake an entire business process.
(I)

Tasks: From Long-Horizon Tasks to Autonomous Systems
Longer time horizons. We will enable the model to stay consistent with its goals
over longer periods and continuously perform task decomposition, tool invocation,
environmental interaction, error remediation and result verification. Today’s frontier is
engineering tasks on the order of hours, while the next step will be complete delivery on
the order of days.
Multi-agent collaboration. We will move from a single Agent to multi-Agent
collaboration, with the model undertaking complete business processes, shifting
from assisting work to executing work. The threshold at this step lies not entirely in
intelligence itself, but is more about in reliability and auditability, indicating the model
must be able to operate without step-by-step human inspection, while leaving verifiable
traces.
Each outward expansion of the task boundary raises the requirements on model
capability by an order of magnitude. The consequent question is: along which
dimensions can capability continue to improve.

(II) Capability: Scaling Never Stops
Scaling remains the main path to higher intelligence. What has changed is what we are
scaling.
Over the past few years, scaling was almost synonymous with parameter count.
However, once parameters pass the threshold of “housing the world”, the marginal return
from further width diminishes rapidly, while other dimensions still have substantial
untapped headroom. What determines a model’s upper bound today is a combination of
four factors: base model scale, effective depth, training depth and task environments.
Their marginal returns differ and rotate across stages; the Company’s resource allocation
is about judging which factor offers the highest immediate return at each stage.

– 17 –

Base Model Scale: The upper bound is set by pre-training. Post-training is the knob
with the highest immediate return, but the ceiling on intelligence is determined by the
base model. How deep a model can be trained depends on how much of the world it has
seen during pre-training and how many structures remain available for activation. After
post-training is pushed to its extreme, the next phase of growth must return to the base
model. The Company has never ceased base-model iteration. GLM-5.3-Flash has already
used a new-generation architecture and a 30T-scale multimodal pre-training corpus,
validating the new architecture’s efficiency at medium parameter scale. Building on
this, the Company is advancing the training of the next-generation base model, targeting
larger effective scale, longer native context and unified native multimodal modelling.
Effective Depth: Let the model think several steps ahead. Parameters determine how
much is remembered; depth determines how far it can think. Loop Transformer increases
effective computational depth through layer recycling without significantly increasing
parameter count, shifting compute from “remembering” to “thinking” (the Company
has preliminarily validated this concept in early experiments). This path aligns with our
judgment on tasks: cybersecurity-type work requires pushing a twenty-step causal chain
to the end without breaking, a capability that comes from depth, not parameter count.
Training Depth: Currently the largest untapped margin. GLM-5.3 is direct evidence
for this judgment. It shares the same architecture, total parameters and active parameters
as GLM-5.2, with the only variable being post-training scale. It achieved an end-toend completion rate improvement of over 50%. This curve has not yet plateaued. The
Company will continue to scale up reinforcement learning over long-horizon tasks,
extend effective training trajectories and improve trajectory utilization efficiency.
Task Environments: A newly emerging variable. When algorithms and computing
power are no longer the sole bottleneck, the number, type and complexity of
environments begin to directly determine what the model can learn. This is a dimension
that has emerged over the past two years and is among the most concentrated areas of
the Company’s next-stage investment.

– 18 –

(III) Systems: Fully Self-training
Among the four knobs, the speed of environment building is becoming the new
bottleneck. And at a deeper level, early evidence is emerging that AI is taking over all
three components of the training system: data, environments and infrastructure.
Data is starting to be self-generated. High-quality human-generated data is peaking,
with publicly available data nearly exhausted, while next-generation base model requires
trillions of Tokens of ever-improving quality. Our solution is a model-vs-model selfplay pipeline: one model generates solutions and content, while another model reviews,
tests and executes validation, with only data that passes adversarial checks moving to the
next stage. This is followed by four layers of filtering – rule-based verification confirms
compilability, reasoning consistency and format compliance; execution validation
actually runs in a sandbox, where execution results themselves are the highest-quality
training signal; model review adds another judgment layer; and finally manual spot
checks are conducted for calibration. What is accumulated is verifiable, executable and
debuggable data that feeds back into all three stages of pre-training, mid-training and
post-training.
Thus, the upper bound on data quality is no longer determined by human annotation
speed. Instead, it is determined by the model’s own verification capability. The stronger
the model, the harder the problems it generates and the stricter its validation, leading to
higher-quality data; better data then trains a stronger next model. Data transforms from a
one-time consumable into a reusable capital asset that spans generations.
Environments are starting to be self-built. A useful training environment must be
executable, verifiable and close to real-world professional work, and there must be
thousands of environments, which cannot be built through manual work. In the GLM5.3 technical blog, we shared some of our approaches: research agents capture task
patterns from real-world work, converting work that would take senior engineers several
days into runnable long-horizon environments containing multi-step dependencies
and hidden states; judge agents test-run each task to confirm solvability; verifiers are
synthesized without access to ground-truth answers, and solver trajectories are then used
to detect and seal reward shortcuts; verifiers that pass oracle, no-op and unsolved checks
ultimately produce binary rewards directly usable for reinforcement learning. The Slime
architecture reduces mathematics, code, sandboxes and verifiers to plug-and-play data
components, turning environments into standard products on an assembly line.
It should be noted that this pipeline still involves a considerable amount of human
intervention. Our next step is to make environment building and validation more
autonomous.

– 19 –

Infrastructure is starting to self-optimize. Inference system optimization, including
kernels, scheduling, quantization and operators, is essentially a code-engineering task,
which happens to be the model’s strongest domain. The inference engine for GLM5.3-Flash was built through the following approach: an infrastructure agent powered
by GLM-5.3 assisted engineers in developing and optimizing kernels, diagnosing
performance bottlenecks and improving the service stack, ultimately achieving a 300%
improvement in end-to-end service performance on domestic chips. The same logic is
also operating on the training side: Slime enables training and large-scale inference
rollout to share a common data flow, and configuration experience and scheduling
strategies accumulated in reinforcement learning can be directly transferred to
production serving.
These three threads point to the same end state: the model participates in its own
improvement, forming recursive self-improvement. This is not a distant concept and its
early form has already emerged in the first half of 2026: GLM-5.3 contributed to the
optimization of the inference engine serving GLM itself, and environments generated
by GLM are training the next-generation GLM. The only difference today is that a large
number of engineers still stand in this loop. Each time the loop tightens, the pace of
intelligence progress is increasingly determined by the speed at which environments
grow.
This is our technical vision: Fully Self Training. The next-generation GLM will be
trained in the environments built by the previous-generation GLM.
(IV) Boundaries and Governance
The technical aspiration of the Company is that the model can automatically participate
in the building of the training system. However, we must ensure that the assessment
of its capabilities and the judgment of the risks ultimately remain human-mediated,
with external institutions invited to perform evaluation independently. In the first half
of 2026, we have already done so in cybersecurity: the most sensitive capabilities are
subject to controlled access, open-sourcing is preceded by independent evaluation
by third-party professional teams, and vulnerabilities are disclosed through national
vulnerability databases. Benchmark scores are reported by us; risk judgments are subject
to external confirmation. This division of labor will not change as capabilities improve;
it will only be reinforced as capabilities ascend.
The Company will continue to seek new balances among capability ceiling, inference
efficiency, task value density and safety governance, so that higher-level intelligence
can enter the real world stably and controllably, and everyone can benefit from universal
access to intelligence.

– 20 –

Financial Review
The following discussion is based on the financial data and accompanying notes set out
in other sections of this interim results announcement and should be read in conjunction
therewith.
ANALYSIS OF KEY OPERATING PERFORMANCE ITEMS
Revenue
During the Reporting Period, we achieved substantial revenue growth. Our revenues were
RMB190.9 million for the six months ended June 30, 2025 and RMB953.9 million for the six
months ended June 30, 2026, respectively, representing an increase of 399.7%. The expansion
in revenue scale was primarily driven by the explosive growth of the cloud-based deployment
business, marking a shift in the Group’s primary revenue growth driver from on-premise
deployment business to cloud-based deployment business.
By deployment method:
Cloud-based Deployment
Revenue from cloud-based deployment increased from RMB29.1 million for the six
months ended June 30, 2025 to RMB825.2 million for the six months ended June 30, 2026,
representing an increase of 2,735.7%. This growth primarily reflected the Company’s gradual
enhancement of its model capabilities for high-value task scenarios, and the continuous
progress in the model’s long-horizon task capabilities, enabling users to consistently leverage
the model in complex scenarios, thereby driving a significant increase in average daily Token
usage per user. Meanwhile, the number of users on the MaaS platform continued to expand,
and the momentum of simultaneous growth in both volume and price persisted. Revenue
from cloud-based deployment as a percentage of total revenue increased from 15.2% for the
corresponding period of the previous year to 86.5%, and has become the Group’s primary
source of revenue.
On-premise Deployment
Revenue from on-premise deployment decreased from RMB161.8 million for the six
months ended June 30, 2025 to RMB128.7 million for the six months ended June 30, 2026,
representing a decrease of 20.5%. This decrease was primarily due to the Group’s greater
emphasis on the quality of its on-premise business and its selection of industries amid the
explosive growth of its cloud-based deployment business, thereby laying a solid foundation
for the future development of its model capabilities from general-purpose scenarios to highvalue, specialised task scenarios in vertical industries.

– 21 –

For the six months ended June 30,
2026
2025
RMB in
RMB in
thousands
% of total
thousands
% of total
(Unaudited)
(Audited)
Cloud-based deployment
On-premise deployment

825,176
128,716

86.5%
13.5%

29,100
161,777

15.2%
84.8%

Total

953,892

100.0%

190,877

100.0%

By business form and core product lines:
Open Platform and API
Revenue from the Open Platform and API, or cloud services provided by the Group based
on general-purpose large models, increased from RMB29.1 million for the six months ended
June 30, 2025 to RMB825.2 million for the six months ended June 30, 2026, representing an
increase of 2,735.7%. This growth primarily reflected the Company’s gradual enhancement
of its model capabilities for high-value task scenarios, as well as the continuous improvement
and qualitative advancement in long-horizon task capabilities driven by multiple rounds of
iteration of the GLM series of models. These improvements enable users to continuously
invoke the models in complex scenarios, thereby leading to a significant increase in average
daily Token usage per user. Meanwhile, the user base of the MaaS platform continued to
expand, and the momentum of simultaneous growth in both volume and price persisted.
Enterprise-level Agents
Revenue from enterprise-level agents, or autonomous intelligent systems developed by the
Group for complex corporate scenarios, increased from RMB13.7 million for the six months
ended June 30, 2025 to RMB55.6 million for the six months ended June 30, 2026, marking an
increase of 304.4%. This was attributable to the accelerated adoption of intelligent agents by
enterprise customers. On the one hand, the execution capabilities of the GLM series models
in long-horizon tasks and complex scenarios continued to improve, enabling enterprise
workflow-oriented agent products to cover more high-value scenarios; on the other hand,
during the Reporting Period, enterprise customers demonstrated rapidly growing demand for
the deployment of agent-based use cases, thereby contributing to the revenue growth of this
segment.

– 22 –

Enterprise-level General-purpose Large Models
Revenue from enterprise-level general-purpose large models, namely a matrix of pre-trained
models independently developed by the Group primarily delivered through private on-premise
deployment, decreased from RMB147.6 million for the six months ended June 30, 2025 to
RMB67.0 million for the six months ended June 30, 2026, representing a decrease of 54.6%.
The decrease was primarily attributable to the Group’s greater emphasis on the quality of its
enterprise-level general-purpose large language model business and its selection of industries,
thereby laying a solid foundation for the future development of its model capabilities from
general-purpose scenarios to high-value, specialised task scenarios in vertical industries.
Meanwhile, some enterprise-level general-purpose large language model customers gradually
migrated to Open Platform and API services, which created a positive flywheel effect.
Technical Services and Others
Revenue from technical services and others increased from RMB0.5 million for the six months
ended June 30, 2025 to RMB6.1 million for the six months ended June 30, 2026, representing
a period-on-period increase of 1,120.0%, primarily due to the Group’s exploration of
extending the capabilities of its self-developed large models to more application scenarios.
The revenue base of this segment remained relatively small, and its changes had a limited
impact on the Group’s overall revenue structure.
For the six months ended June 30,
2026
2025
RMB’000
% of Total
RMB’000
% of Total
(Unaudited)
(Unaudited)
Open platform and API
Enterprise-level agents
Enterprise-level general-purpose large models
Technical services and others

825,176
55,561
67,037
6,118

86.5%
5.8%
7.0%
0.7%

29,100
13,739
147,555
483

15.2%
7.2%
77.3%
0.3%

Total

953,892

100.0%

190,877

100.0%

Gross Profit and Gross Profit Margin
The Group’s gross profit increased from RMB95.4 million for the six months ended June 30,
2025 to RMB251.6 million for the six months ended June 30, 2026, representing an increase
of 163.7%. The Group’s gross profit margin decreased from 50.0% for the six months ended
June 30, 2025 to 26.4% for the six months ended June 30, 2026, primarily due to the change
in revenue mix, as the proportion of cloud-based deployment business expanded rapidly. This

– 23 –

business segment, being in its early stage of rapid growth, was still experiencing a gross profit
margin ramp-up, which structurally diluted the overall gross profit margin. Nevertheless, the
gross profit margin of the cloud-based business itself turned from negative to positive and
increased rapidly from the corresponding period of the previous year. During the Reporting
Period, the Group’s gross profit increased by more than 1.6 times, reflecting that the change in
revenue mix has made a positive contribution to gross profit.
By deployment method:
Cloud-based Deployment
Gross profit from the cloud-based deployment business increased from RMB-0.1 million
for the six months ended June 30, 2025 to RMB202.9 million for the six months ended June
30, 2026, representing a turnaround over the prior period. The gross profit margin increased
from -0.4% for the six months ended June 30, 2025 to 24.6% for the six months ended June
30, 2026. This improvement was primarily attributable to: first, the economies of scale
resulting from the explosive growth in revenue, with the exponential increase in Token
usage significantly diluting fixed costs; second, the gradual upward adjustment of pricing
strategies in line with the increase in the upper bound of model intelligence, while Token usage
continued to grow, maintaining the momentum of simultaneous growth in both volume and
price; and third, continuous full-stack self-developed engineering optimization that reduced
model inference costs.
On-premise Deployment
Gross profit from the on-premise deployment business decreased from RMB95.5 million for
the six months ended June 30, 2025 to RMB48.7 million for the six months ended June 30,
2026, representing a period-on-period decrease of 49.0%. The gross profit margin decreased
from 59.1% for the six months ended June 30, 2025 to 37.9% for the six months ended June
30, 2026. Gross profit and gross profit margin both decreased, primarily due to the Group’s
efforts to advance the adjustment of its business model, resulting in changes in the product
mix of its on-premise deployment business. The scale of private delivery of enterpriselevel general-purpose large models with relatively high gross profit margin has contracted,
while the proportion of enterprise-level agent products, which remained at the stage of largescale expansion, has increased. Meanwhile, certain customers migrated from on-premises
deployment to cloud services.

– 24 –

For the six months ended June 30,
2026
2025
Gross profit
Gross profit
Gross profit
Gross profit
(RMB’000)
(RMB’000)
margin (%)
margin (%)
(Unaudited)
(Audited)
Cloud-based deployment
On-premise deployment

202,871
48,740

24.6
37.9

(116)
95,540

-0.4
59.1

Total

251,611

26.4

95,424

50.0

By business form and core product lines:
Open Platform and API
Gross profit from the Open Platform and API business increased from RMB-0.1 million for
the six months ended June 30, 2025 to RMB202.9 million for the six months ended June 30,
2026, representing a turnaround over the prior period. The gross profit margin improved from
-0.4% for the six months ended June 30, 2025 to 24.6% for the six months ended June 30,
2026. This improvement was primarily attributable to the realization of economies of scale,
upward adjustments to pricing, and continued full-stack engineering optimization that reduced
inference costs.
Enterprise-level Agents
Gross profit from the enterprise-level agents business increased from RMB8.9 million for
the six months ended June 30, 2025 to RMB19.8 million for the six months ended June 30,
2026, representing a period-on-period increase of 122.5%. The gross profit margin decreased
from 64.6% for the six months ended June 30, 2025 to 35.6% for the six months ended
June 30, 2026. Gross profit increased while gross profit margin decreased, primarily due to
increasingly growing demands from enterprise customers for the deployment of agent-based
use cases during the Reporting Period. To ensure delivery quality and the depth of scenario
coverage, relatively significant development and delivery costs were made to meet diversified
customer needs; as economies of scale gradually emerge, the gross profit margin is expected
to stabilize and recover.

– 25 –

Enterprise-level General-purpose Large Models
Gross profit from the enterprise-level general-purpose large models business decreased from
RMB86.3 million for the six months ended June 30, 2025 to RMB28.4 million for the six
months ended June 30, 2026, representing a period-on-period decrease of 67.1%. The gross
profit margin decreased from 58.5% for the six months ended June 30, 2025 to 42.3% for
the six months ended June 30, 2026. Gross profit and gross profit margin both decreased,
primarily due to the Group’s greater emphasis on the quality of this type of business and its
selection of industries, thereby laying a solid foundation for the future development of its
model capabilities from general-purpose scenarios to high-value, specialised task scenarios
in vertical industries. Meanwhile, the delivery and maintenance costs of this type of business
have a certain degree of rigidity, resulting in reduced economies of scale. In addition, as
customer needs have been upgraded, certain projects have shifted towards enterprise-level
agent solutions, which also had a temporary impact on gross profit margin.
Technical Services and Others
Gross profit from the technical services and others business increased from RMB0.3 million
for the six months ended June 30, 2025 to RMB0.6 million for the six months ended June 30,
2026, representing a period-on-period increase of 100.0%. The gross profit margin decreased
from 65.8% for the six months ended June 30, 2025 to 9.4% for the six months ended June 30,
2026. Gross profit increased while gross profit margin decreased, primarily due to increased
investment in certain exploratory scenario projects during the Reporting Period, and the
relatively small revenue base of this segment, which resulted in a more significant impact on
gross profit margin.
For the six months ended June 30,
2026
2025
Gross profit
Gross profit
Gross profit
Gross profit
(RMB’000)
(RMB’000)
margin (%)
margin (%)
(Unaudited)
(Unaudited)
Open platform and API
Enterprise-level agents
Enterprise-level general-purpose
large models
Technical services and others

202,871
19,796

24.6
35.6

-116
8,880

-0.4
64.6

28,368
576

42.3
9.4

86,342
318

58.5
65.8

Total

251,611

26.4

95,424

50.0

– 26 –

Cost of Sales
The Group’s cost of sales increased from RMB95.5 million for the six months ended June 30,
2025 to RMB702.3 million for the six months ended June 30, 2026, representing a periodon-period increase of 635.4%. The increase in costs was primarily attributable to the increase
in computing service fees resulting from business expansion and revenue growth, which was
broadly in line with the trend of revenue growth.
Capital Expenditure
The Group’s capital expenditure increased from RMB53.7 million for the six months ended
June 30, 2025 to RMB390.6 million for the six months ended June 30, 2026, representing
a period-on-period increase of 627.4%. This increase was primarily due to the Company’s
completion of the acquisition of the entire equity interest in Beijing Hongzuan Technology
Development Co., Ltd. (北京紅鑽科技發展有限公司) (“Beijing Hongzuan”), resulting in the
addition of a significant amount of property, plant and equipment.
Other Income
The Group’s other income increased from RMB4.6 million for the six months ended June 30,
2025 to RMB41.4 million for the six months ended June 30, 2026, representing a period-onperiod increase of 800.0%. This was primarily due to the substantial increase in the scale of
the Group’s bank deposits following the Company’s listing in January 2026, which resulted in
a corresponding increase in interest income.
Research and Development Expenses
The Group’s research and development expenses increased from RMB1,594.7 million for
the six months ended June 30, 2025 to RMB2,131.2 million for the six months ended June
30, 2026, representing a period-on-period increase of 33.6%. This was primarily due to the
Group’s continued increase in research and development investment in model training to
support the continuous breakthroughs in the upper bound of intelligence of the GLM series
models.

– 27 –

Selling and Marketing Expenses
The Group’s Selling and marketing expenses decreased from RMB208.6 million for the six
months ended June 30, 2025 to RMB177.7 million for the six months ended June 30, 2026,
representing a period-on-period decrease of 14.8%. This was primarily due to the Group’s
optimization of its allocation of marketing resources and improvement in the conversion
efficiency of marketing investments.
General and Administrative Expenses
The Group’s general and administrative expenses decreased from RMB185.2 million for the
six months ended June 30, 2025 to RMB103.3 million for the six months ended June 30, 2026,
representing a period-on-period decrease of 44.2%. This was primarily due to the decrease
in professional service fees and equity-settled share-based compensation expenses during the
reporting period, compared to the same period last year.
Impairment Losses on Financial Assets
The Group’s impairment losses on financial assets increased from RMB10.9 million for the
six months ended June 30, 2025 to RMB27.4 million for the six months ended June 30, 2026,
representing a period-on-period increase of 151.4%. This was primarily due to the increase in
the gross amount of trade and bills receivables resulting from the expansion of the business
scale.
Finance Costs
The Group’s finance costs increased from RMB53.3 million for the six months ended June 30,
2025 to RMB95.9 million for the six months ended June 30, 2026, representing a period-onperiod increase of 79.9%. This was primarily due to the recognition of net foreign exchange
losses and the increase in interest expenses on bank loans during the Reporting period.
Share of Profits Less Losses of Associates
The Group’s share of profits less losses of associates increased from RMB14.1 million for
the six months ended June 30, 2025 to RMB144.2 million for the six months ended June 30,
2026, representing a period-on-period increase of 922.7%. This was primarily due to the
improvement in the operating and financial results of the associates during the Reporting
Period.

– 28 –

Changes in Fair Value of Financial Instruments Measured at FVPL
The changes in fair value of financial instruments measured at fair value through profit or loss
increased from RMB9.8 million for the six months ended June 30, 2025 to RMB50.4 million
for the six months ended June 30, 2026, representing a period-on-period increase of 414.3%.
This was primarily due to the increase in the valuation of the financial instruments held by the
Group during the period, resulting in the recognition of fair value gains.
Changes in the Carrying Amount of Financial Instruments Issued to Investors
The carrying amount of financial instruments issued to investors resulted in a loss of
RMB429.3 million for the six months ended June 30, 2025, which decreased to a loss of
RMB22.1 million for the six months ended June 30, 2026, representing a period-on-period
decrease of 94.9%. This was primarily due to the termination of financial instruments issued
to investors and related redemption rights and their derecognition upon listing in January
2026, resulting in changes in carrying amount being recognized only for the short period prior
to the listing during the Reporting Period.
Net Loss
The Group recorded a net loss of RMB2,072.0 million for the six months ended June 30, 2026,
representing a decrease from a net loss of RMB2,357.9 million for the six months ended June
30, 2025. This was primarily due to an increase in gross profit during the reporting period
and a significant decrease in losses arising from changes in the carrying amount of financial
instruments issued to investors upon listing, which were converted into ordinary shares. The
increase in research and development expenses partially offset the decrease.
Non-IFRS Measure
For the six months ended June 30,
2026
2025
RMB’000
RMB’000
(Unaudited)
(Unaudited)
Loss for the Period
Add:
– Equity-settled share-based compensation expenses
– Changes in the carrying amount of financial
instruments issued to investors
– Listing expense
Adjusted net loss for the period (non-IFRS measure)

– 29 –

(2,071,992)

(2,357,852)

85,764

158,852

22,090
–
(1,964,138)

429,295
17,731
(1,751,974)

ANALYSIS OF KEY ITEMS IN FINANCIAL POSITION
Financial Position
Shareholders’ equity increased from RMB-8,111.0 million as at December 31, 2025 to
RMB4,429.6 million as at June 30, 2026, primarily due to the successful listing of the Group
during the Reporting Period, pursuant to which the financial instruments issued to investors
and related redemption rights had been terminated, and the related financial liabilities were
transferred to the Company’s equity.
Liquidity and Financial Resources
As at June 30, 2026, the Group held cash and cash equivalents of RMB3,993.7 million, an
increase of RMB1,734.6 million from RMB2,259.1 million as at December 31, 2025. This
fluctuation was mainly attributable to the receipt of proceeds from the listing and an increase
in bank loans during the Reporting Period, while operating expenses consumed part of the
funds.
Debt/Borrowings
As at June 30, 2026, the Group’s total bank loans amounted to RMB2,224.8 million, an
increase of RMB1,535.3 million from RMB689.5 million as at December 31, 2025, primarily
due to funds borrowed to meet operational needs. All relevant loans are interest-bearing,
denominated primarily in RMB and unsecured.
Lease Liabilities
As at June 30, 2026, the total lease liabilities recognized by the Group (including both
current and non-current portions) amounted to RMB379.4 million, a decrease of RMB165.7
million from RMB545.1 million as at December 31, 2025. This fluctuation was primarily
attributable to the payment of lease payments during the Reporting Period and changes in
lease arrangements.
Gearing Ratio
The Group’s gearing ratio (Gearing ratio is calculated by bank loans and lease liabilities
divided by total equity as of the end of the period multiplied by 100%) was 58.8% as at
June 30, 2026, compared to -15.2% as at December 31, 2025. This change was primarily
attributable to the termination of the financial instruments issued to investors and related
redemption rights upon listing, and the related financial liabilities were transferred to the
Company’s equity resulting in total equity changing from negative to positive.

– 30 –

Asset Pledges
The Group had no pledged assets for the six months ended June 30, 2026.
Capital Commitments
The Group had no outstanding capital commitment for the six months ended June 30, 2026.
Contingent Liabilities
The Group had no significant contingent liabilities for the six months ended June 30, 2026.
Significant Investments and Major Acquisitions and Disposals of Subsidiaries, Associates,
and Joint Ventures
Pursuant to the resolution of the Board dated March 31, 2026 and the acquisition framework
agreement dated April 14, 2026, the Company acquired 100% of the equity interest of Beijing
Hongzuan at a total consideration of no more than RMB360.52 million. Upon completion of
the acquisition, Beijing Hongzuan has been accounted for as a subsidiary of the Company. For
details, please refer to the Company’s announcement dated April 14, 2026.
Save as disclosed above, as of June 30, 2026, the Group did not make any significant
investments or engage in any other major acquisitions or disposals of subsidiaries, associates,
or joint ventures. The Group had no specific future plans for the acquisition of material capital
assets as of the date of this announcement.
Employees and Remuneration Policy
As at June 30, 2026, the Group had 981 permanent employees (June 30, 2025: 883), with
staffing levels subject to operational needs. The Group incurred total remuneration costs
(including share-based payments) of RMB482.1 million during the Reporting Period (six
months ended June 30, 2025: RMB499.6 million).
Talent is the Company’s most core strategic resource. In light of the characteristics of the
artificial intelligence industry, we have established a talent management system that is
capability-oriented and incentive-driven, supporting the Company’s continuous technological
innovation and business expansion in the AI field.

– 31 –

In terms of remuneration strategy, we adopt a three-tier structure of “fixed remuneration
+ performance bonus + medium- and long-term incentives” to ensure that rewards are
closely aligned with the Company’s performance and individual contributions. Through
employee incentive plans and employee shareholding platforms, we closely align the
interests of core management personnel, key technical personnel and business professionals
with the Company’s long-term development. We regularly conduct industry remuneration
benchmarking to maintain the market competitiveness of our remuneration levels and attract
and retain top talent.
In terms of employee care, in addition to statutory social insurance and housing provident
fund, we provide multiple layers of benefits, including supplementary commercial insurance,
annual health check-ups, meal allowances and holiday benefits. We also support various
cultural, recreational and sports activities, pay attention to employees’ physical and mental
well-being, and foster a positive and uplifting working environment. The Company has
established systematic internal training and knowledge-sharing mechanisms, encouraging
cross-departmental collaboration and technical exchanges and providing ongoing support for
employees’ career development.
As a leading enterprise in the large language model sector, we have established an AI-native
working model as the fundamental mode of organizational operations. Built on our selfdeveloped models and intelligent agent systems, we have positioned ourselves as a frontier
environment for the large-scale validation of model capabilities in real-world production
environments. In our daily R&D activities, standardized processes such as code generation,
defect fixing and test writing are largely completed autonomously by AI, while employees
focus on identifying the essence of problems, designing technical solutions and exploring
innovative directions. This collaborative paradigm of “AI performs the work, while people
make the decisions” is reshaping the Company’s productivity and pace of innovation.
Exposure to Exchange Rate Fluctuation
The Group’s foreign exchange risk arises from future commercial transactions and recognized
assets and liabilities denominated in currencies other than the functional currency of the
relevant Group entities. The Company’s functional currency is Renminbi. Most non-RMB
assets and liabilities are cash and cash equivalents denominated in US dollars and Hong Kong
dollars.
The Group is primarily exposed to risks arising from fluctuations in RMB/USD and RMB/
HKD exchange rate. Currently, we have not conducted hedging activities designed or intended
to manage foreign exchange rate risks. However, we manage foreign exchange risks by closely
monitoring exchange rate movements, and will take necessary measures to mitigate such risks.

– 32 –

Principal Risks and Uncertainties
Our operations involve certain risks and uncertainties, including (i) risks related to our
research and development; (ii) risks related to our commercialization; (iii) risks related to
our operations; (iv) risks related to our intellectual property; (v) risks related to our financial
position and additional funding requirements; and (vi) risks related to the jurisdictions in
which we conduct business, including but not limited to:
•

The AI industry represents a cutting-edge technology sector characterized by constant
changes. The Group’s future business operations, results of operations, financial position
and competitive standing hinge on its capacity to continuously upgrade and iterate its
models and technologies.

•

We have made and expect to continue to make substantial investments in R&D to
continuously upgrade and iterate our large models.

•

The Group is exposed to risks relating to customer changes and slower-than-expected
development of new customers.

•

The development of AGI is still at an early stage and there are substantial uncertainties
in the future realization of AGI.

•

We need to maintain a sufficient and stable team of technical personnel over the
long term to respond to market changes in a timely manner. Any adverse changes
involving our key technical personnel may affect the development, advancement and
commercialization of major R&D projects of the Group, which may in turn adversely
affect the Group’s operations.

•

We are exposed to management risks arising from business expansion.

•

The Group’s assets and revenue have grown rapidly in scale, while the number of
personnel has continued to increase, placing higher demands on the Group’s management
capabilities and risk control. The Group may, to a certain extent, face management risks
arising from business expansion.

•

We rely on third parties to provide computing resources to us, and any disruption of their
services or fluctuation of prices could adversely affect our business, results of operations
and financial condition.

– 33 –

•

China’s AI industry is subject to an evolving and increasingly stringent regulatory
environment. Future laws and regulations may impose additional requirements and other
obligations that could adversely affect our business, results of operations, financial
condition and prospects.

•

We may not be able to obtain or maintain adequate intellectual property rights protection
for our business, or the scope of such intellectual property rights protection may not be
sufficiently broad.

•

We are exposed to risks from intensifying market competition in the future. If the
Group’s technological development and product iterations fail to remain at the leading
level in the industry, the Group’s competitive position, market share and operating
results may be adversely affected.

•

The size of our addressable market and the demand for our solutions may not increase
as rapidly as we anticipate due to a variety of factors, which would adversely affect our
business, results of operations, financial condition and prospects.

•

Any failure of our MaaS platform to perform as required could harm our business,
results of operations, financial condition and prospects.

•

We have a limited track record in the commercialization of our business. In addition, the
large model market is subject to dual impacts from technological iteration and changes
in regulatory policies, making it difficult to accurately predict development opportunities
and the future market size.

The above list is not exhaustive. For further details, please refer to the “Risk Factors” section
of our Prospectus.

– 34 –

CONSOLIDATED STATEMENT OF PROFIT OR LOSS AND OTHER
COMPREHENSIVE INCOME
For the six months ended 30 June 2026 – unaudited
(Expressed in Renminbi (“RMB”))

Note

Six months ended 30 June
2026
2025
RMB’000
RMB’000

Revenue
Cost of revenue

3

953,892
(702,281)

190,877
(95,453)

Gross profit
Other income
Selling and marketing expenses
General and administrative expenses
Research and development expenses
Impairment losses on financial assets

3(b)

251,611
41,436
(177,666)
(103,346)
(2,131,171)
(27,416)

95,424
4,614
(208,570)
(185,165)
(1,594,661)
(10,867)

Loss from operations
Finance costs
Share of profits less losses of associates
Changes in fair value of financial instruments
measured at fair value through profit or loss
(“FVPL”)
Changes in the carrying amounts of financial
instruments issued to investors

(2,146,552)
(95,925)
144,152

(1,899,225)
(53,270)
14,147

50,385

9,791

(22,090)

(429,295)

Loss before taxation
Income tax

(2,070,030)
(1,962)

(2,357,852)
–

(2,071,992)

(2,357,852)

4

Loss for the period

– 35 –

CONSOLIDATED STATEMENT OF PROFIT OR LOSS AND OTHER
COMPREHENSIVE INCOME
For the six months ended 30 June 2026 – unaudited
(Expressed in Renminbi (“RMB”))

Note
Loss for the period

Six months ended 30 June
2026
2025
RMB’000
RMB’000
(2,071,992)

(2,357,852)

Other comprehensive income for the period
(after tax):
Item that may be reclassified to profit or loss:
– Exchange differences on translation of
financial statements into presentation
currency

(3,049)

414

Total comprehensive income for the period

(2,075,041)

(2,357,438)

Loss attributable to:
Equity shareholders of the Company
Non-controlling interests

(2,071,326)
(666)

(2,351,173)
(6,679)

(2,071,992)

(2,357,852)

(2,074,375)
(666)

(2,350,759)
(6,679)

(2,075,041)

(2,357,438)

(4.67)

(6.23)

Total comprehensive income attributable to:
Equity shareholders of the Company
Non-controlling interests

Loss per share
Basic and diluted (RMB)

5

– 36 –

CONSOLIDATED STATEMENT OF FINANCIAL POSITION
At 30 June 2026 – unaudited
(Expressed in RMB)

Note
Non-current assets
Property, plant and equipment
Intangible assets
Goodwill
Interests in associates
Other non-current assets

6

Current assets
Short-term investments measured at FVPL
Inventories and contract costs
Trade and bills receivables
Prepayments and other receivables
Contract assets
Time deposits
Cash at bank and on hand

7
8

Current liabilities
Trade and other payables
Contract liabilities
Bank loans
Lease liabilities
Financial instruments issued to investors

9

– 37 –

30 June
2026
RMB’000

31 December
2025
RMB’000

855,060
67,801
283,815
532,133
912,325

655,825
50,963
39,379
338,081
198,202

2,651,134

1,282,450

506,139
87,100
782,944
1,621,311
2,480
–
3,993,722

377,287
125,817
303,208
395,734
1,625
108,593
2,259,147

6,993,696

3,571,411

2,135,759
302,325
789,831
161,711
–

1,328,631
148,644
604,836
251,316
10,072,827

3,389,626

12,406,254

CONSOLIDATED STATEMENT OF FINANCIAL POSITION
At 30 June 2026 – unaudited
(Expressed in RMB)
30 June
2026
RMB’000

31 December
2025
RMB’000

Net current assets/(liabilities)

3,604,070

(8,834,843)

Total assets less current liabilities

6,255,204

(7,552,393)

Non-current liabilities
Bank loans
Lease liabilities
Deferred income

1,434,958
217,699
172,991

84,616
293,827
180,146

1,825,648

558,589

NET ASSETS/(LIABILITIES)

4,429,556

(8,110,982)

CAPITAL AND RESERVES
Share capital
Reserves

44,584
4,372,464

40,281
(8,132,783)

Total equity/(total equity – deficit)
attributable to equity shareholders
of the Company
Non-controlling interests

4,417,048
12,508

(8,092,502)
(18,480)

TOTAL EQUITY/(TOTAL EQUITY –
DEFICIT)

4,429,556

(8,110,982)

– 38 –

1

BASIS OF PREPARATION
Z.AI Co., Ltd. (formerly known as “Knowledge Atlas Technology Joint Stock Company Limited”) was
established in the People’s Republic of China (the “PRC”) on 11 June 2019 as a limited liability company.
On 26 March 2025, the Company was converted from a limited liability company into a joint stock limited
liability company. The Company’s shares were listed on the Main Board of The Stock Exchange of Hong
Kong Limited (the “Stock Exchange”) on 8 January 2026.
The Company and its subsidiaries (together, the “Group”) are principally engaged in the provision of
large model-related services.
The interim financial statements have been prepared in accordance with the applicable disclosure
provisions of the Rules Governing the Listing of Securities on the Stock Exchange, including compliance
with International Accounting Standard (“IAS”) 34, Interim financial reporting, issued by the International
Accounting Standards Board (the “IASB”). It was authorised for issue on 31 August 2026.
The interim financial statements have been prepared in accordance with the same accounting policies
adopted in the 2025 annual financial statements, except for the accounting policy changes that are
expected to be reflected in the 2026 annual financial statements. Details of any changes in accounting
policies are set out in Note 2.
The preparation of the interim financial statements in conformity with IAS 34 requires management to
make judgements, estimates, and assumptions that affect the application of policies and reported amounts
of assets and liabilities, income and expenses on a year-to-date basis. Actual results may differ from these
estimates.
The interim financial statements contain condensed consolidated financial statements and selected
explanatory notes. The notes include an explanation of events and transactions that are significant to an
understanding of the changes in financial position and performance of the Group since the 2025 annual
financial statements. The condensed consolidated interim financial statements and the accompanying notes
do not include all of the information required for a full set of financial statements prepared in accordance
with IFRS Accounting Standards.

– 39 –

2

CHANGES IN ACCOUNTING POLICIES
The IASB has issued a number of new and revised IFRS Accounting Standards, that are first effective for
the current accounting period. Of these, only the amendments to IFRS 9, Financial instruments and IFRS
7, Financial instruments: Disclosures – Amendments to the classification and measurement of financial
instruments, are relevant to the Group’s financial statements. The application of the amendments does not
have a material impact on the Group’s consolidated financial statements for the periods presented.
The Group has not applied any new standard or interpretation that is not yet effective for the current
accounting period.
The amendments would also affect the disclosures to be included in the Group’s annual financial
statements for the period ending 31 December 2026 in respect of investments in equity instruments
designated at FVOCI and financial instruments not measured at FVPL with specified contingent features.
No additional disclosure has been included in the interim financial statements.

3

REVENUE AND SEGMENT REPORTING
(a)

Revenue
The principal activities of the Group are the provision of large model-related services.
(i)

Disaggregation of revenue
Disaggregation of revenue from contracts with customers by major service types and timing
of revenue recognition are as follows:
Six months ended 30 June
2026
2025
RMB’000
RMB’000
Revenue from contracts with customers within
the scope of IFRS 15
Disaggregated by major service types:
– On-premise deployment
– Cloud-based deployment

128,716
825,176

161,777
29,100

953,892

190,877

854,270
99,622

155,636
35,241

953,892

190,877

Timing of revenue recognition
At a point in time
Over time

– 40 –

(b)

Segment reporting
The Group manages its businesses by service types. In a manner consistent with the way in which
information is reported internally to the Group’s most senior executive management for the
purposes of resource allocation and performance assessment, the Group has presented the following
two reportable segments. No operating segments have been aggregated to form the following
reportable segments.
•

On-premise deployment:

this segment develops and provides customised large modelrelated services according to the customers’ specific instructions
and needs at the customers’ infrastructure.

•

Cloud-based deployment:

this segment develops and provides cloud-based large modelrelated services to customers through cloud infrastructure.

(i)

Segment results
For the purposes of assessing segment performance and allocating resources, the Group’s
most senior executive management monitors the results attributable to each reportable
segment on the following bases:
Revenue and expenses are allocated to the reportable segments with reference to revenue
generated by those segments and direct expenses incurred by those segments. The measure
used for reporting segment result is gross profit. No inter-segment sales have occurred during
the period. Assistance provided by one segment to another, including sharing of assets and
technical know-how, is not measured.
The Group’s other operating income and expenses, such as other income, selling and
marketing expenses, general and administrative expenses, research and development
expenses, impairment losses on financial assets, finance costs, and assets and liabilities are
not measured under individual segments. Accordingly, neither information on segment assets
and liabilities nor information concerning capital expenditure, interest income and interest
expenses is presented.
Information regarding the Group’s reportable segments as provided to the Group’s most
senior executive management for the purposes of resource allocation and assessment of
segment performance during the period is set out below.
Six months ended 30 June 2026
On-premise
Cloud-based
deployment
deployment
Total
RMB’000
RMB’000
RMB’000
Segment revenue derived from
external customers

128,716

825,176

953,892

Segment gross profit

48,740

202,871

251,611

– 41 –

Six months ended 30 June 2025
On-premise
Cloud-based
deployment
deployment
RMB’000
RMB’000

(ii)

Total
RMB’000

Segment revenue derived from
external customers

161,777

29,100

190,877

Segment gross profit

95,540

(116)

95,424

Reconciliation of reportable segment profit or loss
Six months ended 30 June
2026
2025
RMB’000
RMB’000
Reportable segment gross profit
Other income
Selling and marketing expenses
General and administrative expenses
Research and development expenses
Impairment losses on financial assets
Finance costs
Share of profits less losses of associates
Changes in fair value of financial instruments
measured at FVPL
Changes in the carrying amounts of financial
instruments issued to investors

251,611
41,436
(177,666)
(103,346)
(2,131,171)
(27,416)
(95,925)
144,152

95,424
4,614
(208,570)
(185,165)
(1,594,661)
(10,867)
(53,270)
14,147

50,385

9,791

(22,090)

(429,295)

Consolidated loss before taxation

(2,070,030)

(2,357,852)

– 42 –

4

INCOME TAX IN THE CONSOLIDATED STATEMENT OF PROFIT OR LOSS AND OTHER
COMPREHENSIVE INCOME
Taxation in the consolidated statement of profit or loss represents:
Six months ended 30 June
2026
2025
RMB’000
RMB’000
Current taxation
Deferred taxation

1,962
–

–
–

1,962

–

Entities of the Group established in the Chinese Mainland were subject to the PRC Corporate Income Tax
rate of 25% during the Reporting Period (six months ended 30 June 2025: 25%).
Taxation for subsidiaries incorporated in other jurisdictions is calculated at the applicable income tax rates
in the relevant jurisdictions.
Certain subsidiaries of the Group obtained the certificates of “High and New Technology Enterprise” from
the tax authorities and were subject to a preferential tax rate of 15% during the six months ended 30 June
2026 and 2025.
According to the PRC income tax law and its relevant regulations, entities that qualified as small and
low profit enterprise are entitled to a preferential income tax rate of 5% (for taxable income less than
RMB3,000,000). Certain subsidiaries of the Group were qualified as small and low profit enterprise and
entitled preferential income tax rate during the six months ended 30 June 2026 and 2025.
5

LOSS PER SHARE
Basic loss per share is calculated by dividing the loss attributable to ordinary equity shareholders of the
Company by the weighted average number of ordinary shares in issue or deemed to be in issue during the
Reporting Period.
The Company was converted into a joint stock company with limited liability on 26 March 2025. The
Company’s paid-in capital of RMB36,224,375 was converted into 36,224,375 shares of RMB1.00 each
accordingly. For the purpose of computing basic and diluted loss per share, the weighted average number
of ordinary shares deemed to be in issue before the Company’s conversion into a joint stock company was
determined assuming the conversion into joint stock company had occurred since 1 January 2025, at the
exchange ratio established in the conversion in March 2025.

– 43 –

In addition, the weighted average number of shares during the Reporting Period has also been adjusted
retrospectively for the impact of a share subdivision that became effective immediately prior to the
completion of the listing of the Company’s shares on 8 January 2026.
Six months ended 30 June
2026
2025
Loss for the period attributable to ordinary equity
shareholders of the Company (RMB’000) (Note 5(a))
Weighted average number of ordinary shares (’000) (Note 5(b))
Basic loss per share (RMB)

(a)

(2,020,788)
432,359

(993,276)
159,522

(4.67)

(6.23)

Loss for the period attributable to ordinary equity shareholders of the Company
Six months ended 30 June
2026
2025
RMB’000
RMB’000
Loss for the period attributable to all equity shareholders of
the Company
Allocation of loss for the period attributable to financial
instruments issued to investors
Loss for the period attributable to ordinary equity
shareholders of the Company

(b)

(2,071,326)

(2,351,173)

50,538

1,357,897

(2,020,788)

(993,276)

Weighted average number of ordinary shares
Six months ended 30 June
2026
2025
Number of
Number of
shares
shares
’000
’000
Ordinary shares issued at 1 January
Effect of shares issued by initial public offering
Effect of ordinary shares deemed to be in issue
Effect of the financial instruments issued to investors
Effect of share subdivision

40,281
40,361
–
(1,081)
352,798

36,224
–
1,536
(21,808)
143,570

Weighted average number of ordinary shares at 30 June

432,359

159,522

– 44 –

(c)

Diluted loss per share
The financial instruments issued to investors were not included in the calculation of diluted loss per
share as their inclusion would have been anti-dilutive. Accordingly, diluted loss per share for the
six months ended 30 June 2026 and 2025 are the same as basic loss per share.

6

PROPERTY, PLANT AND EQUIPMENT
Acquisitions of owned assets
In May 2026, the Company completed the acquisition of the entire share capital of Biejing Hongzuan for
a total consideration of RMB360,226,000, comprising (1) the cash consideration for the acquired equity
interest of RMB79,158,000 (Note 9); and (2) the sum of RMB281,068,000 to facilitate the repayment of
the relevant indebtedness of Beijing Hongzuan. Full payment of the consideration had been completed as
at 21 August 2026.
The Company made the election to apply the concentration test permitted under IFRS 3, Business
Combinations, and concluded that the acquisition of Beijing Hongzuan is an asset acquisition rather than
business combination. The identifiable assets and liabilities acquired from Beijing Hongzuan as at the
completion date were as follows:
Fair value
as at
completion date
RMB’000

7

Identifiable assets and liabilities acquired:
Property, plant and equipment
Prepayments and other receivables
Cash and cash equivalents acquired
Trade and other payables

360,000
869
49
(692)

Total consideration paid/payable

360,226

TRADE AND BILLS RECEIVABLES
30 June
2026
RMB’000

31 December
2025
RMB’000

Trade receivables
Bills receivables

838,139
6,445

339,198
–

Less: loss allowance

844,584
(61,640)

339,198
(35,990)

782,944

303,208

– 45 –

At the end of the Reporting Period, the ageing analysis of trade and bills receivable (net of loss
allowance), based on the invoice date, is as follows:

Within 3 months
3 months to 6 months
6 months to 1 year
1 year to 2 years
2 years to 3 years

30 June
2026
RMB’000

31 December
2025
RMB’000

626,201
23,697
109,486
23,538
22

243,484
19,831
31,406
8,415
72

782,944

303,208

The Group generally requires customers of on-premise deployment and related services to settle progress
billings, and cloud-based deployment customers to either pay in advance or due within a period of 0–60
days from the date of invoice under usage-based and related services contracts and periodic billings under
subscription-based contracts and related services.
8

PREPAYMENTS AND OTHER RECEIVABLES
30 June
2026
RMB’000

31 December
2025
RMB’000

Deposits
Receivables from disposal of investments in
equity securities measured at FVPL
Other receivables

78,404

70,538

–
110,379

7,098
52,029

Less: loss allowance

188,783
(20,923)

129,665
(18,994)

167,860

110,671

1,243,736
209,715

116,295
168,768

1,453,451

285,063

1,621,311

395,734

Prepayments for computing service fee and others
Input VAT deductible

– 46 –

9

TRADE AND OTHER PAYABLES
30 June
2026
RMB’000

31 December
2025
RMB’000

Trade payables
Payables for computing service fees
Payables for marketing and promotion services
Payables of staff costs
Consideration payable for business combination and assets
acquisition (Note 6 and 11)
Other payables and accruals

241,589
1,427,415
51,004
122,923

297,139
727,348
42,812
146,507

229,809
26,869

–
54,437

Financial liabilities measured at amortised cost
Other taxes payables
Provisions for warranties

2,099,609
17,515
18,635

1,268,243
39,774
20,614

2,135,759

1,328,631

As at the end of the Reporting Period, the ageing analysis of trade payables, based on the invoice date, are as
follows:

Within 3 months
3 months to 6 months
6 months to 1 year
More than 1 year

10

30 June
2026
RMB’000

31 December
2025
RMB’000

171,575
15,254
50,208
4,552

229,890
46,448
19,506
1,295

241,589

297,139

DIVIDENDS
The directors of the Company do not recommend the payment of an interim dividend for the six months
ended 30 June 2026 (for the six months ended 30 June 2025: none).

– 47 –

11

BUSINESS COMBINATION
On 5 June 2026, the Group, via the Company, entered into a purchase agreement with the equity
holders of Beijing XCore Sigma Intelligent Technology Co., Ltd. (北京中科加禾智能科技有限公司)
(“XCore Sigma”), to acquire 60% equity interests in XCore Sigma with a total cash consideration of
RMB291,916,000. In accordance with the purchase agreement, the consideration will be paid in four
installments, and RMB141,264,000 had been paid in June 2026. XCore Sigma is principally engaged in
the development of AI-infrastructure research and development. The acquisition was completed in June
2026.
The fair value of the identifiable assets and liabilities of XCore Sigma acquired is set out as follows:
On acquisition
date
RMB’000
Identifiable assets and liabilities:
Property, plant and equipment
Intangible assets
Deferred tax assets
Inventories
Trade and bills receivables
Prepayments and other receivables
Cash at bank and on hand
Trade and other payables
Contract liabilities
Lease liabilities
Deferred tax liabilities

1,309
22,510
3,377
3,934
1,373
209
66,567
(6,558)
(9,906)
(304)
(3,377)

Fair value of net identifiable assets acquired

79,134

Less: non-controlling interests
Add: goodwill

(31,654)
244,436

Total acquisition consideration

291,916

– 48 –

Analysis of net cash outflow of cash and cash equivalents in respect of acquisition of XCore Sigma as at
the date of acquisition:
RMB’000
Total cash consideration
Less: cash acquired as at the date of acquisition
Less: consideration payable (Note 9)
Net cash outflow for the acquisition of a subsidiary included in
the condensed consolidated cash flow statement

12

291,916
(66,567)
(150,651)

74,698

NON-ADJUSTING EVENTS AFTER THE REPORTING PERIOD
On 13 July 2026, the Company completed a share placement and issued 19,780,000 ordinary shares at
the price of HK$1,588. The gross proceeds from the placing were approximately HK$31,410,640,000
(equivalent to approximately RMB27,230,826,000).

OTHER INFORMATION
Interim Dividend
The Board does not recommend the payment of an interim dividend for the six months ended
June 30, 2026 (for the six months ended June 30, 2025: Nil).
Purchase, Sale, or Redemption of the Company’s Listed Securities or Sale of Treasury
Shares
Repurchase Mandate
The Board of the Company has been granted a general mandate (the “Repurchase Mandate”)
pursuant to a resolution passed by the shareholders on June 22, 2026, to repurchase shares on
the open market from time to time. Under the Repurchase Mandate, the Company is authorized
to repurchase up to 10% of the total number of the Company’s H shares issued as at the date
on which the foregoing resolution was passed at the 2025 annual general meeting.
H Shares of the Company were first listed on the Main Board of the Hong Kong Stock
Exchange on January 8, 2026. For the period from the Listing Date up to June 30, 2026,
neither the Company nor any of its subsidiaries has purchased, sold, or redeemed any of the
Company’s securities listed on the Stock Exchange (including the sale of any treasury shares).
The Company does not hold any treasury shares as at June 30, 2026 within the meaning of the
Listing Rules.

– 49 –

Significant Events After the Reporting Period
Placing of new H Shares under general mandate
On July 9, 2026 (before trading hours), the Company and China International Capital
Corporation Hong Kong Securities Limited (the “Sole Placing Agent”) entered into a placing
agreement (the “July 2026 Placing”), pursuant to which the Company agrees to appoint
the Sole Placing Agent and the Sole Placing Agent has agreed to act as the agent of the
Company, to procure not less than six (6) Placees, who will be professional, institutional or
other investors, and who and whose ultimate beneficial owners shall be the Independent Third
Parties, on a best effort basis, to subscribe for up to 19,780,000 new H Shares (the “Placing
Shares”) at the Placing Price of HK$1,588.00 per Placing Share under the general mandate
granted to the Directors at the annual general meeting of the Company held on June 22, 2026.
The July 2026 Placing was completed on July 13, 2026. The aggregate net proceeds from
the July 2026 Placing, after deducting commission and estimated expenses, amounted to
approximately HK$31,374.95 million. For details, please refer to the announcements of the
Company dated July 9, 2026 and July 13, 2026.
Save as disclosed above and in this announcement, there have been no other material
events affecting the Company from the end of the Reporting Period until the date of this
announcement.
Compliance with the Corporate Governance Code
The Company recognizes the value and importance of achieving high standards of corporate
governance to enhance corporate performance, transparency and accountability, and further
secure the trust of shareholders and the public. The Company is committed to maintaining
robust corporate governance standards, and believes such standards are vital to its
development and the protection of shareholders’ interests. Corporate governance is the process
by which the Board directs the management of the Group in the conduct of its affairs to ensure
that its objectives are met.
From the Listing Date until the date of this announcement, the Company has strictly complied
with all applicable provisions of the Corporate Governance Code. In addition, the Company
will actively refer to the recommended best practices of the Corporate Governance Code,
including establishing a sound internal control system, enhancing the timeliness and accuracy
of information disclosure, safeguarding shareholders’ right to information and participation,
and continuously optimizing the governance structure.

– 50 –

Compliance with the Model Code
Since its Listing, the Company has adopted the Model Code as its code of conduct governing
the Company’s securities transactions conducted by its Directors and employees who may
have access to inside information concerning the Group or the Company’s securities.
Following specific enquiries made to all directors, all Directors have confirmed that they have
complied with the Model Code for the period from the Listing Date up to June 30, 2026.
Employees of the Group who may possess inside information of the Group shall comply with
the Model Code. For the period from the Listing Date up to June 30, 2026, the Company
has not identified any incidents of non-compliance with the Model Code by the relevant
employees.
Continuous Disclosure Obligations under the Listing Rules
Save as disclosed in this announcement, the Company has no other disclosure obligations
under Rules 13.20, 13.21, and 13.22 of the Listing Rules.
Adequacy of Public Float
Based on the information disclosed publicly and to the best knowledge of the Directors,
from the Listing Date until the date of this announcement, the Company has continuously
maintained the public float as required by the Listing Rules.
Audit Committee
The Audit Committee comprises Dr. Xie Deren, Dr. Yang Qiang, and Dr. Li Juanzi. Dr. Xie
Deren serves as the Chairman of the Audit Committee. The Audit Committee has reviewed
the Group’s interim results for the six months ended June 30, 2026, as well as the unaudited
condensed consolidated financial statements of the Group for the six months ended June
30, 2026, prepared in accordance with IFRS Accounting Standards. There has been no
disagreement between the Board and the Audit Committee regarding the accounting treatment
adopted by the Company for the Reporting Period.

– 51 –

Review of Interim Financial Information
The financial information set out in this interim results announcement represents an extract
from the interim financial report for the six months ended June 30, 2026, which is unaudited,
but has been reviewed by KPMG, in accordance with Hong Kong Standard on Review
Engagements 2410 “Review of interim financial information performed by the independent
auditor of the entity”, issued by the Hong Kong Institute of Certified Public Accountants,
whose unmodified review report is included in the interim report to be sent to shareholders.
Publication of Interim Results and Interim Report
This results announcement has been published on the websites of the Stock Exchange
(www.hkexnews.hk) and the Company (www.zhipuai.cn). The Company’s interim report for
the six months ended June 30, 2026 will be published on the aforementioned websites of the
Stock Exchange and the Company in due course and will be sent to the Company’s H Share
shareholders in accordance with their chosen method of receiving corporate communications.
DEFINITIONS AND GLOSSARY OF TECHNICAL TERMS
In this announcement, unless the context otherwise requires, the following terms shall have
the meanings set out below:
Definitions
“Audit Committee”

the Audit Committee of the Board

“Board”

the board of Directors of the Company

“Corporate Governance
Code”

the Corporate Governance Code as set out in Appendix C1 to
the Listing Rules

“China” or “PRC”

the People’s Republic of China, and solely for the purposes
of this announcement, excluding Hong Kong, the Macau
Special Administrative Region, and Taiwan

“Company”

Z.AI Co., Ltd. (北京智譜華章科技股份有限公司), a limited
liability company established under the laws of the PRC on
11 June 2019 and converted into a joint stock company with
limited liability on 26 March 2025, with its H Shares listed
on the Stock Exchange (Stock Code: 2513)

“Director(s)”

the director(s) of the Company

– 52 –

“Global Offering”

the Hong Kong Public Offering and the International
Offering as defined in the Prospectus

“Group” or “We”

the Company and its subsidiaries

“H Shares”

the overseas-listed shares of the Company with a par value
of RMB0.10 each, traded in Hong Kong dollars and listed
and traded on the Stock Exchange

“Hong Kong dollar(s)”

Hong Kong dollar(s), the lawful currency of Hong Kong

“Hong Kong”

the Hong Kong Special Administrative Region of the PRC

“IFRS Accounting
Standards”

IFRS Accounting Standards issued by the International
Accounting Standards Board

“Independent Third
Party(ies)”

third parties independent of and not connected with the
Company and its connected persons

“Listing”

the listing of the H Shares on the Main Board of the Stock
Exchange on January 8, 2026

“Listing Date”

January 8, 2026, the date on which the H Shares were listed
on the Main Board of the Stock Exchange

“Listing Rules”

the Rules Governing the Listing of Securities on The Stock
Exchange of Hong Kong Limited

“Model Code”

the Model Code for Securities Transactions by Directors of
Listed Issuers as set out in Appendix C3 to the Listing Rules

“Prospectus”

the Prospectus of the Company dated December 30, 2025 in
relation to the Global Offering and the Listing

“Renminbi” or “RMB”

Renminbi, the lawful currency of the PRC

“Reporting Period”

the six months ended June 30, 2026

“Share(s)”

ordinary share(s) of RMB0.10 each in the share capital of the
Company, including Unlisted Shares and H Shares

“Shareholder(s)”

holder(s) of the Share(s)

– 53 –

“Stock Exchange” or
“Hong Kong Stock
Exchange”

The Stock Exchange of Hong Kong Limited

“subsidiary(ies)”

has the meaning ascribed to it under the Listing Rules

“treasury shares”

has the meaning ascribed to it under the Listing Rules

“Unlisted Share(s)”

ordinary share(s) issued by the Company, with a par value
of RMB0.10 each, which is/are not listed on any stock
exchange

“US dollars” or “USD”

United States dollars, the lawful currency of the United
States

“%”

percentage

– 54 –

Glossary of Technical Terms
Glossary

Definition

“Agent”

refers to an AI model capable of autonomously executing
multi-step task chains, which can invoke tools on its own,
handle intermediate failures and complete multi-step tasks
without step-by-step human instructions

“Agentic Engineering”

refers to the capability stage in which a model progresses
from simple code generation to the delivery of complete
engineering projects, where the model needs to continuously
understand objectives, invoke tools, handle exceptions, and
adjust strategies based on environmental feedback to achieve
end-to-end engineering delivery

“AGI Commercial Value
Formula”

refers to the Group’s quantitative framework for the
commercial value of AGI. The formula is: AGI commercial
value ⟹ (task value density × token consumption scale),
where the upper bound of intelligence determines the task
boundary, and the task boundary determines the value
density in which tokens operate

“All-in-Infra strategy”

refers to the infrastructure strategy fully implemented by
the Group since the beginning of 2026, which involves
simultaneous investment in both training and inference,
and incorporates domestic chips into primary inference
computing power, in order to gain control over its own cost
curve

“Computing Power
Multiplier”

refers to the open platform and API revenue corresponding
to every RMB1 of computing power invested (covering both
training and inference), used to measure the model’s selfsustaining capability and the return efficiency of computing
power investment

“Co-work”

refers to the fourth level in the model capability ladder,
where the model delivers work outputs that can be reviewed
by professionals, the model enters real-world workflows and
is priced on a per-task-completed basis; the threshold is that
reliability reaches a level where professionals are willing to
review rather than redo the work

– 55 –

“Chat”

refers to the first level in the model capability ladder, where
the model delivers a single-round response, the task is
completed within one round, with the lowest value density
but the broadest coverage

“Coding”

refers to the second level in the model capability ladder,
where the model delivers a piece of runnable code, and an
objective acceptance criterion (whether it can be executed
successfully) emerges for the first time; the threshold for
moving from Chat to Coding is verifiable results

“CyberGym”

refers to a benchmark testing platform for evaluating the
capabilities of AI models in the field of cybersecurity

“ExploitGym”

refers to a benchmark testing platform for evaluating the
vulnerability exploitation capabilities of AI models

“Scaling deep”

refers to the scaling path that goes deep into post-training,
reinforcement learning, long-horizon trajectories and task
feedback, as opposed to Scaling up (scaling up model size,
context and computing power)

“Scaling up”

refers to the path of enhancing model capabilities by scaling
up model size, context length, computing power and system
capacity

“GLM-5.3-Flash (Ox-Alpha)”

refers to the Group’s next-generation lightweight flagship
model, testing codename Ox-Alpha, built on an entirely
new architecture with 320B total parameters, 18B activated
parameters and 45 layers, adopting a hybrid architecture
of sparse attention and linear attention, achieving highperformance inference at extremely low cost, with its design
goal being the cost frontier

“GLM-5.3”

refers to the Group’s flagship large model, which shares the
same architecture, total parameters and activated parameters
as GLM-5.2, with the only variable being the scale of posttraining; its end-to-end completion rate improves by over
50% compared with GLM-5.2, representing the current upper
bound of model capabilities

– 56 –

“Mid-training”

refers to the training stage where the Group separately
allocates computing power between pre-training and posttraining, used to enhance knowledge density, extend
effective context length, and establish foundational patterns
for tool invocation and long-horizon tasks

“Critic-based SAO”

refers to the Group’s self-developed critic-based singletrajectory advantage optimization, which evolved from
GRPO exploration and addresses the challenges of long
trajectories in reward allocation, feedback utilisation and
continual learning

“OPD”

refers to the training approach that the Group has extended
f r o m s u p e r v i s e d f i n e-t u n i n g (S F T) i n t h e a l g o r i t h m
dimension, in full known as Offline Policy Distillation

“Index Share”

refers to the Group’s self-developed technology used to
reduce the overhead of sparse attention over long contexts

“MTP”

refers to Multi-Token Prediction technology, used to
optimise inference decoding efficiency

“LayerSplit”

refers to the Group’s self-developed technology used to
optimise KV Cache management and cluster network
efficiency

“ZCube”

refers to the Group’s self-developed technology, which
works in synergy with LayerSplit to optimise KV Cache
management and cluster network efficiency

“mHC (manifold-constrained
Hyperconnection)”

refers to the architectural innovation adopted by GLM5.3-Flash, in full known as manifold-constrained
Hyperconnection, used to enhance the model’s scaling
capability

“Encode-Prefill-Decode
disaggregated architecture”

refers to the inference architecture adopted by the Group
at the production-grade cluster level, which separates
multimodal encoding, prompt prefill and token-by-token
decoding into independently schedulable and independently
scalable worker pools, to optimise inference performance on
domestic chips

– 57 –

“Loop Transformer”

refers to a model architecture that increases effective
computational depth by recurrently reusing layers without
significantly increasing the number of parameters, shifting
computing power from “memorisation” to “thinking”,
suitable for high-complexity tasks requiring long-horizon
reasoning

“Model-vs-Model
self-play pipeline”

refers to the Group’s self-developed synthetic data generation
mechanism: one model generates solutions and content,
while another model reviews, tests and performs executionbased verification; only data that passes adversarial scrutiny
enters the training process, and is then used for pre-training,
mid-training and post-training after four layers of filtering
(rule-based validation, execution-based verification, model
review, and manual spot checks)

“Fully Self Training”

refers to the Group’s technical vision that the next generation
of GLM models will be trained in environments built by
the previous generation of GLM models, forming a closed
loop of Recursive Self-Improvement, encompassing three
dimensions: self-generated data, self-built environments, and
self-optimising infrastructure

“Recursive
Self-Improvement”

refers to the recursive closed loop formed by the model’s
participation in its own improvement, including generating
environments with models to train the next generation of
models, and optimising the inference engine that serves the
model itself

“Security Disclosure
Ledger (CVD)”

refers to the Group’s public security disclosure mechanism,
which records the entire process of vulnerabilities from
discovery, confirmation to remediation, and only discloses
vulnerabilities for which disclosure has been completed and
which have been fixed by the vendors; for vulnerabilities
still in the coordinated disclosure stage, hash values are
published for subsequent verification

“OpenVuln”

refers to the public security audit results platform under the
Group’s “Open-source Shield” initiative, used to disclose to
the open-source community the results of ongoing security
audits of key open-source projects

– 58 –

“ZCode”

refers to the Group’s coding agent product, in which the
Harness undertakes context management, tool invocation,
task scheduling, caching and result verification, improving
the model’s performance in real engineering environments,
and providing code audit functionality

“GLM Coding Plan”

refers to the coding agent subscription service opened by the
Group to all users in August 2026, covering Lite, Pro, Max
and Team editions, and is one of the earliest large model
services in China to deliver coding agent capabilities on a
subscription basis

“Capability Ladder”

refers to the Group’s framework for describing the model
capability evolution path, which proceeds in order: Chat →
Coding → Agent → Co-work → Autonomous AI; each level
upwards has specific technical thresholds, and only after
these thresholds are crossed can the business model of the
next level be unlocked

“Autonomous AI”

refers to the fifth level in the capability ladder, where the
model delivers continuously operating capabilities and
undertakes long-term objectives under unattended conditions;
the threshold is that the model is able to autonomously judge
the quality of task completion

“Intelligence Index”

refers to the comprehensive model intelligence score
compiled by Artificial Analysis, used to measure the overall
capability level of models

“Pareto Frontier”

refers to the set of models that are simultaneously optimal
across the two dimensions of cost and intelligence, i.e., the
frontier formed by models with the highest intelligence at a
given cost, or the lowest cost at a given level of intelligence

“Task Value Density”

refers to the economic output corresponding to each unit
of intelligence consumed (i.e., each unit of tokens); the
value gap produced by the same scale of tokens used for
different tasks (e.g., casual chat versus fixing vulnerabilities
in production environments) can span several orders of
magnitude

– 59 –

For ease of reference, the names of Chinese laws and regulations, government authorities,
institutions, natural persons or other entities are listed in both Chinese and English in this
announcement. In the event of any ambiguity, the Chinese version shall prevail.
This announcement contains certain forward-looking statements. These forward-looking
statements are made based on information currently available to the Group or the current
beliefs, expectations and assumptions of the Board. These forward-looking statements are
subject to risks, uncertainties and other factors beyond the Company’s control, which may
cause actual results or performance to differ materially from those expressed or implied in
such forward-looking statements. Given these risks and uncertainties, the forward-looking
statements contained in this announcement should not be regarded as representations by the
Board or the Company that the plans and objectives will be achieved, and shareholders and
investors of the Company should not place undue reliance on such statements.
Unless otherwise specified, all charts, rankings and data presented in this announcement that
reference third-party organizations, publicly available leaderboards, benchmarking platforms
or industry research are quoted from publicly available sources and are provided for reference
and illustrative purposes only. The Company was not involved in the compilation, calculation
or verification of such data, rankings or benchmark results, and makes no representation,
warranty or assumes any responsibility as to their methodology, sample scope, accuracy,
completeness or timeliness.
By Order of the Board
Z.AI Co., Ltd.
Dr. LIU Debing
Executive Director and Chairman of the Board
Hong Kong, August 31, 2026
As at the date of this announcement, the Board comprises: (i) Dr. Liu Debing, Dr. Zhang Peng
and Ms. Zhang Xiaohan as executive Directors; (ii) Dr. Li Juanzi, Mr. Li Jiaqing and Mr.
Wang Meng as non-executive Directors; and (iii) Dr. Yang Qiang, Dr. Xie Deren and Mr. Xu
Wenming as independent non-executive Directors.

– 60 –

香港交易及結算所有限公司及香港聯合交易所有限公司對本公告的內
容 概 不 負 責，對 其 準 確 性 或 完 整 性 亦 不 發 表 任 何 聲 明，並 明 確 表 示，概
不就因本公告全部或任何部分內容而產生或因倚賴該等內容而引致的
任 何 損 失 承 擔 任 何 責 任。

Z.AI Co., Ltd.
北京智譜華章科技股份有限公司
（於中華人民共和國註冊成立之股份有限公司）

（股份代號：2513）

截 至 2026 年 6 月 30 日 止 六 個 月 的
中期業績公告
董 事 會 欣 然 公 佈 本 集 團 截 至 2026 年 6 月 30 日 止 六 個 月 的 未 經 審 計 簡 明 綜
合 中 期 業 績，連 同 2025 年 同 期 的 比 較 數 字。
本 公 告 所 載 若 干 金 額 及 百 分 比 數 字 已 作 約 整，或 已 約 整 至 一 位 或 兩 位 小
數。任 何 表 格、圖 表 或 其 他 資 料 中 所 列 總 額 與 其 內 所 列 金 額 加 總 之 間 的
任 何 差 異，皆 因 約 整 所 致。

財務摘要
截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
人民幣千元
（未 經 審 計）（未 經 審 計）
收入
毛利
研發開支
期內虧損
經調整期內淨虧損

953,892
251,611
(2,131,171)
(2,071,992)
(1,964,138)

–1–

190,877
95,424
(1,594,661)
(2,357,852)
(1,751,974)

同比變動
%

399.7
163.7
33.6
-12.1
12.1

截 至6月30日 止 六 個 月
收入增長的
2026年
2025年
同比變動
人民幣
佔總額
人民幣
佔總額
%
千元
百分比
千元
百分比
（未 經 審 計）
（未 經 審 計）
收入
開 放 平 台 及API
企業級智能體
企業級通用大模型
技術服務及其他

825,176
55,561
67,037
6,118

86.5
5.8
7.0
0.7

29,100
13,739
147,555
483

15.2
7.2
77.3
0.3

2,735.7
304.4
-54.6
1,166.7

總計

953,892

100.0

190,877

100.0

399.7

管理層討論及分析
業務回顧
2026 年 上 半 年 公 司 在 編 程 (Coding) 方 面 驗 證 了 大 模 型 的 可 交 付 性，從 早
期 簡 單 的 編 程 推 薦 到 完 整 的 代 碼 文 件 生 成 再 到 一 整 個 工 程 項 目 (Agentic
Engineering) 的 實 現，本 公 司 完 整 地 走 完 了 這 條 曲 線：模 型 不 再 只 是 一 個 工
具，更 是 具 有 獨 立 把 一 件 事 做 完 的 能 力。收 入 結 構 隨 之 置 換，按 調 用 計 費
的 開 放 平 台 與 API 服 務 收 入 佔 比 由 去 年 全 年 的 26.3% 升 至 86.5%，模 型 本 地
化 部 署 收 入 由 73.7% 降 至 13.5%。2026 年 上 半 年 內 主 營 收 入 結 構 完 成 置 換，
其 實 本 質 是 模 型 能 力 躍 遷 之 後 必 然 發 生 的 事。網 絡 安 全 (Cybersecurity Cowork) 是 模 型 同 一 條 能 力 曲 線 的 延 伸。軟 件 漏 洞 挖 掘 不 依 賴 記 憶，而 是 依
靠 模 型 的 推 理 深 度 與 長 程 自 主 性，這 正 是 編 程 能 力 越 過 工 程 項 目 門 檻 之
後 自 然 延 伸 的 方 向。報 告 期 內，本 公 司 模 型 在 CyberGym 上 取 得 84.5% 的 成
績（超 過 Fable 5 和 GPT-5.6 Sol），在 ExploitGym 上 完 成 130 項 任 務（僅 次 於 Fable
5 和 GPT-5.6 Sol）。

–2–

支 撐 這 兩 條 曲 線 的 是 基 礎 設 施。本 公 司 自 2026 年 初 起 全 面 實 施 All-in-Infra
戰 略，在 訓 練 與 推 理 兩 側 同 時 投 入，並 將 國 產 芯 片 納 入 主 力 推 理 算 力，
已 實 現 10 萬 級 國 產 芯 片 的 規 模 化 低 成 本 推 理，單 位 token 推 理 成 本 較 年 初
下 降 80 %。在 全 球 算 力 供 給 持 續 緊 張 的 條 件 下，這 條 路 徑 決 定 了 本 公 司
的 成 本 曲 線 掌 握 在 自 己 手 裡。截 至 報 告 期 末，GLM 模 型 的 MaaS 平 台 企 業
和 開 發 者 用 戶 累 計 超 過 580 萬。本 公 司 總 收 入 約 9.54 億 人 民 幣（約 1.42 億 美
元），同 比 增 長 近 400%。其 中，開 放 平 台 及 API 業 務 收 入 約 8.25 億 人 民 幣（約
1.23 億 美 元），同 比 增 長 2,735.7%。
2026 年 8 月，本 公 司 發 佈 GLM-5.3 與 GLM-5.3-Flash (Ox-Alpha)，並 同 步 向 全 量
用 戶 開 放 GLM Coding Plan 訂 閱，覆 蓋 Lite、Pro、Max 及 團 隊 版 本，這 是 中 國
國 內 最 早 以 訂 閱 制 交 付 編 碼 智 能 體 能 力 的 大 模 型 服 務 之 一。截 至 本 公 告
日 期，GLM 模 型 的 MaaS 平 台 企 業 和 開 發 者 用 戶 超 過 740 萬。

一、 戰 略 聚 焦
智 能 上 界 決 定 任 務 邊 界，任 務 價 值 決 定 商 業 空 間
2026 年 初 我 們 提 出 過 一 個 公 式：AGI 商 業 價 值 = 智 能 上 界 ×Token 消 耗
規 模。這 次 做 一 點 擴 展 說 明：
智 能 上 界 決 定 模 型 能 處 理 哪 些 任 務、單 位 token 能 創 造 多 少 用 戶 價 值。
更 高 的 智 能 上 界，意 味 著 模 型 能 處 理 更 高 價 值 密 度 的 任 務、每 單 位
智 能 對 應 更 多 的 經 濟 產 出。Token 消 耗 規 模 則 反 映 智 能 被 使 用 的 廣 度
與 深 度，智 能 上 界 先 打 開 任 務 邊 界，任 務 邊 界 再 決 定 Token 落 在 什 麼
價 值 密 度 的 地 方。同 樣 規 模 的 Token，用 於 閒 聊 和 用 於 修 復 一 個 生 產
環 境 的 漏 洞，產 出 相 差 幾 個 數 量 級。
能 力 階 梯。模 型 能 力 的 演 進 不 是 並 列 的 產 品 線，而 是 一 條 只 能 順 序
走 完 的 階 梯：
Chat → Coding → Agent → Co-work → Autonomous AI

–3–

Chat 交 付 一 次 回 答，任 務 在 一 輪 之 內 結 束，價 值 密 度 最 低 但 覆 蓋 最
廣。Coding 交 付 一 段 可 運 行 的 代 碼，第 一 次 出 現 客 觀 驗 收 標 準－能 跑
通，或 者 跑 不 通。Agent 交 付 一 條 被 執 行 完 的 多 步 任 務 鏈，模 型 開 始 自
己 調 用 工 具、處 理 中 間 失 敗。Co-work交 付 一 份 可 以 被 專 業 人 士 覆 核 的
工 作 成 果，模 型 進 入 真 實 工 作 流，按 完 成 的 任 務 計 價。Autonomous AI
交 付 的 是 持 續 運 行 的 能 力，模 型 在 無 人 值 守 條 件 下 承 擔 長 期 目 標。
每 一 級 向 上，都 有 一 個 具 體 的 技 術 門 檻 把 關。從 Chat 到 Coding，門 檻 是
結 果 可 驗 證；從 Coding 到 Agent，門 檻 是 長 程 規 劃 與 錯 誤 恢 復；從 Agent
到 Co-work，門 檻 是 可 靠 性 達 到 專 業 人 士 願 意 覆 核 而 不 是 推 倒 重 做 的
水 平；從 Co-work 到 Autonomous AI，門 檻 是 模 型 能 否 自 己 判 斷 做 得 對 不
對。門 檻 跨 不 過 去，上 一 層 的 商 業 模 式 就 不 成 立。
市 場 空 間。任 務 邊 界 向 上，市 場 空 間 也 逐 級 放 大。按 量 級 粗 略 估 算：
Chat 對 應 的 搜 索 市 場 約 1,000 億 美 元，這 是 互 聯 網 時 代 給 出 的 答 案；
Coding 對 應 約 5,000 億 美 元 的 軟 件 研 發 支 出；Co-work 對 應 約 5 萬 億 美 元
的 知 識 工 作 開 支；更 長 期 看，AI 重 構 操 作 系 統 與 人 機 交 互 方 式、帶 動
各 行 業 升 級，對 應 約 30 萬 億 美 元 的 空 間。（上 述 市 場 空 間 為 本 公 司 基
於 公 開 行 業 數 據 的 粗 略 估 算，僅 供 說 明 任 務 層 級 與 市 場 量 級 的 對 應
關 係，有 關 數 據 未 經 獨 立 核 證，亦 不 構 成 本 公 司 對 其 業 務、財 務 狀 況
或 經 營 業 績 的 預 測 或 保 證。本 公 司 股 東 及 投 資 者 不 應 過 度 依 賴 該 等
數 據。）相 應 地，行 業 的 評 價 標 準 也 在 遷 移：從 單 次 問 答 效 果 和 Token
消 耗 量，轉 向 長 程 任 務 成 功 率、單 位 智 能 成 本、結 果 可 驗 證 性，以 及
客 戶 的 實 際 經 營 產 出。
報 告 期 內，本 公 司 的 重 心 處 在 階 梯 的 第 二 級（Coding）到 第 四 級(Co-work)
之 間。編 程 方 向 已 完 整 走 通，網 絡 安 全 進 入 Co-work 的 驗 證 階 段，法 律
等 方 向 仍 在 早 期。2026 年 上 半 年 本 公 司 研 發 投 入 約 21.31 億 人 民 幣（約
3.17 億 美 元），堅 持 繼 續 向 上 攀 爬 階 梯。

–4–

為 什 麼 是 這 個 順 序。我 們 對 AGI 有 一 個 樸 素 的 理 解：它 不 是 某 一 個 人
的 智 慧，而 是 人 類 智 慧 水 平 的 總 和，最 終 應 當 具 備 產 生「相 對 論」級
別 原 創 知 識 的 能 力。在 這 條 路 上 起 決 定 作 用 的，是 模 型 能 力 的 代 際
水 平。這 是 本 公 司 所 有 產 品 與 商 業 邏 輯 的 起 點。
本 公 司 是 國 內 最 早 投 入 大 模 型 研 發 的 團 隊 之 一。從 GLM 預 訓 練 架 構、
悟 道 系 列 到 今 天 的 GLM-5 系 列，我 們 專 注 做 的 基 本 只 有 一 件 事：訓 練
更 強 的 模 型。行 業 熱 的 時 候 沒 有 轉 去 鋪 產 品 線，行 業 冷 的 時 候 沒 有 停
下 迭 代。回 頭 看，收 入 的 每 一 次 快 速 增 長，都 發 生 在 模 型 能 力 提 升、
新 的 任 務 場 景 被 解 鎖 之 後，而 不 是 之 前。

二、 技 術 路 徑 與 模 型 進 展
模 型 公 司 的 核 心 能 力，是 單 位 資 源 的 智 能 轉 化 效 率。算 力、數 據 和 人
都 是 有 價 的，如 何 高 效 地 將 它 們 轉 化 為 智 能 能 力，決 定 了 本 公 司 能
走 多 遠。本 公 司 的 極 致 組 織 方 式 就 是 研 究 問 題 從 真 實 任 務 中 來，研
究 成 果 直 接 進 入 下 一 代 模 型，為 用 戶 提 供 端 到 端 的 服 務 能 力。

–5–

•

我 們 如 何 理 解 SOTA

過 去 一 年，行 業 對「SOTA」的 理 解 正 在 被 改 寫。時 點 榜 單 的 領 先
不 再 是 最 重 要 的 事，真 正 值 得 關 注 的 是 誰 能 以 更 快 的 節 奏、更 優
的 成 本，持 續 把 更 強 的 模 型 推 向 市 場。我 們 選 取 五 家 廠 商 2025 年
9 月 至 今 的 27 款 旗 艦 模 型 放 進 同 一 個 坐 標 系：橫 軸 是 範 式 進 步，
縱 軸 是 智 能 指 數，進 深 是 單 任 務 成 本。在 這 個 坐 標 系 裡，單 點 冠
軍 只 是 轉 瞬 即 逝 的 一 個 點，持 續 最 優 才 是 一 條 不 斷 向 上 推 進 的
軌 跡。各 家 都 在 向 前 走，但 節 奏 與 代 價 不 同。GLM 系 列 在 約 11 個
月 內 完 成 4.6、4.7、5、5.1、5.2、5.3 六 代 迭 代，智 能 指 數 由 32 提 升
至 60，單 任 務 成 本 穩 定 在 0.2 美 元 檔，跨 越 了 圖 中 全 部 三 個 範 式
階 段；GLM-5.3-Flash 以 0.045 美 元 的 單 任 務 成 本，進 入 智 能－成 本
前 沿。（智 能 指 數 與 單 任 務 成 本 來 源：Artificial Analysis Intelligence
Index，取 數 日 期：2026 年 8 月 27 日，任 務 口 徑：cost per Intelligence
Index task。）
報 告 期 內，本 公 司 的 技 術 路 徑 由 三 代 模 型 構 成。

–6–

1.

GLM-5：以 Coding 為 入 口，打 開 長 程 智 能
我 們 最 早 選 擇 Coding 作 為 能 力 突 破 的 入 口，是 因 為 軟 件 工 程
是 最 接 近「可 驗 證 智 能」的 真 實 環 境：任 務 目 標 清 晰，工 具 鏈
完 整，代 碼 能 否 運 行、測 試 能 否 通 過、問 題 能 否 修 復，都 構
成 明 確 的 反 饋 信 號。沒 有 可 驗 證 的 反 饋，就 沒 有 可 優 化 的 目
標。
GLM-5 的 能 力 重 點 由 代 碼 生 成 延 伸 至 系 統 理 解、任 務 規 劃、
工 具 調 用、持 續 調 試 與 工 程 交 付，推 動 模 型 從 Vibe Coding 走
向 Agentic Engineering。
Coding 對 本 公 司 的 價 值 不 止 於 幫 助 開 發 者 寫 代 碼。在 更 長
的 任 務 鏈 路 中，模 型 需 要 持 續 理 解 目 標、調 用 工 具、處 理 異
常、根 據 環 境 反 饋 調 整 策 略。通 過 Coding 這 一 高 反 饋 密 度 的
真 實 環 境 積 累 的 長 程 任 務 能 力，可 以 遷 移 到 網 絡 安 全、數 據
分 析、複 雜 自 動 化 及 其 他 專 業 領 域。報 告 期 內，編 程 方 向 已
成 為 本 公 司 收 入 的 主 要 來 源，本 節 前 述 的 能 力 遷 移 在 網 絡
安 全 方 向 得 到 驗 證。

2.

GLM-5.2 與 GLM-5.3：Scaling deep while scaling up
Scaling up 是 擴 大 模 型 規 模、上 下 文、算 力 與 系 統 承 載；Scaling
deep 是 深 入 後 訓 練、強 化 學 習、長 程 軌 跡 與 任 務 反 饋。當 前
階 段，我 們 把 資 源 優 先 投 向 後 者。歷 史 上 有 過 幾 次 預 演。
Kaplan 定 律 使 參 數 增 速 遠 超 數 據 增 速，Chinchilla 以「每 參 數 20
token」的 配 比 修 正 了 這 條 路 徑，70B 配 1.4T token 全 面 勝 過 280B
的 Gopher。進 入 推 理 時 代，模 型 每 天 被 調 用 數 十 億 次，推 理
成 本 超 過 訓 練 成 本，最 優 點 向「更 小、訓 練 更 久」移 動。MoE
進 一 步 把 參 數 拆 成 兩 個 量：總 參 數 決 定 記 多 少，激 活 參 數 與
深 度 決 定 想 多 深。近 年 的 研 究 還 表 明，最 優 token╱參 數 比 與 任
務 相 關，記 憶 類 任 務 偏 好 更 大 參 數，推 理 類 任 務 偏 好 更 多 數
據。像 網 絡 安 全 這 樣 的 任 務，需 要 的 不 是 背 下 更 多 CVE，而
是 把 二 十 步 因 果 鏈 推 到 底 不 散 架，這 種 能 力 不 在 總 參 數 裡。

CVE（通 用 漏 洞 披 露，Common Vulnerations and Exposures）
MoE（混 合 專 家 模 型，Mixture-of-Experts）

–7–

GLM-5.3 是 這 一 判 斷 的 一 次 檢 驗。它 與 GLM-5.2 同 架 構、同 總
參 數、同 激 活 參 數，唯 一 的 變 量 是 後 訓 練 規 模－用 一 個 月 放
大 長 程 任 務 環 境 與 強 化 學 習，在 本 公 司 自 建 的 真 實 場 景 編
碼 評 測 中，端 到 端 完 成 率 較 GLM-5.2 提 升 超 過 50%（評 測 方 法
與 樣 本 量 詳 見 GLM-5.3 技 術 博 客 https://z.ai/blog/glm-5.3 ）。這 接
近 一 次 受 控 實 驗，說 明 Scaling 不 止 參 數 一 個 因 素，而 後 訓 練
是 當 下 餘 量 最 大 的 那 一 個。

我 們 的 思 路 是：在 對 的 時 間，用 對 的 數 據，訓 練 對 的 規 模，
才 有 對 的 模 型。不 是 簡 單 的 最 大，而 是 在 當 前 數 據 與 算 力 約
束 下、把 訓 練 深 度 做 夠 之 後 回 報 智 能 上 界 最 高 的 模 型。

–8–

具 體 展 開 為 四 個 維 度。(i) 數 據：持 續 提 高 知 識 密 度 與 任 務 複
雜 度，通 過 開 發 者 生 態、產 業 合 作 與 Model-with-Model Self-Play
積 累 高 質 量 長 程Agent軌 跡，經 篩 選、驗 證、合 成 後 回 流 訓 練；
(ii) 中 訓 練：在 預 訓 練 與 後 訓 練 之 間，本 公 司 單 獨 配 置 了 中 訓
練 階 段 的 算 力，用 於 提 升 知 識 密 度、擴 展 有 效 上 下 文 長 度、
建 立 工 具 調 用 與 長 程 任 務 的 基 礎 模 式。三 個 階 段 邊 際 收 益
不 同，算 力 分 開 計 算，不 做 一 次 性 投 入；(iii) 算 法：針 對 長 軌
跡 在 獎 勵 分 配、反 饋 利 用 與 持 續 學 習 上 的 新 挑 戰，由 GRPO
探 索 Critic-based SAO，由 SFT 向 OPD 延 伸。GLM-5.2 起 已 引 入 面
向 超 長 軌 跡 的 Critic-based 單 軌 跡 優 化；(iv) 工 程 與 環 境：Slime
提 升 大 規 模 強 化 學 習 訓 練 效 率，Index Share 降 低 長 上 下 文 稀
疏 注 意 力 開 銷，MTP 優 化 推 理 解 碼，LayerSplit 與 ZCube 優 化 KV
Cache 管 理 與 集 群 網 絡 效 率。同 時 持 續 擴 充 Coding Agent 及 更
多 領 域 的 真 實 交 互 環 境，讓 模 型 在 連 續 執 行、失 敗 與 重 規 劃
中 學 習。隨 著 環 境 數 量、類 型 與 複 雜 度 提 升，模 型 學 習 的 已
不 只 是 如 何 回 答，而 是 如 何 在 動 態 環 境 中 持 續 完 成 一 項 複
雜 工 作。四 個 維 度 相 互 咬 合：環 境 產 生 軌 跡，算 法 提 高 軌 跡
利 用 率，工 程 支 撐 更 大 規 模 的 訓 練 與 推 理，數 據 決 定 起 點。
3.

GLM-5.3-Flash（測 試 代 號 Ox-Alpha）：下 一 代 架 構 與 系 統 能 力
如 果 說 GLM-5.3 代 表 當 前 的 能 力 上 界，GLM-5.3-Flash 代 表 的 是
成 本 前 沿。兩 者 服 務 不 同 的 任 務 區 間：前 者 面 向 需 要 最 高 智
能 的 長 程 任 務，後 者 面 向 高 頻、大 規 模、對 成 本 敏 感 的 調 用。
GLM-5.3-Flash 採 用 全 新 架 構， 專 為 極 低 成 本 設 計。 總 參 數
320B，激 活 參 數 18B，層 數 45 層。它 採 用 稀 疏 注 意 力 與 線 性 注
意 力 的 混 合 架 構，在 保 持 長 上 下 文 精 度 的 同 時 大 幅 降 低 長
上 下 文 服 務 成 本，並 採 用 流 形 約 束 超 連 接 (mHC) 提 升 Scaling
能 力。結 合 30T 級 多 模 態 預 訓 練 語 料，GLM-5.3-Flash 在 基 準 測
試 與 實 際 應 用 中 均 優 於 GLM-5.2，價 格 為 後 者 的 十 分 之 一。

–9–

正 式 發 佈 前，我 們 以 匿 名 模 型Ox-Alpha在OpenCode與OpenRouter
上 接 受 真 實 調 用 檢 驗。上 線 首 日 衝 至 OpenRouter 榜 首 並 刷 新
該 平 台 單 日 Token 用 量 紀 錄；上 線 一 周 成 為 雙 平 台 調 用 量 最
大 的 模 型，6 天 Token 調 用 量 超 過 62 萬 億，帶 動 平 台 整 體 調 用
量 提 升 超 過 20%。

4.

國芯推國模
GLM-5.3-Flash 模 型 的 推 理 是 本 公 司 第 一 次 在 超 大 規 模 真 實 流
量 中 全 面 使 用 國 產 芯 片 集 群 提 供 服 務，芯 片 之 間 通 過 自 研
高 帶 寬 互 聯 網 絡 連 接。這 項 工 作 的 完 成 方 式 本 身 值 得 記 錄：
整 個 推 理 引 擎 的 構 建 由 GLM-5.3 驅 動 的 infra agent 大 幅 加 速，
它 協 助 工 程 師 開 發 與 優 化 算 子、診 斷 性 能 瓶 頸、改 進 部 署 服
務 棧。模 型 優 化 系 統，系 統 承 載 模 型，這 個 循 環 第 一 次 在 本
公 司 內 部 跑 通。算 子 開 發 週 期 縮 短 一 半。這 也 是 本 公 司 自 身
對 co-work 的 一 個 內 部 驗 證。

– 10 –

技 術 上 的 主 要 約 束 是 國 產 芯 片 的 內 存 容 量 與 帶 寬，支 持 1M
上 下 文 尤 其 困 難。為 此 我 們 在 SGLang 基 礎 上 構 建 專 用 推 理 引
擎，做 了 以 算 力 換 帶 寬、以 通 信 換 顯 存 的 定 製 優 化，並 在 集
群 層 面 採 用 生 產 級 Encode-Prefill-Decode 分 離 式 架 構，將 多 模
態 編 碼、prompt 預 填 充 與 逐 Token 解 碼 拆 成 可 獨 立 調 度、獨 立
擴 縮 容 的 工 作 池。與 同 一 硬 件 上 的 初 始 基 線 相 比，端 到 端 服
務 性 能 提 升 3 倍；在 編 碼 場 景 下，單 Token 的 國 產 芯 片 推 理 成
本 已 達 到 與 主 流 进 口 卡 性 價 比 相 當 的 水 平。國 產 芯 片 可 以
在 大 規 模 場 景 下 經 濟 地 支 撐 前 沿 模 型 的 推 理。

三、 商 業 化 進 展：Right model will natively go to market
（一）收 入 結 構 翻 轉
本 公 司 的 收 入 結 構 變 化，本 質 是 模 型 能 力 提 升 帶 來 的 交 易 方 式
演 進：
賣模型→賣調用→賣訂閱→賣端到端任務結果
這 四 種 交 易 方 式 不 是 並 列 的 產 品 線，而 是 模 型 能 力 提 升 後 依 次
解 鎖 的 形 態。模 型 能 獨 立 完 成 的 任 務 越 完 整，客 戶 購 買 的 東 西 就
越 靠 近 結 果 本 身，收 入 的 計 量 單 位 也 隨 之 改 變。
1.

本 地 化 部 署 階 段：完 成 行 業 深 度 積 累 與 驗 證
早 期 模 型 尚 不 足 以 獨 立 完 成 一 件 完 整 的 工 作，客 戶 購 買 的 是
工 具，而 工 具 需 要 被 集 成、被 定 製、被 交 付 到 自 有 環 境 中；疊
加 數 據 安 全、合 規 與 自 主 可 控 的 要 求，本 地 化 部 署 成 為 企 業
採 用 大 模 型 的 自 然 起 點。這 一 階 段 的 交 易 方 式 是 賣 模 型，一
次 性 授 權，項 目 制 交 付。本 公 司 在 這 個 階 段 完 成 了 重 點 行 業
滲 透、複 雜 場 景 理 解 與 企 業 級 交 付 能 力 沉 澱。這 些 積 累 今 天
仍 然 有 效－變 化 的 是 交 付 形 態，不 是 行 業 理 解。

– 11 –

2.

Coding 階 段：從 一 次 性 交 付 轉 向 持 續 調 用
GLM 的 編 程 能 力 提 升 推 動 API 與 Coding Plan 快 速 增 長。本 公 司
在 這 一 階 段 主 動 收 縮 了 本 地 化 部 署 模 型 軟 件 授 權 業 務，轉 向
持 續 提 供 可 調 用、可 擴 展、可 量 化 的 智 能 服 務。2025 年 底，
API 調 用 量 較 當 年 6 月 底 增 長 約 7 倍，來 自 開 放 平 台 及 API 的 收
入 佔 總 收 入 約 26.3%，毛 利 率 提 升 至 18.9%。Coding 成 為 Token
消 耗 與 雲 端 收 入 增 長 的 第 一 個 規 模 化 入 口。這 一 步 的 意 義
不 只 在 增 速。收 入 從 一 次 性 確 認 轉 為 持 續 發 生，本 公 司 第 一
次 擁 有 了 可 預 測 的 經 常 性 收 入。

3.

Agent 與 Co-work 階 段：由 模 型 調 用 走 向 任 務 交 付
2026 年 上 半 年，GLM 在 Agent 規 劃、工 具 調 用、持 續 執 行 與 長
程 任 務 上 的 能 力 繼 續 提 升，業 務 由 Coding 單 點 應 用 向 軟 件 工
程、網 絡 安 全、數 據 分 析 與 複 雜 自 動 化 等 高 價 值 場 景 延 伸。交
易 方 式 從 賣 調 用 進 一 步 走 向 賣 訂 閱、賣 端 到 端 的 任 務 結 果。
報 告 期 內，開 放 平 台 及 API 業 務 收 入 8.25 億 元，同 比 增 長 超
過 27 倍，佔 總 收 入 約 86.5%，去 年 同 期 為 15.2%，提 升 71.3 個 百
分 點。
Co-work 是 這 一 階 段 中 正 在 打 開 的 部 分：模 型 連 接 企 業 數 據、
工 具 與 業 務 系 統，嵌 入 採 購、財 務、客 服、研 發、IT 運 維 等 環
節，從 理 解 需 求 走 到 執 行 任 務；企 業 的 真 實 工 作 流 又 反 過 來
成 為 模 型 可 學 習 的 環 境 與 數 據。報 告 期 內 本 公 司 已 在 網 絡
安 全、法 律、金 融、教 育 等 方 向 展 開 嘗 試，其 中 網 絡 安 全 進
展 最 快，其 餘 方 向 仍 處 早 期，尚 未 形 成 規 模 化 收 入。
三 個 階 段 回 頭 看 是 一 條 線：模 型 每 完 成 一 次 能 力 躍 遷，客 戶
購 買 的 東 西 就 向 結 果 靠 近 一 步，本 公 司 的 收 入 結 構 隨 之 改
寫 一 次。

– 12 –

（二）量 價 齊 升，毛 利 改 善，虧 損 收 窄
上 述 增 長 不 是 以 價 換 量 的 結 果。截 至 本 公 告 日 期，MaaS平 台Token
調 用 量 較 年 初 增 長 超 過 40 倍，其 中 Coding Plan 調 用 量 增 長 超 過 23
倍；同 期 API 平 均 售 價 提 高 約 101%，Coding Plan 訂 閱 價 格 亦 有 上
調。量 在 漲，價 也 在 漲。
報 告 期 內，開 放 平 台 及 API 業 務 毛 利 率 提 升 至 24.6%，較 去 年 同 期
提 升 約 25 個 百 分 點，較 去 年 全 年 提 升 約 6 個 百 分 點。本 公 司 期 內
虧 損 較 去 年 同 期 減 少 12.1%，虧 損 率（虧 損╱收 入）較 去 年 同 期 收 窄
4.7 倍，經 調 整 期 內 淨 虧 損 率（經 調 整 期 內 虧 損╱收 入）較 去 年 同 期
收 窄 3.5 倍。規 模 擴 大 的 同 時 單 位 經 濟 在 改 善，這 是 我 們 更 看 重
的 一 組 數。

（三）從 Coding 走 向 Co-work
Coding 是 當 前 消 耗 最 大、驗 證 最 充 分 的 場 景。依 託 代 碼 生 成、工
程 理 解、工 具 調 用 與 長 程 任 務 能 力，本 公 司 由 代 碼 輔 助 向 軟 件 開
發 全 流 程 延 伸。ZCode 通 過 Harness 承 擔 上 下 文 管 理、工 具 調 用、任
務 調 度、緩 存 與 結 果 校 驗，改 善 模 型 在 真 實 工 程 中 的 表 現。隨 著
長 程 能 力 提 升，編 程 任 務 的 複 雜 度 上 限 還 在 抬 高。
選 擇 進 入 哪 些 Co-work 方 向，本 公 司 用 三 個 維 度 判 斷：智 力 門 檻，
即 對 推 理、規 劃、工 具 調 用 與 長 程 執 行 的 要 求；單 位 智 能 消 耗，
即 完 成 一 次 任 務 所 需 的 有 效 Token、推 理 時 長、算 力 與 人 工 干 預；
單 位 產 出 價 值，即 單 次 交 付 帶 來 的 收 入、節 省 的 人 力 時 間、降 低
的 風 險。三 者 共 同 決 定 一 項 任 務 今 天 是 否 值 得 交 給 模 型 來 做。

– 13 –

對 大 型 企 業 與 公 共 機 構，本 公 司 繼 續 提 供 本 地 化 部 署 與 組 織 級
智 能 基 礎 設 施，滿 足 數 據 安 全、權 限 管 理、系 統 集 成 與 國 產 算 力
適 配 的 要 求。這 類 需 求 不 會 消 失，但 在 收 入 中 的 角 色 已 從 主 體 變
為 補 充。

（四）用 戶 規 模 與 使 用 深 度
截 至 本 公 告 日 期，本 公 司 MaaS 平 台 用 戶 數 超 過 740 萬，較 2026 年
初 增 長 144%；付 費 日 活 用 戶 數 較 年 初 增 長 603%。以 收 入 計 的 前
十 大 用 戶，日 均 調 用 量 較 年 初 增 長 98 倍。
三 個 數 字 的 方 向 一 致 而 幅 度 遞 增：用 戶 在 變 多，付 費 用 戶 增 長 更
快，已 付 費 的 重 度 用 戶 用 得 更 深。第 三 個 數 字 尤 其 重 要，它 說 明
模 型 正 在 客 戶 內 部 從 試 用 走 向 生 產。

（五）算 力 乘 數
報 告 期 內，本 公 司 的 算 力 乘 數－每 投 入 人 民 幣 1 元 算 力（含 訓 練 與
推 理）所 對 應 的 開 放 平 台 及 API 收 入－較 去 年 同 期 提 升 約 14 倍。
這 條 曲 線 的 改 善 來 自 兩 頭：單 位 Token 承 載 的 智 能 在 提 高，單 位 任
務 消 耗 的 Token 與 成 本 在 下 降。前 者 由 模 型 能 力 決 定，後 者 由 基
礎 設 施 決 定；兩 者 同 時 改 進，才 有「智 能－成 本」的 帕 累 托 推 進。
每 投 入 人 民 幣 1 元 算 力 換 回 的 收 入 在 增 加，意 味 著 模 型 的 自 我 造
血 能 力 在 增 強。我 們 希 望 把 這 條 曲 線 繼 續 往 上 推。

– 14 –

四、 生 態 與 安 全：讓 能 力 獲 得 真 實 世 界 的 信 任
模 型 能 力 要 變 成 可 依 賴 的 服 務，中 間 隔 著 一 件 事：真 實 世 界 是 否 信
任 它。本 公 司 在 這 個 方 向 上 同 時 做 兩 件 事：開 源 開 放，讓 安 全 能 力 與
模 型 能 力 同 步 增 長。一 方 面，本 公 司 通 過 開 放 模 型 權 重、MaaS 平 台、
Coding Plan 與 全 球 開 發 者 網 絡，讓 模 型 進 入 盡 可 能 多 的 真 實 環 境。另
一 方 面，本 公 司 通 過 權 限 控 制、過 程 監 督、風 險 評 估、漏 洞 披 露 與 外
部 驗 證，建 立 能 力 的 可 核 查 性。兩 件 事 互 為 條 件：沒 有 開 源 開 放，安
全 無 從 檢 驗；沒 有 安 全，開 源 開 放 無 法 持 續。
安 全 不 只 是 合 規 成 本，它 也 可 以 是 一 種 可 驗 證 的 公 共 品，幫 助 市 場
判 斷 一 個 模 型 能 否 被 安 全、穩 定、長 期 地 部 署 到 真 實 環 境 中。

從能力到公共品
自 GLM-5.2 發 佈 以 來，本 公 司 聯 合 多 家 安 全 團 隊 開 展 了 持 續 的 紅 隊
測 試 與 安 全 評 估。截 至 報 告 期 末，累 計 發 現 漏 洞 2,436 個（經 初 篩 與 去
重），其 中，中 高 危 1,097 個，覆 蓋 系 統 內 核、操 作 系 統、瀏 覽 器 引 擎、
開 源 基 礎 組 件、互 聯 網 應 用 與 網 絡 協 議 等 269 個 項 目。其 中 相 當 一 部
分 是 長 期 存 續、未 被 發 現 的 歷 史 漏 洞，最 長 的 已 存 在 20 餘 年。
這 些 發 現 已 經 形 成 一 項 持 續 的 漏 洞 發 現 與 披 露 工 作，相 關 漏 洞 陸 續
提 交 至 CNNVD/CNVD 等 國 家 漏 洞 庫。為 提 高 透 明 度，本 公 司 建 立 了
安 全 披 露 賬 本 ( https://cvd.z.ai /)，記 錄 漏 洞 從 發 現、確 認 到 修 復 的 全 過
程。賬 本 持 續 更 新，僅 公 開 已 完 成 披 露 並 由 廠 商 修 復 的 漏 洞；對 仍 處
於 協 調 披 露 階 段 的 漏 洞，公 開 哈 希 值 以 供 後 續 核 驗，不 公 開 可 復 現
的 利 用 代 碼。
這 套 機 制 的 意 義 在 於，它 把 模 型 的 能 力 放 在 一 個 第 三 方 可 以 核 驗 的
位 置 上。基 準 分 數 由 我 們 自 己 報 告，漏 洞 披 露 則 由 國 家 漏 洞 庫 和 廠
商 確 認（後 者 是 外 部 信 任 的 來 源）。

– 15 –

開源與開放
隨 GLM-5.3 發 佈， 本 公 司 同 步 啟 動「 開 源 的 盾 」計 劃， 包 含 三
項 持 續 投 入： 第 一， 對 重 點 開 源 項 目 開 展 持 續 安 全 審 計， 幫
助 維 護 者 免 費 發 現 並 修 復 風 險， 審 計 結 果 通 過 OpenVuln 公 開
( https://huggingface.co/spaces/zai-org/OpenVuln )。第 二，向 開 源 社 區 免 費 提
供 模 型 額 度 與 防 禦 入 口，開 源 項 目 維 護 者 可 申 請 用 於 安 全 審 計 和 防
禦 任 務。第 三，在 ZCode 中 提 供 代 碼 審 計 功 能，使 安 全 檢 查 進 入 日 常
研 發 流 程。
這 三 件 事 的 共 同 點 是 把 本 公 司 最 前 沿 的 能 力，交 給 最 需 要 它 但 最 付
不 起 錢 的 一 方。開 源 基 礎 組 件 支 撐 著 幾 乎 全 部 現 代 軟 件，維 護 者 往 往
是 無 償 的 少 數 人；攻 擊 方 使 用 前 沿 模 型 的 成 本 正 在 快 速 下 降，防 守
方 卻 未 必 負 擔 得 起。當 最 強 的 矛 被 鎖 在 少 數 人 手 裡，最 好 的 盾 必 須
屬 於 所 有 人。在 開 源 之 前，本 公 司 聯 合 國 內 頂 級 安 全 團 隊 開 展 持 續
紅 隊 測 試 與 自 動 化 越 獄 評 估，用 新 產 生 的 樣 本 迭 代 加 固 審 查 系 統，
並 邀 請 專 業 團 隊 對 模 型 的 高 風 險 任 務 能 力 進 行 獨 立 評 估。能 力 釋 放
與 風 險 防 護 之 間 的 平 衡，則 由 外 部 機 構 而 非 本 公 司 自 己 判 斷。
從 商 業 角 度 看，開 源 與 安 全 並 不 是 成 本 項。開 源 帶 來 的 分 發 規 模，是
模 型 獲 得 真 實 任 務 反 饋 的 前 提；安 全 披 露 帶 來 的 外 部 確 認，是 企 業
客 戶 決 定 是 否 把 模 型 接 入 生 產 系 統 的 依 據。

能力邊界與受控開放
模 型 在 網 絡 安 全 方 向 上 的 能 力 具 有 雙 重 用 途。本 公 司 對 最 敏 感 的 能
力 採 取 受 控 開 放：面 向 經 過 驗 證 的 安 全 研 究 者 與 機 構 提 供，其 餘 用
戶 按 標 準 安 全 策 略 使 用。在 模 型 開 源 前，本 公 司 完 成 安 全 評 估、模 型
加 固 與 使 用 邊 界 設 計。

– 16 –

未來展望
2026 年 上 半 年 我 們 驗 證 了 模 型 可 以 獨 立 完 成 一 件 完 整 的 工 作。下 一 步，
是 讓 它 承 擔 一 段 完 整 的 業 務。

一、 任 務：從 長 程 任 務 到 自 治 系 統
更 長 的 時 間 跨 度。讓 模 型 在 更 長 的 週 期 內 保 持 目 標 一 致，持 續 進 行
任 務 拆 解、工 具 調 用、環 境 交 互、錯 誤 修 復 與 結 果 驗 證。今 天 的 前 沿
是 數 小 時 量 級 的 工 程 任 務，下 一 步 是 數 天 量 級 的 完 整 交 付。
多 智 能 體 協 同。從 單 一 Agent 走 向 多 Agent 分 工 協 作，由 模 型 承 擔 完 整
業 務 流 程，從 輔 助 工 作 走 向 執 行 工 作。這 一 步 的 門 檻 不 完 全 在 智 能
本 身，更 在 可 靠 性 與 可 審 計－模 型 要 能 在 無 人 逐 步 檢 查 的 條 件 下 工
作，同 時 留 下 可 覆 核 的 痕 跡。
任 務 邊 界 每 向 外 推 一 層，對 模 型 能 力 的 要 求 就 換 一 個 量 級。因 此 接
下 來 的 問 題 是：能 力 還 能 沿 哪 些 維 度 繼 續 提 升。

二、 能 力：Scaling 從 未 停 止
Scaling 依 然 是 通 向 更 高 智 能 的 主 路 徑，這 一 點 沒 有 變，變 的 是 Scaling
什 麼。
過 去 幾 年，Scaling 幾 乎 等 同 於 參 數 量。但 參 數 越 過「裝 下 世 界」的 閾 值
之 後，繼 續 加 寬 的 邊 際 收 益 迅 速 下 降，而 其 他 維 度 的 餘 量 還 遠 未 用
盡。今 天 決 定 一 個 模 型 上 限 的，是 四 個 因 素 的 組 合：基 座 規 模、有 效
深 度、訓 練 深 度、任 務 環 境。四 者 邊 際 收 益 不 同，且 隨 階 段 輪 換；本
公 司 的 資 源 分 配，就 是 在 不 同 階 段 判 斷 哪 個 因 素 當 前 回 報 最 高。

– 17 –

基 座 規 模：上 限 由 預 訓 練 決 定。後 訓 練 是 當 期 回 報 最 高 的 旋 鈕，但 智
能 的 天 花 板 由 基 座 決 定。一 個 模 型 能 被 訓 練 到 多 深，取 決 於 它 在 預
訓 練 階 段 見 過 多 少 世 界、留 下 了 多 少 可 被 激 活 的 結 構。把 後 訓 練 做
到 極 致 之 後，下 一 段 增 長 必 須 回 到 基 座。本 公 司 從 未 停 止 基 座 迭 代 –
GLM-5.3-Flash 已 使 用 新 一 代 架 構 與 30T 級 多 模 態 預 訓 練 語 料，驗 證 了
新 架 構 在 中 等 參 數 量 級 上 的 效 率；在 此 基 礎 上，本 公 司 正 在 推 進 下
一 代 基 座 模 型 的 訓 練，方 向 包 括 更 大 的 有 效 規 模、更 長 的 原 生 上 下
文 與 原 生 多 模 態 的 統 一 建 模。
有 效 深 度：讓 模 型 多 想 幾 步。參 數 決 定 記 多 少，深 度 決 定 想 多 深。循
環 架 構 (Loop Transformer) 通 過 層 的 循 環 復 用，在 不 顯 著 增 加 參 數 量 的
前 提 下 提 高 有 效 計 算 深 度，把 算 力 從「記」轉 向「想」
（本 公 司 已 在 初 步
實 驗 中 驗 證 了 這 一 想 法）。這 條 路 徑 與 我 們 對 任 務 的 判 斷 一 致：網 絡
安 全 這 類 工 作 需 要 的 是 把 二 十 步 因 果 鏈 推 到 底 不 散 架，這 種 能 力 來
自 深 度，不 來 自 總 參 數。
訓 練 深 度：當 前 餘 量 最 大 的 一 個。GLM-5.3 是 這 一 判 斷 的 直 接 證 據－
與 GLM-5.2 同 架 構、同 總 參 數、同 激 活 參 數，唯 一 變 量 是 後 訓 練 規 模，
端 到 端 完 成 率 提 升 超 過 50%。這 條 曲 線 尚 未 見 頂，本 公 司 將 繼 續 擴 大
長 程 任 務 的 強 化 學 習 規 模、延 長 有 效 訓 練 軌 跡、提 高 軌 跡 利 用 效 率。
任 務 環 境：新 出 現 的 變 量。當 算 法 與 算 力 都 不 再 是 唯 一 瓶 頸，環 境 的
數 量、類 型 與 複 雜 度 開 始 直 接 決 定 模 型 能 學 到 什 麼。這 是 過 去 兩 年
新 出 現 的 維 度，也 是 本 公 司 下 一 階 段 投 入 最 集 中 的 方 向。

– 18 –

三、 系 統：Fully Self Training
四 個 旋 鈕 中，環 境 的 擴 建 速 度 正 在 成 為 新 的 瓶 頸。而 更 深 一 層 的 變
化 是：訓 練 系 統 的 三 個 組 成 部 分：數 據、環 境、基 礎 設 施，都 出 現 了
由 AI 接 管 的 早 期 證 據。
數 據 開 始 自 產。高 質 量 人 類 數 據 正 在 見 頂，公 域 數 據 接 近 用 盡，而 下
一 代 基 座 需 要 的 是 數 以 萬 億 計、質 量 只 升 不 降 的 token。我 們 的 解 法
是 一 條 model-vs-model 的 自 我 對 弈 管 線：一 個 模 型 生 成 解 法 與 內 容，另
一 個 模 型 評 審、測 試、執 行 驗 證，通 過 對 抗 檢 驗 的 數 據 才 進 入 下 一 環
節。之 後 是 四 層 過 濾－規 則 校 驗 確 認 可 編 譯、推 導 自 洽、格 式 合 規；
執 行 驗 證 在 沙 盒 中 實 際 運 行，執 行 結 果 本 身 就 是 最 高 質 量 的 訓 練 信
號；模 型 評 審 再 加 一 道 判 斷；最 後 人 工 抽 檢 校 準。沉 澱 下 來 的 是 可 驗
證、可 執 行、可 復 盤 的 數 據，同 時 反 哺 預 訓 練、中 訓 練 與 後 訓 練 三 個
階 段。
因 此，數 據 的 質 量 上 限 不 再 取 決 於 人 類 標 注 的 速 度，而 取 決 於 模 型
自 身 的 驗 證 能 力。模 型 越 強，生 成 的 問 題 越 難、驗 證 越 嚴，數 據 質 量
越 高；更 好 的 數 據 再 訓 練 出 更 強 的 下 一 代。數 據 從 一 次 性 的 消 耗 品，
變 成 可 跨 代 復 用 的 資 本 品。
環 境 開 始 自 造。一 個 有 用 的 訓 練 環 境 必 須 可 執 行、可 驗 證、貼 近 真 實
專 業 工 作，而 且 需 要 成 千 上 萬 個，手 工 搭 建 供 不 上。在 GLM-5.3 的 技
術 博 客 中，我 們 分 享 了 一 些 我 們 的 做 法：研 究 智 能 體 從 真 實 工 作 中
採 集 任 務 模 式，把 資 深 工 程 師 數 天 工 作 量 的 任 務 轉 化 為 可 運 行 的 長
程 環 境，內 含 多 步 依 賴 與 隱 藏 狀 態；裁 判 智 能 體 逐 一 試 做，確 認 任 務
確 實 可 解；驗 證 器 在 無 法 訪 問 參 考 答 案 的 條 件 下 被 合 成，再 用 求 解
器 軌 跡 發 現 並 封 堵 獎 勵 捷 徑；通 過 oracle、no-op、未 解 狀 態 三 項 檢 查
的 驗 證 器，最 終 產 出 可 直 接 用 於 強 化 學 習 的 二 值 獎 勵。slime 架 構 把
數 學、代 碼、沙 盒、驗 證 器 降 格 為 即 插 即 用 的 數 據 組 件，環 境 成 為 流
水 線 上 的 標 準 產 品。
需 要 說 明 的 是，這 條 管 線 目 前 仍 有 相 當 數 量 的 人 工 環 節。讓 環 境 的
生 成 與 驗 證 更 加 自 主，是 我 們 的 下 一 步。

– 19 –

基 礎 設 施 開 始 自 我 優 化。推 理 系 統 的 優 化：內 核、調 度、量 化、算 子
等，本 質 上 是 代 碼 工 程 任 務，而 這 恰 是 模 型 最 強 的 能 力 域。GLM-5.3Flash 的 推 理 引 擎 就 是 這 樣 完 成 的：由 GLM-5.3 驅 動 的 基 礎 設 施 智 能 體
協 助 工 程 師 開 發 優 化 內 核、診 斷 性 能 瓶 頸、改 進 服 務 棧，最 終 在 國 產
芯 片 上 把 端 到 端 服 務 性 能 提 升 三 倍。同 一 邏 輯 也 在 訓 練 側 運 轉：slime
讓 訓 練 與 大 規 模 推 理 rollout 共 用 一 套 數 據 流，強 化 學 習 中 積 累 的 配 置
經 驗 與 調 度 策 略 可 直 接 遷 移 到 生 產 服 務 階 段。
三 條 線 指 向 同 一 個 終 局：模 型 參 與 自 身 的 改 進，形 成 遞 歸 式 的 自 我
改 進 (Recursive Self-Improvement)。這 不 是 一 個 遙 遠 的 概 念，2026 年 上 半
年 本 公 司 已 經 出 現 了 它 的 早 期 形 態：GLM-5.3 參 與 了 服 務 GLM 自 身 的
推 理 引 擎 優 化，GLM 生 成 的 環 境 正 在 訓 練 下 一 代 GLM。差 別 只 在 於，
今 天 這 個 迴 路 裡 還 站 著 大 量 工 程 師。迴 路 每 收 緊 一 環，智 能 進 步 的
速 度 就 更 多 地 由 環 境 生 長 的 速 度 決 定。
這 就 是 我 們 的 技 術 願 景：Fully Self Training，下 一 代 GLM，將 在 上 一 代
GLM 搭 建 的 環 境 裡 訓 練。

四、 邊 界 與 治 理
本 公 司 的 技 術 願 望 是 模 型 可 以 自 動 參 與 訓 練 系 統 的 建 設，但 也 需 要
保 證 對 其 能 力 的 評 估 與 風 險 的 判 斷 最 終 由 人 來 裁 量，並 引 入 外 部 機
構 獨 立 評 估。2026 年 上 半 年 我 們 在 網 絡 安 全 方 向 上 已 經 這 樣 做 了，
即 最 敏 感 的 能 力 受 控 開 放，開 源 前 由 第 三 方 專 業 團 隊 獨 立 評 估，漏
洞 通 過 國 家 漏 洞 庫 完 成 責 任 披 露。基 準 分 數 由 我 們 自 己 報 告，風 險
判 斷 交 給 外 部 確 認，這 個 分 工 不 會 因 為 能 力 提 升 而 改 變，只 會 隨 能
力 上 移 而 加 強。
本 公 司 將 繼 續 在 能 力 上 限、推 理 效 率、任 務 價 值 密 度 與 安 全 治 理 之
間 尋 找 新 的 平 衡，讓 更 高 水 平 的 智 能 穩 定、可 控 地 進 入 真 實 世 界，讓
全 人 類 享 受 普 惠 智 能。

– 20 –

財務回顧
以 下 討 論 乃 基 於 本 中 期 業 績 公 告 其 他 部 分 所 載 財 務 資 料 及 相 應 附 註，並
應 與 之 一 併 閱 讀。

經營業績主要項目分析
收入
報 告 期 內，我 們 實 現 收 入 大 幅 增 長。截 至 2025 年 6 月 30 日 止 六 個 月 及 截 至
2026 年 6 月 30 日 止 六 個 月，我 們 的 收 入 分 別 為 人 民 幣 190.9 百 萬 元 及 人 民 幣
953.9 百 萬 元，增 幅 達 399.7%，收 入 規 模 的 擴 張 主 要 得 益 於 雲 端 部 署 業 務
的 爆 發 式 增 長，標 誌 著 本 集 團 收 入 增 長 的 主 要 驅 動 由 本 地 化 部 署 業 務 轉
向 雲 端 部 署 業 務。
按 部 署 方 式 來 看：

雲端部署
雲 端 部 署 收 入 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 29.1 百 萬 元 增 加 至
截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 825.2 百 萬 元，增 幅 達 2,735.7%。該 增
長 主 要 反 映 本 公 司 模 型 能 力 逐 步 面 向 高 價 值 任 務 場 景 提 升，模 型 長 程 任
務 能 力 的 持 續 進 步，讓 用 戶 能 夠 在 複 雜 場 景 下 持 續 調 用，進 而 帶 來 用 戶
日 均 Token 調 用 顯 著 提 升；MaaS 平 台 用 戶 規 模 持 續 擴 大，量 價 齊 升 態 勢 延
續。雲 端 部 署 收 入 佔 總 收 入 的 比 例 由 上 年 同 期 的 15.2% 提 升 至 86.5%，成 為
本 集 團 主 要 的 收 入 來 源。

本地化部署
本 地 化 部 署 收 入 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 161.8 百 萬 元 下
降 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 128.7 百 萬 元，減 幅 達 20.5%。該
減 少 主 要 由 於 本 集 團 在 雲 端 部 署 業 務 取 得 爆 發 式 增 長 的 情 況 下，更 強 調
本 地 化 業 務 的 質 量 和 行 業 選 擇，夯 實 未 來 模 型 能 力 從 泛 化 通 用 場 景 進 入
垂 直 行 業 高 價 值 特 化 任 務 場 景 的 基 礎。

– 21 –

截 至 6 月 30 日 止 六 個 月
2025 年

2026 年

人民幣千元
（未 經 審 計）

佔總額
百分比

人民幣千元
（經 審 計）

佔總額
百分比

雲端部署
本地化部署

825,176
128,716

86.5%
13.5%

29,100
161,777

15.2%
84.8%

總計

953,892

100.0%

190,877

100.0%

按 業 務 形 態 與 核 心 產 品 線 來 看：

開 放 平 台 及 API
開 放 平 台 及 API（本 集 團 基 於 通 用 大 模 型 提 供 的 雲 端 服 務）收 入 由 截 至 2025
年 6 月 30 日 止 六 個 月 的 人 民 幣 29.1 百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六
個 月 的 人 民 幣 825.2 百 萬 元，增 幅 達 2,735.7%，該 增 長 主 要 反 映 本 公 司 模 型
能 力 逐 步 面 向 高 價 值 任 務 場 景 提 升，GLM 系 列 模 型 多 輪 迭 代 帶 動 長 程 任
務 能 力 的 持 續 進 步 與 質 變，讓 用 戶 能 夠 在 複 雜 場 景 下 持 續 調 用，進 而 帶
來 用 戶 日 均 Token 調 用 顯 著 提 升；MaaS 平 台 用 戶 規 模 持 續 擴 大，量 價 齊 升
態 勢 延 續。

企業級智能體
企 業 級 智 能 體（本 集 團 面 向 企 業 複 雜 場 景 構 建 的 自 主 智 能 系 統 產 品）收 入
由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 13.7 百 萬 元 增 加 至 截 至 2026 年 6 月
30 日 止 六 個 月 的 人 民 幣 55.6 百 萬 元，增 幅 達 304.4%，得 益 於 企 業 客 戶 對 智
能 體 的 採 納 加 速：一 方 面，GLM 系 列 模 型 在 長 程 任 務 與 複 雜 場 景 下 的 執
行 能 力 持 續 提 升，使 得 面 向 企 業 工 作 流 的 智 能 體 產 品 得 以 覆 蓋 更 多 高 價
值 場 景；另 一 方 面，報 告 期 內，企 業 級 客 戶 對 智 能 體 場 景 的 部 署 需 求 持
續 增 加，使 得 該 分 部 收 入 實 現 增 長。

– 22 –

企業級通用大模型
企 業 級 通 用 大 模 型（本 集 團 自 主 研 發 的 預 訓 練 模 型 矩 陣，主 要 採 用 私 有
化 本 地 部 署 模 式 交 付）收 入 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 147.6
百 萬 元 減 少 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 67.0 百 萬 元，減 幅 達
54.6%。該 減 少 主 要 由 於 本 集 團 更 強 調 企 業 級 通 用 大 模 型 業 務 的 質 量 和 行
業 選 擇，夯 實 未 來 模 型 能 力 從 泛 化 通 用 場 景 進 入 垂 直 行 業 高 價 值 特 化 任
務 場 景 的 基 礎；同 時 部 分 企 業 級 通 用 大 模 型 客 戶 逐 步 向 開 放 平 台 及 API
服 務 轉 化，形 成 了 正 飛 輪。

技術服務及其他
技 術 服 務 及 其 他 收 入 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 0.5 百 萬 元
增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 6.1 百 萬 元，較 上 年 同 期 增 加
1,120.0%，主 要 由 於 本 集 團 將 自 研 大 模 型 能 力 向 更 多 場 景 進 行 了 延 伸 探
索。該 分 部 收 入 基 數 較 小，其 變 動 對 本 集 團 整 體 收 入 結 構 的 影 響 有 限。
截 至 6 月 30 日 止 六 個 月
2025 年

2026 年

人民幣千元
（未 經 審 計）

佔總額
百分比

人民幣千元
（未 經 審 計）

佔總額
百分比

開 放 平 台 及 API
企業級智能體
企業級通用大模型
技術服務及其他

825,176
55,561
67,037
6,118

86.5%
5.8%
7.0%
0.7%

29,100
13,739
147,555
483

15.2%
7.2%
77.3%
0.3%

總計

953,892

100.0%

190,877

100.0%

毛利和毛利率
本 集 團 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 95.4 百 萬 元 增 加 至 截
至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 251.6 百 萬 元，增 幅 達 163.7%。本 集 團 毛
利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 50.0% 減 少 至 截 至 2026 年 6 月 30 日 止
六 個 月 的 26.4%，主 要 由 於 收 入 結 構 轉 變 所 致，雲 端 部 署 佔 比 急 速 擴 大，
該 類 業 務 尚 在 爆 發 初 期，毛 利 率 尚 在 爬 坡，結 構 性 攤 薄 了 整 體 毛 利 率。

– 23 –

但 雲 端 業 務 自 身 毛 利 率 已 由 去 年 同 期 的 負 數 轉 為 正 數，並 快 速 提 升，報
告 期 內，本 集 團 毛 利 實 現 了 逾 1.6 倍 的 增 長，反 映 收 入 結 構 變 化 已 形 成 正
向 毛 利 貢 獻。
按 部 署 方 式 來 看：

雲端部署
雲 端 部 署 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 -0.1 百 萬 元
增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 202.9 百 萬 元，較 上 年 同 期 由
負 轉 正。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 -0.4% 增 加 至 截 至 2026 年
6 月 30 日 止 六 個 月 的 24.6%。該 改 善 主 要 得 益 於：其 一，收 入 規 模 爆 發 式 增
長 帶 來 的 規 模 效 應，指 數 級 增 長 的 Token 調 用 量 顯 著 攤 薄 了 固 定 成 本；其
二，定 價 策 略 隨 模 型 智 能 上 界 的 提 升 逐 步 上 調，但 調 用 量 依 然 持 續 增 長，
維 持 量 價 齊 升 態 勢；其 三，全 棧 自 研 的 工 程 優 化 持 續 降 低 模 型 推 理 成 本。

本地化部署
本 地 化 部 署 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 95.5 百 萬
元 下 降 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 48.7 百 萬 元，較 上 年 同 期
減 少 49.0%。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 59.1% 下 降 至 截 至 2026
年 6 月 30 日 止 六 個 月 的 37.9%。毛 利 及 毛 利 率 均 有 所 下 降，主 要 由 於 本 集 團
推 進 業 務 模 式 調 整，本 地 化 部 署 的 產 品 結 構 發 生 變 化，毛 利 率 較 高 的 企
業 級 通 用 大 模 型 私 有 化 交 付 規 模 收 縮，而 尚 處 於 規 模 化 拓 展 階 段 的 企 業
級 智 能 體 產 品 佔 比 提 升；同 時 部 分 客 戶 由 本 地 化 部 署 向 雲 端 服 務 遷 移。

– 24 –

截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
毛利
毛利率
毛利
（人 民 幣 千 元）
(%) （人 民 幣 千 元）
（未 經 審 計）
（經 審 計）

毛利率
(%)

雲端部署
本地化部署

202,871
48,740

24.6
37.9

(116)
95,540

-0.4
59.1

總計

251,611

26.4

95,424

50.0

按 業 務 形 態 與 核 心 產 品 線 來 看：

開 放 平 台 及 API
開 放 平 台 及 API 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 -0.1
百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 202.9 百 萬 元，較 上 年
同 期 由 負 轉 正。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 -0.4% 改 善 至 截 至
2026 年 6 月 30 日 止 六 個 月 的 24.6%。該 改 善 主 要 得 益 於 規 模 效 應 的 顯 現、定
價 的 上 調 以 及 全 棧 工 程 優 化 對 推 理 成 本 的 持 續 壓 低。

企業級智能體
企 業 級 智 能 體 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 8.9 百
萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 19.8 百 萬 元，較 上 年 同
期 增 加 122.5%。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 64.6% 減 少 至 截 至
2026 年 6 月 30 日 止 六 個 月 的 35.6%。毛 利 增 加 但 毛 利 率 有 所 下 降，主 要 由
於 報 告 期 內 企 業 級 客 戶 對 智 能 體 場 景 的 部 署 需 求 日 益 殷 切，需 求 持 續 增
加，為 保 障 交 付 質 量 與 場 景 覆 蓋 深 度，前 期 為 滿 足 客 戶 多 元 化 需 求 投 入
較 大；隨 著 規 模 化 效 應 的 逐 步 顯 現，毛 利 率 有 望 企 穩 回 升。

– 25 –

企業級通用大模型
企 業 級 通 用 大 模 型 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣
86.3 百 萬 元 減 少 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 28.4 百 萬 元，較 上
年 同 期 減 少 67.1%。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 58.5% 減 少 至
截 至 2026 年 6 月 30 日 止 六 個 月 的 42.3%。毛 利 及 毛 利 率 均 有 所 減 少，主 要 由
於 本 集 團 更 強 調 該 類 業 務 的 質 量 和 行 業 選 擇，夯 實 未 來 模 型 能 力 從 泛 化
通 用 場 景 進 入 垂 直 行 業 高 價 值 特 化 任 務 場 景 的 基 礎，而 該 類 業 務 交 付 及
維 護 成 本 具 備 一 定 剛 性，規 模 效 應 減 弱；同 時 客 戶 需 求 升 級，部 分 項 目
轉 向 企 業 級 智 能 體 方 案，亦 對 毛 利 率 產 生 階 段 性 影 響。

技術服務及其他
技 術 服 務 及 其 他 業 務 的 毛 利 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 0.3
百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 0.6 百 萬 元，較 上 年 同
期 增 加 100.0%。毛 利 率 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 65.8% 減 少 至 截 至
2026 年 6 月 30 日 止 六 個 月 的 9.4%。毛 利 增 加 惟 毛 利 率 有 所 下 降，主 要 歸 因
於 報 告 期 內 部 分 探 索 性 場 景 項 目 投 入 增 多，且 因 該 分 部 收 入 基 數 較 小，
毛 利 率 影 響 較 為 顯 著。
截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
毛利
毛利率
毛利
毛利率
（人 民 幣 千 元）
(%) （人 民 幣 千 元）
(%)
（未 經 審 計）
（未 經 審 計）
開 放 平 台 及 API
企業級智能體
企業級通用大模型
技術服務及其他

202,871
19,796
28,368
576

24.6
35.6
42.3
9.4

-116
8,880
86,342
318

-0.4
64.6
58.5
65.8

總計

251,611

26.4

95,424

50.0

– 26 –

銷售成本
本 集 團 的 銷 售 成 本 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 95.5 百 萬 元 增
加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 702.3 百 萬 元，較 上 年 同 期 增 加
635.4%。成 本 增 加 主 要 歸 因 於 配 合 業 務 擴 張 及 收 入 增 長 所 導 致 的 計 算 服
務 費 用 增 加，與 收 入 增 長 趨 勢 基 本 一 致。
資本支出
本 集 團 的 資 本 支 出 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 53.7 百 萬 元 增
加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 390.6 百 萬 元，較 上 年 同 期 增
長 627.4%。該 增 長 主 要 由 於 本 公 司 完 成 收 購 北 京 紅 鑽 科 技 發 展 有 限 公 司
（「北 京 紅 鑽」）全 部 股 權，新 增 大 額 物 業、廠 房 及 設 備。
其他收入
本 集 團 的 其 他 收 入 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 4.6 百 萬 元 增
加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 41.4 百 萬 元，較 上 年 同 期 增 加
800.0%。此 乃 主 要 由 於 本 集 團 於 2026 年 1 月 上 市 後 銀 行 存 款 規 模 大 幅 增
加，令 利 息 收 入 相 應 上 升。
研發開支
本 集 團 的 研 發 開 支 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 1,594.7 百 萬 元
增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 2,131.2 百 萬 元，較 上 年 同 期
增 加 33.6%。該 增 長 主 要 由 於 本 集 團 持 續 加 大 模 型 訓 練 的 研 發 投 入，以 支
撐 GLM 系 列 模 型 智 能 上 界 的 持 續 突 破。

– 27 –

銷售及營銷開支
本 集 團 的 銷 售 及 營 銷 開 支 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 208.6
百 萬 元 減 少 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 177.7 百 萬 元，較 上 年
同 期 減 少 14.8%。此 乃 本 集 團 優 化 市 場 推 廣 資 源 投 放、提 升 營 銷 投 入 的 轉
化 效 率 所 致。
一般及行政開支
本 集 團 的 一 般 及 行 政 開 支 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 185.2
百 萬 元 減 少 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 103.3 百 萬 元，較 上 年
同 期 減 少 44.2%。該 減 少 主 要 是 由 於 報 告 期 內 專 業 服 務 費 以 及 以 權 益 結 算
以 股 份 為 基 礎 的 薪 酬 開 支 較 上 年 同 期 減 少。
金融資產減值虧損
本 集 團 的 金 融 資 產 減 值 虧 損 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 10.9
百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 27.4 百 萬 元，較 上 年
同 期 增 加 151.4%。此 乃 主 要 由 於 業 務 規 模 擴 大 導 致 貿 易 應 收 款 項 及 應 收
票 據 原 值 增 加。
財務成本
本 集 團 的 財 務 成 本 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民 幣 53.3 百 萬 元 增
加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 95.9 百 萬 元，較 上 年 同 期 增 加
79.9%。此 乃 主 要 由 於 報 告 期 內 錄 得 淨 匯 兌 虧 損 及 銀 行 貸 款 利 息 開 支 增 加。
分佔聯營公司利潤減虧損
本 集 團 分 佔 聯 營 公 司 利 潤 減 虧 損 由 截 至 2025 年 6 月 30 日 止 六 個 月 的 人 民
幣 14.1 百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的 人 民 幣 144.2 百 萬 元，
較 上 年 同 期 增 加 922.7%。該 增 加 主 要 歸 因 於 聯 營 公 司 報 告 期 內 經 營 及 財
務 業 績 改 善。

– 28 –

按公允價值計入損益的金融工具的公允價值變動
按 公 允 價 值 計 入 損 益 計 量 的 金 融 工 具 的 公 允 價 值 變 動 由 截 至 2025 年 6 月
30 日 止 六 個 月 的 人 民 幣 9.8 百 萬 元 增 加 至 截 至 2026 年 6 月 30 日 止 六 個 月 的
人 民 幣 50.4 百 萬 元，較 上 年 同 期 增 加 414.3%。此 乃 主 要 由 於 本 集 團 持 有 的
金 融 工 具 於 期 內 估 值 上 升，確 認 公 允 價 值 收 益 所 致。
向投資者發行的金融工具的賬面值變動
向 投 資 者 發 行 的 金 融 工 具 的 賬 面 值 由 截 至 2025 年 6 月 30 日 止 六 個 月 虧 損
人 民 幣 429.3 百 萬 元 減 少 至 截 至 2026 年 6 月 30 日 止 六 個 月 虧 損 人 民 幣 22.1 百
萬 元，較 上 年 同 期 減 少 94.9%。此 乃 主 要 由 於 向 投 資 者 發 行 的 金 融 工 具 及
相 關 贖 回 權 終 止，該 等 金 融 工 具 已 於 2026 年 1 月 上 市 時 終 止 確 認，報 告 期
內 僅 就 上 市 前 的 短 暫 期 間 確 認 賬 面 值 變 動 所 致。
虧損淨額
截 至 2026 年 6 月 30 日 止 六 個 月，本 集 團 錄 得 淨 虧 損 人 民 幣 2,072.0 百 萬 元，
較 截 至 2025 年 6 月 30 日 止 六 個 月 的 淨 虧 損 人 民 幣 2,357.9 百 萬 元 有 所 減 少。
主要由於報告期內毛利增加以及上市後向投資者發行的金融工具已轉
換 為 普 通 股，相 關 賬 面 值 變 動 虧 損 大 幅 減 少；研 發 開 支 增 加 則 抵 銷 了 部
分 減 幅。
非國際財務報告準則計量
截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
人民幣千元
人民幣千元
（未 經 審 計） （未 經 審 計）
期內虧損
加：
－以 權 益 結 算 以 股 份 為 基 礎 的 薪 酬 開 支
－向 投 資 者 發 行 的 金 融 工 具 賬 面 值 變 動
－上 市 開 支
經 調 整 期 內 淨 虧 損（非 國 際 財 務 報 告
準 則 計 量）

– 29 –

(2,071,992)

(2,357,852)

85,764
22,090
–

158,852
429,295
17,731

(1,964,138)

(1,751,974)

財務狀況主要項目分析
財務狀況
股 東 權 益 由 2025 年 12 月 31 日 的 人 民 幣 -8,111.0 百 萬 元 增 加 至 2026 年 6 月 30 日 的
人 民 幣 4,429.6 百 萬 元，主 要 由 於 本 集 團 於 報 告 期 內 成 功 上 市，向 投 資 者 發
行 的 金 融 工 具 及 相 關 贖 回 權 已 終 止，且 有 關 金 融 負 債 已 轉 入 本 公 司 權 益。
流動性及財務資源
於 2026 年 6 月 30 日，本 集 團 持 有 現 金 及 現 金 等 價 物 人 民 幣 3,993.7 百 萬 元，
較 2025 年 12 月 31 日 的 人 民 幣 2,259.1 百 萬 元 增 加 人 民 幣 1,734.6 百 萬 元。此 波
動 主 要 歸 因 於 報 告 期 內 收 到 上 市 募 集 資 金 並 增 加 銀 行 貸 款，同 時 營 運 開
支 消 耗 了 部 分 資 金。
債 務╱借 款
於 2026 年 6 月 30 日，本 集 團 銀 行 貸 款 總 額 為 人 民 幣 2,224.8 百 萬 元，較 2025
年 12 月 31 日 的 人 民 幣 689.5 百 萬 元 增 加 人 民 幣 1,535.3 百 萬 元，主 要 為 滿 足
經 營 需 要 而 借 入 資 金。相 關 貸 款 均 為 帶 息 借 貸，主 要 以 人 民 幣 為 計 價 貨
幣，上 述 借 貸 均 為 無 擔 保 借 貸。
租賃負債
於 2026 年 6 月 30 日，本 集 團 確 認 的 租 賃 負 債 總 額（包 括 流 動 及 非 流 動 部 分）
為 人 民 幣 379.4 百 萬 元，較 2025 年 12 月 31 日 的 人 民 幣 545.1 百 萬 元 減 少 人 民
幣 165.7 百 萬 元。該 波 動 主 要 歸 因 於 報 告 期 內 租 賃 款 項 的 支 付 以 及 租 賃 安
排 的 變 動。
資本負債比率
本 集 團 於 2026 年 6 月 30 日 的 資 本 負 債 比 率（資 本 負 債 比 率 以 銀 行 貸 款 及 租
賃 負 債 除 以 截 至 期 末 權 益 總 額 再 乘 以 100% 計 算）為 58.8%，而 於 2025 年 12
月 31 日 為 -15.2%。該 變 動 主 要 由 於 上 市 時 向 投 資 者 發 行 的 金 融 工 具 及 相
關 贖 回 權 終 止，且 有 關 金 融 負 債 已 轉 入 本 公 司 權 益，令 權 益 總 額 由 負 數
轉 為 正 數 所 致。

– 30 –

資產抵押
截 至 2026 年 6 月 30 日 止 六 個 月，本 集 團 資 產 均 無 任 何 抵 押。
資本承擔
截 至 2026 年 6 月 30 日 止 六 個 月，本 集 團 無 任 何 未 履 行 的 資 本 承 擔。
或有負債
截 至 2026 年 6 月 30 日 止 六 個 月，本 集 團 並 無 任 何 重 大 或 有 負 債。
重 大 投 資 及 附 屬 公 司、聯 營 公 司 及 合 營 企 業 的 重 大 收 購 及 處 置
根 據 日 期 為 2026 年 3 月 31 日 的 董 事 會 決 議 及 日 期 為 2026 年 4 月 14 日 的 收 購
框 架 協 議，本 公 司 以 不 超 過 人 民 幣 360.52 百 萬 元 的 總 代 價 收 購 北 京 紅 鑽
的 100% 股 權。於 收 購 事 項 完 成 後，北 京 紅 鑽 已 作 為 本 公 司 一 間 附 屬 公 司
列 賬。詳 情 請 參 閱 本 公 司 日 期 為 2026 年 4 月 14 日 之 公 告。
除 上 文 所 披 露 者 外，截 至 2026 年 6 月 30 日，本 集 團 並 未 進 行 任 何 重 大 投 資，
亦 無 任 何 其 他 有 關 附 屬 公 司、聯 營 公 司 及 合 營 企 業 的 重 大 收 購 或 出 售 事
項；截 至 本 公 告 日 期，本 集 團 並 無 購 入 重 大 資 本 資 產 的 具 體 未 來 計 劃。
僱員及薪酬政策
於 2026 年 6 月 30 日，本 集 團 有 981 名 正 式 僱 員（2025 年 6 月 30 日：883 名），本 集
團 聘 用 的 僱 員 人 數 視 乎 需 要 而 進 行 變 動。於 報 告 期 內，本 集 團 產 生 總 薪
酬 成 本（含 股 份 支 付）為 人 民 幣 482.1 百 萬 元（截 至 2025 年 6 月 30 日 止 六 個 月：
人 民 幣 499.6 百 萬 元）。
人 才 是 本 公 司 最 核 心 的 戰 略 資 源。我 們 圍 繞 人 工 智 能 行 業 的 特 點，打 造
了 以 能 力 為 導 向、以 激 勵 為 驅 動 的 人 才 管 理 體 系，支 撐 本 公 司 在 AI 領 域
的 持 續 技 術 創 新 與 業 務 擴 張。

– 31 –

在 薪 酬 策 略 上，我 們 採 用「固 定 薪 酬 + 績 效 獎 金 + 中 長 期 激 勵」的 三 層 結
構，確 保 回 報 與 本 公 司 業 績 及 個 人 貢 獻 深 度 綁 定。通 過 員 工 激 勵 計 劃 及
持 股 平 台，將 核 心 管 理 人 員、核 心 技 術 人 員 及 業 務 人 才 的 利 益 與 公 司 長
期 發 展 緊 密 對 齊。我 們 定 期 開 展 行 業 薪 酬 對 標，保 持 薪 酬 水 平 的 市 場 競
爭 力，以 吸 引 和 留 住 頂 尖 人 才。
在 員 工 關 懷 方 面，我 們 在 法 定 社 會 保 險 及 住 房 公 積 金 的 基 礎 上，提 供 補
充 商 業 保 險、年 度 健 康 體 檢、餐 飲 補 貼 及 節 日 福 利 等 多 層 次 保 障。同 時 支
持 各 類 文 體 社 團 活 動，關 注 員 工 身 心 健 康，營 造 積 極 向 上 的 工 作 氛 圍。
本 公 司 建 立 了 系 統 化 的 內 部 培 訓 與 知 識 共 享 機 制，鼓 勵 跨 部 門 協 作 與 技
術 交 流，為 員 工 的 職 業 發 展 提 供 持 續 支 持。
作 為 大 模 型 領 域 的 領 軍 企 業，我 們 將 AI 原 生 工 作 模 式 確 立 為 組 織 運 行 的
基 本 方 式。以 自 研 模 型 及 智 能 體 系 統 為 底 座，我 們 將 自 身 打 造 為 模 型 能
力 在 真 實 生 產 環 境 中 規 模 化 驗 證 的 前 沿 場 域。在 日 常 研 發 中，代 碼 生 成、
缺 陷 修 復、測 試 編 寫 等 標 準 化 環 節 多 數 由 AI 自 主 完 成，員 工 則 專 注 於 問
題 本 質 的 提 煉、技 術 方 案 的 設 計 與 創 新 方 向 的 開 拓。這 套「AI 幹 活、人 做
決 策」的 協 作 範 式，正 在 重 塑 本 公 司 的 產 出 效 率 與 創 新 節 奏。
匯率波動風險
本集團的外匯風險來自未來商業交易以及以相關集團實體的功能貨幣
以 外 的 貨 幣 計 值 的 已 確 認 資 產 及 負 債。本 公 司 的 功 能 貨 幣 為 人 民 幣。大
部 分 非 人 民 幣 資 產 及 負 債 為 以 美 元 及 港 元 計 值 的 現 金 及 現 金 等 價 物。
本 集 團 主 要 面 臨 人 民 幣 兌 美 元 與 人 民 幣 兌 港 元 匯 率 變 動 的 風 險。我 們 目
前 並 無 進 行 旨 在 或 擬 用 於 管 理 外 匯 匯 率 風 險 的 對 沖 活 動，然 而，我 們 透
過 密 切 監 察 外 幣 匯 率 變 動，以 管 理 其 外 匯 風 險 並 將 採 取 必 要 措 施 減 低 此
等 風 險。

– 32 –

主要風險及不明朗因素
我 們 的 運 營 涉 及 若 干 風 險 及 不 確 定 因 素，其 中 包 括 (i) 與 我 們 研 發 相 關 的
風 險；(ii) 與 我 們 商 業 化 相 關 的 風 險；(iii) 與 我 們 運 營 相 關 的 風 險；(iv) 與 我
們 知 識 產 權 相 關 的 風 險；(v) 與 我 們 的 財 務 狀 況 及 額 外 資 金 需 求 相 關 的 風
險；及 (vi) 與 我 們 開 展 業 務 所 在 司 法 管 轄 區 有 關 的 風 險，包 括 但 不 限 於：
•

人 工 智 能 行 業 屬 於 前 沿 科 技 領 域，具 有 持 續 變 化 的 特 點。本 集 團 的
未 來 業 務、經 營 業 績、財 務 狀 況 及 競 爭 地 位 取 決 於 本 集 團 對 模 型 和
技 術 不 斷 升 級 反 覆 運 算 的 能 力。

•

我 們 已 經 並 預 計 將 繼 續 在 研 發 方 面 投 入 大 量 資 金，不 斷 更 新 反 覆 運
算 大 模 型 的 研 發 工 作。

•

本 集 團 面 臨 客 戶 變 化 及 新 客 戶 拓 展 不 及 預 期 的 風 險。

•

AGI 的 開 發 仍 處 於 早 期 階 段，未 來 實 現 AGI 存 在 很 大 的 不 確 定 性。

•

我 們 需 長 期 維 持 充 足、穩 定 的 技 術 人 才 隊 伍 以 及 時 應 對 市 場 變 化。
若 核 心 技 術 人 員 發 生 不 利 變 化，將 會 影 響 本 集 團 重 要 研 發 項 目 的 開
展、推 進 及 商 業 化，進 而 可 能 對 本 集 團 經 營 產 生 不 利 影 響。

•

我 們 面 臨 規 模 擴 張 帶 來 的 管 理 風 險。

•

本 集 團 資 產、營 收 規 模 呈 快 速 增 長，人 員 數 量 持 續 增 加，對 於 本 集 團
的 管 理 水 準 和 風 險 控 制 提 出 更 高 的 要 求。本 集 團 可 能 在 一 定 程 度 上
面 臨 規 模 擴 張 所 帶 來 的 管 理 風 險。

•

我 們 依 賴 第 三 方 為 我 們 提 供 計 算 資 源，其 服 務 的 任 何 中 斷 或 價 格 波
動 均 可 能 對 我 們 的 業 務、經 營 業 績 及 財 務 狀 況 產 生 不 利 影 響。

– 33 –

•

中 國 的 人 工 智 能 行 業 正 處 於 不 斷 發 展 且 日 益 嚴 格 的 監 管 環 境 中。未
來 可 能 出 台 的 法 律 法 規 或 將 提 出 更 多 要 求 與 其 他 義 務，這 可 能 對 我
們 的 業 務、經 營 業 績、財 務 狀 況 及 前 景 產 生 不 利 影 響。

•

我 們 可 能 無 法 為 我 們 的 業 務 獲 得 或 維 持 足 夠 的 知 識 產 權 保 護，或 者
該 等 知 識 產 權 保 護 的 範 圍 可 能 不 夠 廣 泛。

•

我 們 面 臨 未 來 市 場 競 爭 加 劇 的 風 險。未 來 若 本 集 團 技 術 發 展 和 產 品
反 覆 運 算 無 法 保 持 在 行 業 領 先 水 準，本 集 團 的 競 爭 地 位、市 場 份 額
和 經 營 業 績 可 能 受 到 不 利 影 響。

•

受 多 種 因 素 影 響，我 們 目 標 市 場 的 規 模 及 對 我 們 解 決 方 案 的 需 求 可
能 無 法 按 我 們 預 期 的 速 度 增 長，這 將 對 我 們 的 業 務、經 營 業 績、財 務
狀 況 及 前 景 產 生 不 利 影 響。

•

若 我 們 的 MaaS 平 台 未 能 按 要 求 運 行，可 能 損 害 我 們 的 業 務、經 營 業
績、財 務 狀 況 及 前 景。

•

我 們 在 業 務 商 業 化 方 面 的 往 績 記 錄 有 限，且 大 模 型 市 場 同 時 受 到 技
術 反 覆 運 算 和 監 管 政 策 變 動 的 雙 重 影 響，發 展 機 遇 與 未 來 市 場 規 模
難 以 準 確 預 測。

以 上 所 列 並 非 全 部，具 體 請 參 照 我 們 的 招 股 章 程「風 險 因 素」章 節。

– 34 –

綜合損益及其他全面收益表
截 至 2026 年 6 月 30 日 止 六 個 月－未 經 審 計
（以 人 民 幣 列 示）

附註

截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
人民幣千元
人民幣千元

收入
營業成本

3

953,892
(702,281)

190,877
(95,453)

毛利
其他收入
銷售及營銷開支
一般及行政開支
研發開支
金融資產減值虧損

3(b)

251,611
41,436
(177,666)
(103,346)
(2,131,171)
(27,416)

95,424
4,614
(208,570)
(185,165)
(1,594,661)
(10,867)

經營虧損
融資成本
分佔聯營公司利潤減虧損
按 公 允 價 值 計 入 損 益（「按 公 允 價 值
計 入 損 益」）的 金 融 工 具
的公允價值變動
向投資者發行的金融工具的
賬面值變動

(2,146,552)
(95,925)
144,152

(1,899,225)
(53,270)
14,147

50,385

9,791

(22,090)

(429,295)

除稅前虧損
所得稅

(2,070,030)
(1,962)

(2,357,852)
–

(2,071,992)

(2,357,852)

4

期內虧損

– 35 –

綜合損益及其他全面收益表
截 至 2026 年 6 月 30 日 止 六 個 月－未 經 審 計
（以 人 民 幣 列 示）

附註

截 至 6 月 30 日 止 六 個 月
2026 年
2025 年
人民幣千元
人民幣千元
(2,071,992)

(2,357,852)

(3,049)

414

期內全面收益總額

(2,075,041)

(2,357,438)

以 下 人 士 應 佔 虧 損：
本公司權益股東
非控股權益

(2,071,326)
(666)

(2,351,173)
(6,679)

(2,071,992)

(2,357,852)

(2,074,375)
(666)

(2,350,759)
(6,679)

(2,075,041)

(2,357,438)

(4.67)

(6.23)

期內虧損

期 內 其 他 全 面 收 益（除 稅 後）：
可 能 重 新 分 類 至 損 益 的 項 目：
－將 財 務 報 表 換 算 為 列 報 貨 幣 的
匯兌差額

以 下 人 士 應 佔 全 面 收 益 總 額：
本公司權益股東
非控股權益

每股虧損
基 本 及 攤 薄（人 民 幣 元）

5

– 36 –

綜合財務狀況表
於 2026 年 6 月 30 日－未 經 審 計
（以 人 民 幣 列 示）

附註
非流動資產
物 業、廠 房 及 設 備
無形資產
商譽
於聯營公司的權益
其他非流動資產

6

流動資產
按公允價值計入損益的短期投資
存貨及合約成本
貿易應收款項及應收票據
預付款項及其他應收款項
合約資產
定期存款
銀行存款及手頭現金

7
8

流動負債
貿易及其他應付款項
合約負債
銀行貸款
租賃負債
向投資者發行的金融工具

9

– 37 –

2026 年
6 月 30 日
人民幣千元

2025 年
12 月 31 日
人民幣千元

855,060
67,801
283,815
532,133
912,325

655,825
50,963
39,379
338,081
198,202

2,651,134

1,282,450

506,139
87,100
782,944
1,621,311
2,480
–
3,993,722

377,287
125,817
303,208
395,734
1,625
108,593
2,259,147

6,993,696

3,571,411

2,135,759
302,325
789,831
161,711
–

1,328,631
148,644
604,836
251,316
10,072,827

3,389,626

12,406,254

綜合財務狀況表
於 2026 年 6 月 30 日－未 經 審 計
（以 人 民 幣 列 示）
2026 年
6 月 30 日
人民幣千元

2025 年
12 月 31 日
人民幣千元

流 動 資 產╱（負 債）淨 額

3,604,070

(8,834,843)

資產總值減流動負債

6,255,204

(7,552,393)

非流動負債
銀行貸款
租賃負債
遞延收入

1,434,958
217,699
172,991

84,616
293,827
180,146

1,825,648

558,589

資 產╱（負 債）淨 額

4,429,556

(8,110,982)

資本及儲備
股本
儲備

44,584
4,372,464

40,281
(8,132,783)

本公司權益股東應佔
權 益╱（權 益－虧 絀）總 額
非控股權益

4,417,048
12,508

(8,092,502)
(18,480)

權 益╱（權 益－虧 絀）總 額

4,429,556

(8,110,982)

– 38 –

1

編製基準
北 京 智 譜 華 章 科 技 股 份 有 限 公 司（前 稱「北 京 智 譜 華 章 科 技 股 份 有 限 公 司 Knowledge Atlas
Technology Joint Stock Company Limited」）於 2019 年 6 月 11 日 在 中 華 人 民 共 和 國（「中 國」）成 立
為 有 限 責 任 公 司。於 2025 年 3 月 26 日，本 公 司 由 有 限 責 任 公 司 改 制 為 股 份 有 限 公 司。本 公
司 股 份 於 2026 年 1 月 8 日 於 香 港 聯 合 交 易 所 有 限 公 司（「聯 交 所」）主 板 上 市。
本 公 司 及 其 附 屬 公 司（統 稱「本 集 團」）主 要 從 事 提 供 大 模 型 相 關 服 務。
本 中 期 財 務 報 表 乃 根 據 聯 交 所 證 券 上 市 規 則 的 適 用 披 露 規 定 編 製，包 括 遵 守 國 際 會 計 準
則 理 事 會（「國 際 會 計 準 則 理 事 會」）頒 佈 的 國 際 會 計 準 則（「國 際 會 計 準 則」）第 34 號 中 期 財
務 報 告。本 中 期 財 務 報 表 獲 准 於 2026 年 8 月 31 日 刊 發。
除 預 期 將 於 2026 年 年 度 財 務 報 表 反 映 的 會 計 政 策 變 動 外，本 中 期 財 務 報 表 乃 根 據 2025 年
年 度 財 務 報 表 採 納 之 相 同 會 計 政 策 編 製。會 計 政 策 變 動 詳 情 載 於 附 註 2。
編 製 符 合 國 際 會 計 準 則 第 34 號 的 中 期 財 務 報 表 時，管 理 層 須 作 出 會 影 響 政 策 應 用 以 及 年
初 至 今 資 產、負 債、收 入 及 開 支 的 呈 報 金 額 的 判 斷、估 計 及 假 設。實 際 結 果 可 能 與 該 等 估
計 有 所 不 同。
本 中 期 財 務 報 表 載 有 簡 明 綜 合 財 務 報 表 及 選 定 解 釋 性 附 註。該 等 附 註 包 括 對 了 解 本 集 團
自 2025 年 年 度 財 務 報 表 以 來 的 財 務 狀 況 及 表 現 變 動 屬 重 大 的 事 件 及 交 易 的 解 釋。簡 明 綜
合中期財務報表及隨附附註並不包括根據國際財務報告準則會計準則編製完整財務報
表 所 需 的 所 有 資 料。

– 39 –

2

會計政策變動
國際會計準則理事會已頒佈多項於本會計期間首次生效的新訂及經修訂國際財務報告
準 則 會 計 準 則。其 中，僅 國 際 財 務 報 告 準 則 第 9 號 金 融 工 具 及 國 際 財 務 報 告 準 則 第 7 號 金

融 工 具：披 露（修 訂 本）－金 融 工 具 分 類 與 計 量 的 修 訂 與 本 集 團 的 財 務 報 表 相 關。應 用 該
等 修 訂 並 未 對 本 集 團 呈 列 期 間 的 綜 合 財 務 報 表 產 生 重 大 影 響。
本 集 團 並 無 採 用 任 何 於 本 會 計 期 間 尚 未 生 效 之 新 訂 準 則 或 詮 釋。
該 等 修 訂 亦 將 影 響 本 集 團 截 至 2026 年 12 月 31 日 止 期 間 之 年 度 財 務 報 表 中 將 予 納 入 的 披
露，內 容 有 關 指 定 為 按 公 允 價 值 計 入 其 他 全 面 收 益 的 權 益 工 具 投 資 以 及 具 有 特 定 或 有 特
徵 且 並 非 按 公 允 價 值 計 入 損 益 的 金 融 工 具。本 中 期 財 務 報 表 中 並 未 納 入 額 外 披 露。

3

收入及分部報告
(a)

收入
本 集 團 的 主 要 業 務 為 提 供 大 模 型 相 關 服 務。

(i)

收入的劃分
按 主 要 服 務 類 型 及 收 入 確 認 時 間 劃 分 的 客 戶 合 約 收 入 如 下：
截 至 6 月 30 日 止 六 個 月
2026 年

2025 年

人民幣千元

人民幣千元

－本 地 化 部 署

128,716

161,777

－雲 端 部 署

825,176

29,100

953,892

190,877

某一時間點

854,270

155,636

隨時間

99,622

35,241

953,892

190,877

國 際 財 務 報 告 準 則 第 15 號 範 圍 內
的客戶合約收入
按 主 要 服 務 類 型 劃 分：

收入確認時間

– 40 –

(b)

分部報告
本 集 團 按 服 務 類 型 管 理 其 業 務。本 集 團 已 呈 列 以 下 兩 個 報 告 分 部，其 方 式 與 本 集 團
向 最 高 行 政 管 理 人 員 內 部 報 告 資 料 以 進 行 資 源 分 配 及 表 現 評 估 的 方 式 一 致。概 無
將 任 何 經 營 分 部 合 併 以 形 成 以 下 報 告 分 部。
•

本 地 化 部 署：

該 分 部 根 據 客 戶 的 具 體 指 示 及 需 求，在 客 戶 的 基 礎 設
施 上 開 發 並 提 供 定 製 化 大 模 型 相 關 服 務。

•

雲 端 部 署：

該分部開發並透過雲端基礎設施向客戶提供雲端大模
型 相 關 服 務。

(i)

分部業績
就 評 估 分 部 表 現 及 分 配 資 源 而 言，本 集 團 最 高 級 行 政 管 理 人 員 監 控 各 報 告 分
部 應 佔 的 業 績，基 準 如 下：
收入及開支乃參考該等分部產生的收入及該等分部產生的直接開支而分配予
報 告 分 部。報 告 分 部 業 績 所 使 用 的 計 量 方 式 為 毛 利。期 內 並 無 發 生 分 部 間 銷
售。一 個 分 部 向 另 一 個 分 部 提 供 的 協 助（包 括 共 享 資 產 及 技 術 知 識）不 予 計 量。
本 集 團 的 其 他 經 營 收 益 及 開 支（例 如 其 他 收 益、銷 售 及 營 銷 開 支、一 般 及 行 政
開 支、研 發 開 支、金 融 資 產 減 值 虧 損、融 資 成 本 以 及 資 產 及 負 債）不 會 根 據 個
別 分 部 計 量。因 此，未 呈 列 分 部 資 產 及 負 債 相 關 資 料 以 及 與 資 本 開 支、利 息 收
益 及 利 息 開 支 有 關 的 資 料。
與於期內提供予本集團最高行政管理人員以進行資源分配及分部表現評估的
本 集 團 報 告 分 部 有 關 的 資 料 如 下。
截 至 2026 年 6 月 30 日 止 六 個 月
本地化部署

雲端部署

總計

人民幣千元

人民幣千元

人民幣千元

來自外部客戶的分部收入

128,716

825,176

953,892

分部毛利

48,740

202,871

251,611

– 41 –

截 至 2025 年 6 月 30 日 止 六 個 月

(ii)

本地化部署

雲端部署

總計

人民幣千元

人民幣千元

人民幣千元

來自外部客戶的分部收入

161,777

29,100

190,877

分部毛利

95,540

(116)

95,424

報告分部損益的對賬
截 至 6 月 30 日 止 六 個 月
2026 年

2025 年

人民幣千元

人民幣千元

報告分部毛利

251,611

95,424

其他收益

41,436

4,614

銷售及營銷開支

(177,666)

(208,570)

一般及行政開支

(103,346)

(185,165)

(2,131,171)

(1,594,661)

金融資產減值虧損

(27,416)

(10,867)

融資成本

(95,925)

(53,270)

分佔聯營公司利潤減虧損

144,152

14,147

50,385

9,791

(22,090)

(429,295)

(2,070,030)

(2,357,852)

研發開支

按公允價值計入損益的金融工具的
公允價值變動
向投資者發行的金融工具的賬面值變動

綜合除稅前虧損

– 42 –

4

綜合損益及其他全面收益表的所得稅
綜 合 損 益 表 的 稅 項 指：
截 至 6 月 30 日 止 六 個 月
2026 年

2025 年

人民幣千元

人民幣千元

即期稅項

1,962

–

遞延稅項

–

–

1,962

–

於 報 告 期 內，本 集 團 在 中 國 內 地 成 立 的 實 體 須 按 中 國 企 業 所 得 稅 率 25% 繳 稅（截 至 2025 年
6 月 30 日 止 六 個 月：25%）。
在 其 他 司 法 管 轄 區 註 冊 成 立 的 附 屬 公 司 的 稅 收 按 相 關 司 法 管 轄 區 的 適 用 所 得 稅 率 計 算。
本 集 團 的 若 干 附 屬 公 司 獲 得 了 稅 務 機 關 頒 發 的「高 新 技 術 企 業」資 格，並 於 截 至 2026 年 及
2025 年 6 月 30 日 止 六 個 月 均 享 受 15% 的 優 惠 稅 率。
根 據 中 國 企 業 所 得 稅 法 及 其 相 關 法 規，符 合 小 型 微 利 企 業 資 格 的 實 體 可 享 有 5% 的 優 惠
所 得 稅 率（應 課 稅 收 入 低 於 人 民 幣 3,000,000 元）。本 集 團 若 干 附 屬 公 司 符 合 小 型 微 利 企 業
資 格，於 截 至 2026 年 及 2025 年 6 月 30 日 止 六 個 月 均 享 受 優 惠 所 得 稅 率。

5

每股虧損
每股基本虧損乃按本公司普通股權益股東應佔虧損除以報告期內已發行或被視為已發
行 普 通 股 加 權 平 均 數 計 算。
本 公 司 於 2025 年 3 月 26 日 改 制 為 股 份 有 限 公 司。因 此，本 公 司 實 收 資 本 人 民 幣 36,224,375 元
轉 換 為 36,224,375 股 每 股 面 值 人 民 幣 1.00 元 的 股 份。就 計 算 每 股 基 本 及 攤 薄 虧 損 而 言，本
公司改制為股份公司之前被視為已發行普通股的加權平均數乃假設改制為股份公司這
一 事 件 自 2025 年 1 月 1 日 起 已 經 發 生，並 按 2025 年 3 月 改 制 時 所 釐 定 的 換 股 比 率 計 算。

– 43 –

此 外，報 告 期 內 的 加 權 平 均 股 數 亦 已 追 溯 調 整，以 反 映 本 公 司 股 份 於 2026 年 1 月 8 日 完 成
上 市 前 生 效 之 股 份 拆 細 所 產 生 的 影 響。
截 至 6 月 30 日 止 六 個 月
2026 年

2025 年

(2,020,788)

(993,276)

432,359

159,522

(4.67)

(6.23)

本公司普通股權益股東應佔期內虧損

（人 民 幣 千 元）
（附 註 5(a)）
視 作 已 發 行 普 通 股 的 加 權 平 均 數（千 股）
（附 註 5(b)）
每 股 基 本 虧 損（人 民 幣 元）

(a)

本公司普通股權益股東應佔期內虧損
截 至 6 月 30 日 止 六 個 月

本公司全體權益股東應佔期內虧損
向投資者發行金融工具應佔期內虧損分配

本公司普通股權益股東應佔期內虧損

(b)

2026 年

2025 年

人民幣千元

人民幣千元

(2,071,326)

(2,351,173)

50,538

1,357,897

(2,020,788)

(993,276)

普通股的加權平均數
截 至 6 月 30 日 止 六 個 月
2026 年

2025 年

股份數目

股份數目

千股

千股

於1月1日 已 發 行 的 普 通 股

40,281

36,224

首次公開發售時發行股份的影響

40,361

–

–

1,536

向投資者發行金融工具的影響

(1,081)

(21,808)

股份拆細的影響

352,798

143,570

於 6 月 30 日 普 通 股 的 加 權 平 均 數

432,359

159,522

視作已發行普通股的影響

– 44 –

(c)

每股攤薄虧損
向 投 資 者 發 行 的 金 融 工 具 並 無 計 入 每 股 攤 薄 虧 損 的 計 算 中，原 因 是 計 入 該 等 金 融
工 具 會 產 生 反 攤 薄 影 響。因 此，截 至 2026 年 及 2025 年 6 月 30 日 止 六 個 月 的 每 股 攤 薄 虧
損 與 每 股 基 本 虧 損 相 同。

6

物 業、廠 房 及 設 備
收購自有資產
2026 年 5 月，本 公 司 以 人 民 幣 360,226,000 元 的 總 代 價，完 成 收 購 北 京 紅 鑽 的 全 部 股 本，包 括
(1) 所 收 購 股 權 的 現 金 代 價 人 民 幣 79,158,000 元（附 註 9）；及 (2) 用 於 促 成 北 京 紅 鑽 償 還 相 關
債 務 的 款 項 合 計 人 民 幣 281,068,000 元。於 2026 年 8 月 21 日，相 關 代 價 已 悉 數 支 付。
本 公 司 選 擇 應 用 國 際 財 務 報 告 準 則 第 3 號 企 業 合 併 所 允 許 的 集 中 度 測 試，並 得 出 結 論，
收 購 北 京 紅 鑽 乃 是 資 產 收 購 而 非 企 業 合 併。於 交 割 日 自 北 京 紅 鑽 收 購 的 可 識 別 資 產 及 負
債 如 下：
於交割日期
的公允價值
人民幣千元

7

收 購 的 可 識 別 資 產 及 負 債：
物 業、廠 房 及 設 備
預付款項及其他應收款項
所取得的現金及現金等價物
貿易及其他應付款項

360,000
869
49
(692)

已 付╱應 付 總 代 價

360,226

貿易應收款項及應收票據
2026 年
6 月 30 日
人民幣千元

2025 年
12 月 31 日
人民幣千元

貿易應收款項
應收票據

838,139
6,445

339,198
–

減：虧 損 撥 備

844,584
(61,640)

339,198
(35,990)

782,944

303,208

– 45 –

於 報 告 期 末，基 於 發 票 日 期 的 貿 易 應 收 款 項 及 應 收 票 據（扣 除 虧 損 撥 備）賬 齡 分 析 如 下：

3個 月 內
3個 月 至6個 月
6個 月 至1年
1年 至2年
2年 至3年

2026 年
6 月 30 日
人民幣千元

2025 年
12 月 31 日
人民幣千元

626,201
23,697
109,486
23,538
22

243,484
19,831
31,406
8,415
72

782,944

303,208

本 集 團 一 般 要 求 本 地 化 部 署 及 相 關 服 務 的 客 戶 結 算 進 度 款 項，而 雲 端 部 署 客 戶 則 須 根 據
按 用 量 計 費 及 相 關 服 務 合 約 預 先 付 款 或 自 發 票 日 期 起 計 0 至 60 天 內 支 付，並 根 據 按 訂 閱
模 式 計 費 的 合 約 及 相 關 服 務 進 行 定 期 結 算。

8

預付款項及其他應收款項
2026 年
6 月 30 日
人民幣千元

2025 年
12 月 31 日
人民幣千元

存款
出售按公允價值計入損益的股本證券投資
所產生的應收款項
其他應收款項

78,404

70,538

–
110,379

7,098
52,029

減：虧 損 撥 備

188,783
(20,923)

129,665
(18,994)

167,860

110,671

1,243,736
209,715

116,295
168,768

1,453,451

285,063

1,621,311

395,734

預付計算服務費及其他款項
可抵扣的進項增值稅

– 46 –

9

貿易及其他應付款項
2026 年

2025 年

6 月 30 日

12 月 31 日

人民幣千元

人民幣千元

241,589

297,139

1,427,415

727,348

營銷及推廣服務應付款項

51,004

42,812

應付僱員成本

122,923

146,507

企 業 合 併 及 資 產 收 購 應 付 代 價（附 註 6 和 11）

229,809

–

其他應付款項及應計費用

26,869

54,437

按攤銷成本計量的金融負債

2,099,609

1,268,243

其他應付稅項

17,515

39,774

保修撥備

18,635

20,614

2,135,759

1,328,631

2026 年

2025 年

6 月 30 日

12 月 31 日

人民幣千元

人民幣千元

3個 月 內

171,575

229,890

3個 月 至6個 月

15,254

46,448

6個 月 至1年

50,208

19,506

1年 以 上

4,552

1,295

241,589

297,139

貿易應付款項
計算服務費應付款項

於 報 告 期 末，基 於 發 票 日 期 的 貿 易 應 付 款 項 賬 齡 分 析 如 下：

10

股息
本 公 司 董 事 不 建 議 就 截 至 2026 年 6 月 30 日 止 六 個 月 派 付 中 期 股 息（截 至 2025 年 6 月 30 日 止 6
個 月：無）。

– 47 –

11

企業合併
於 2026 年 6 月 5 日，本 集 團 通 過 本 公 司 與 北 京 中 科 加 禾 智 能 科 技 有 限 公 司（「中 科 加 禾」）的
權 益 持 有 人 訂 立 收 購 協 議，以 人 民 幣 291,916,000 元 的 總 現 金 代 價 收 購 中 科 加 禾 60% 的 股
權。根 據 收 購 協 議，代 價 將 分 四 期 支 付，且 人 民 幣 141,264,000 元 已 於 2026 年 6 月 支 付。中 科
加 禾 主 要 從 事 AI 基 礎 設 施 研 發。該 收 購 事 項 已 於 2026 年 6 月 完 成。
從 中 科 加 禾 收 購 的 可 識 別 資 產 及 負 債 的 公 允 價 值 載 列 如 下：
於收購日期

人民幣千元
可 識 別 資 產 及 負 債：
物 業、廠 房 及 設 備

1,309

無形資產

22,510

遞延稅項資產

3,377

存貨

3,934

貿易應收款項及應收票據

1,373

預付款項及其他應收款項

209

銀行存款及手頭現金

66,567

貿易及其他應付款項

(6,558)

合約負債

(9,906)

租賃負債

(304)

遞延稅項負債

(3,377)

已收購的可識別資產淨值的公允價值

79,134

減：非 控 股 權 益

(31,654)

加：商 譽

244,436

收購總代價

291,916

– 48 –

收 購 中 科 加 禾 於 收 購 日 的 現 金 及 現 金 等 價 物 現 金 流 出 淨 額 分 析：

人民幣千元
現金代價總額

291,916

減：收 購 日 所 取 得 的 現 金

(66,567)

減：應 付 代 價（附 註 9）

(150,651)

計入簡明綜合現金流量表的收購一間附屬公司的
現金流出淨額

12

74,698

報告期後非調整事項
於 2026 年 7 月 13 日，本 公 司 完 成 一 項 股 份 配 售，以 每 股 1,588 港 元 之 價 格 發 行 19,780,000 股 普
通 股。配 售 所 得 款 項 總 額 約 為 31,410,640,000 港 元（相 當 於 約 人 民 幣 27,230,826,000 元）。

其他資料
中期股息
董 事 會 不 建 議 派 付 截 至 2026 年 6 月 30 日 止 六 個 月 的 中 期 股 息（截 至 2025 年
6 月 30 日 止 六 個 月：無）。
購 回、出 售 或 贖 回 本 公 司 上 市 證 券 或 出 售 庫 存 股 份

購回授權
本 公 司 董 事 會 已 根 據 股 東 於 2026 年 6 月 22 日 通 過 的 決 議 案 獲 授 予 一 般 授
權（「購 回 授 權」），以 不 時 於 公 開 市 場 上 購 回 股 份。根 據 購 回 授 權，本 公 司
獲 准 購 回 不 超 過 2025 年 年 度 股 東 會 通 過 前 述 議 案 之 日 本 公 司 已 發 行 H 股
股 份 總 數 10% 的 股 份。
本 公 司 H 股 於 2026 年 1 月 8 日 首 次 在 香 港 聯 交 所 主 板 上 市。自 上 市 日 期 起
及 直 至 2026 年 6 月 30 日 止 期 間，本 公 司 或 其 任 何 附 屬 公 司 概 無 購 回、出 售
或 贖 回 本 公 司 於 聯 交 所 上 市 的 任 何 證 券（包 括 出 售 任 何 庫 存 股 份）。
於 2026 年 6 月 30 日，本 公 司 並 無 持 有 上 市 規 則 所 定 義 的 任 何 庫 存 股 份。

– 49 –

報告期後重大事項

根 據 一 般 授 權 配 售 新H股
於 2026 年 7 月 9 日（交 易 時 段 前），本 公 司 與 中 國 國 際 金 融 香 港 證 券 有 限 公
司（「獨 家 配 售 代 理」）訂 立 配 售 協 議（「2026 年 7 月 配 售 事 項」）。據 此，本 公 司
同 意 委 任 獨 家 配 售 代 理，而 獨 家 配 售 代 理 同 意 作 為 本 公 司 之 代 理 盡 最 大
努 力 促 使 不 少 於 六 (6) 名 承 配 人（將 為 專 業、機 構 或 其 他 投 資 者，且 彼 等 及
彼 等 之 最 終 實 益 擁 有 人 將 為 獨 立 第 三 方）根 據 本 公 司 於 2026 年 6 月 22 日 舉
行 之 年 度 股 東 會 授 予 董 事 之 一 般 授 權，按 配 售 價 每 股 配 售 股 份 1,588.00 港
元 認 購 最 多 19,780,000 股 新 H 股（「配 售 股 份」）。2026 年 7 月 配 售 事 項 已 於 2026
年 7 月 13 日 完 成。2026 年 7 月 配 售 事 項 所 得 款 項 淨 額（經 扣 除 佣 金 及 估 計 開
支 後）合 共 約 為 31,374.95 百 萬 港 元。詳 情 請 見 本 公 司 日 期 為 2026 年 7 月 9 日
及 2026 年 7 月 13 日 的 公 告。
除 上 文 及 本 公 告 所 披 露 者 外，自 報 告 期 結 束 後 至 本 公 告 日 期，並 無 其 他
可 能 影 響 本 公 司 的 重 大 事 項。
遵守企業管治守則
本 公 司 明 白 達 致 高 水 平 企 業 管 治 標 準 的 價 值 及 重 要 性，以 提 升 企 業 表
現、透 明 度 及 問 責 性，並 進 一 步 贏 得 股 東 及 公 眾 的 信 任。本 公 司 致 力 維
持 高 水 平 的 企 業 管 治，並 相 信 此 對 本 公 司 的 發 展 及 保 障 股 東 的 權 益 至 為
重 要。企 業 管 治 乃 董 事 會 指 示 本 集 團 管 理 層 處 理 其 事 務 之 程 序，以 確 保
達 致 其 目 標。
自 上 市 日 期 起 至 本 公 告 日 期，本 公 司 嚴 格 遵 循 企 業 管 治 守 則 的 所 有 適 用
守 則 條 文。此 外，本 公 司 會 積 極 參 考 企 業 管 治 守 則 的 建 議 最 佳 常 規，包
括 建 立 完 善 的 內 部 控 制 體 系、強 化 信 息 披 露 的 即 時 性 與 準 確 性，保 障 股
東 知 情 權 與 參 與 權，持 續 優 化 治 理 結 構。

– 50 –

遵守標準守則
本公司自上市以來已採納標準守則作為規管其董事及可能獲得有關本
集 團 或 本 公 司 證 券 內 幕 消 息 的 僱 員 進 行 本 公 司 證 券 交 易 的 行 為 守 則。
經 向 全 體 董 事 作 出 具 體 查 詢 後，全 體 董 事 均 已 確 認 彼 等 自 上 市 日 期 起 及
直 至 2026 年 6 月 30 日 止 期 間 一 直 遵 守 標 準 守 則。
可 能 擁 有 本 集 團 內 幕 消 息 的 本 集 團 僱 員 須 遵 守 標 準 守 則。自 上 市 日 期 起
及 直 至 2026 年 6 月 30 日 止 期 間，本 公 司 並 無 發 現 相 關 僱 員 違 反 標 準 守 則 的
任 何 事 件。
上市規則規定的持續披露責任
除 本 公 告 所 披 露 者 外，本 公 司 概 無 根 據 上 市 規 則 第 13.20、13.21 及 13.22 條
規 定 的 任 何 其 他 披 露 責 任。
公眾持股量之充足性
根 據 公 開 披 露 資 料 及 董 事 所 悉 知，自 上 市 日 期 起 及 直 至 本 公 告 日 期，本
公 司 一 直 維 持 上 市 規 則 規 定 的 公 眾 持 股 量。
審計委員會
審 計 委 員 會 由 謝 德 仁 博 士、楊 強 博 士 及 李 涓 子 博 士 組 成。謝 德 仁 博 士 為
審 計 委 員 會 主 席。審 計 委 員 會 已 審 閱 本 集 團 截 至 2026 年 6 月 30 日 止 六 個 月
的 中 期 業 績，及 按 國 際 財 務 報 告 準 則 會 計 準 則 編 製 的 本 集 團 截 至 2026 年
6 月 30 日 止 六 個 月 的 未 經 審 計 簡 明 綜 合 財 務 報 表。董 事 會 與 審 計 委 員 會
之 間 並 無 就 本 公 司 於 報 告 期 所 採 納 的 會 計 處 理 方 法 出 現 分 歧。

– 51 –

中期財務資料的審閱
本 中 期 業 績 公 告 所 載 財 務 資 料 摘 錄 自 截 至 2026 年 6 月 30 日 止 六 個 月 的 中
期 財 務 報 告，該 中 期 財 務 報 告 未 經 審 計，但 已 由 畢 馬 威 會 計 師 事 務 所 根
據 香 港 會 計 師 公 會 頒 佈 的 香 港 審 閱 工 作 準 則 第 2410 號「由 實 體 的 獨 立 核
數 師 執 行 中 期 財 務 資 料 審 閱 」進 行 審 閱。畢 馬 威 會 計 師 事 務 所 已 出 具 無
修 改 結 論 的 審 閱 報 告，該 報 告 將 載 於 寄 發 予 股 東 的 中 期 報 告 內。
刊發中期業績及中期報告
本 業 績 公 告 已 刊 發 於 聯 交 所 網 站 (www.hkexnews.hk) 及 本 公 司 網 站
(www.zhipuai.cn)。本 公 司 截 至 2026 年 6 月 30 日 止 六 個 月 的 中 期 報 告 將 適 時
刊 發 於 上 述 聯 交 所 及 本 公 司 網 站，並 按 本 公 司 H 股 股 東 選 擇 接 收 公 司 通
訊 的 方 式 寄 發 予 本 公 司 H 股 股 東。

釋義及技術詞彙表
於 本 公 告 內，除 文 義 另 有 所 指 外，下 列 詞 彙 具 有 下 文 所 載 涵 義：
釋義
「審 計 委 員 會」

指

董事會審計委員會

「董 事 會」

指

本公司董事會

「企 業 管 治 守 則」

指

上 市 規 則 附 錄 C1 所 載《企 業 管 治 守 則》

「中 國」

指

中 華 人 民 共 和 國，僅 就 本 公 告 而 言，不 包 括 香
港、澳 門 特 別 行 政 區 及 台 灣

「本 公 司」或「公 司」

指

北 京 智 譜 華 章 科 技 股 份 有 限 公 司，一 家 於 2019
年 6 月 11 日 根 據 中 國 法 律 成 立 的 有 限 責 任 公 司，
並 於 2025 年 3 月 26 日 改 制 為 股 份 有 限 公 司，其 H
股 在 聯 交 所 上 市（股 份 代 號：2513）

「董 事」

指

本公司董事

– 52 –

「全 球 發 售」

指

招股章程所界定的香港公開發售及國際發售

「本 集 團」或「我 們」

指

本公司及其附屬公司

「H 股」

指

本 公 司 每 股 面 值 人 民 幣0.10元 的 境 外 上 市 股 份，
以港元買賣並於聯交所上市及買賣

「港 元」

指

港 元，香 港 法 定 貨 幣

「香 港」

指

中國香港特別行政區

「國 際 財 務 報 告 準
則 會 計 準 則」

指

國際會計準則理事會頒佈的國際財務報告準則
會計準則

「獨 立 第 三 方」

指

獨立於本公司及其關連人士且與彼等概無關連
的第三方

「上 市」

指

H 股 於 2026 年 1 月 8 日 於 聯 交 所 主 板 上 市

「上 市 日 期」

指

2026 年 1 月 8 日，H 股 在 聯 交 所 主 板 上 市 的 日 期

「上 市 規 則」

指 《香 港 聯 合 交 易 所 有 限 公 司 證 券 上 市 規 則》

「標 準 守 則」

指

上 市 規 則 附 錄 C3 所 載《上 市 發 行 人 董 事 進 行 證 券
交 易 的 標 準 守 則》

「招 股 章 程」

指

本 公 司 日 期 為 2025 年 12 月 30 日 內 容 有 關 全 球 發
售及上市的招股章程

「人 民 幣」

指

人 民 幣，中 國 法 定 貨 幣

「報 告 期」

指

截 至 2026 年 6 月 30 日 止 六 個 月

「股 份」

指

本 公 司 股 本 中 每 股 面 值 人 民 幣0.10元 的 普 通 股，
包 括 未 上 市 股 份 以 及H股

「股 東」

指

股份持有人

– 53 –

「聯 交 所」或「香 港
聯 交 所」

指

香港聯合交易所有限公司

「附 屬 公 司」

指

具有上市規則賦予該詞的涵義

「庫 存 股 份」

指

具有上市規則賦予該詞的涵義

「未 上 市 股 份」

指

本 公 司 發 行 的 普 通 股，每 股 面 值 人 民 幣 0.10 元，
未在任何證券交易所上市

「美 元」

指

美 元，美 國 法 定 貨 幣

「%」

指

百分比

– 54 –

技術詞彙表
詞彙

定義

「Agent╱智 能 體」

指

能 夠 自 主 執 行 多 步 任 務 鏈 的 AI 模 型，可 在 無 人
逐 步 指 示 的 情 況 下 自 行 調 用 工 具、處 理 中 間 失
敗並完成多步任務

「Agentic
Engineering」

指

模型從簡單代碼生成走向完整工程項目交付的
能 力 階 段，模 型 需 持 續 理 解 目 標、調 用 工 具、處
理 異 常、並 根 據 環 境 反 饋 調 整 策 略，以 實 現 端
到端的工程交付

「AGI 商 業 價 值
公 式」

指

本 集 團 對 AGI 商 業 價 值 的 量 化 框 架， 公 式 為：
AGI 商 業 價 值 ⟹（任 務 價 值 密 度 ×Token 消 耗 規
模），其 中 智 能 上 界 決 定 任 務 邊 界，任 務 邊 界 決
定 Token 所 處 的 價 值 密 度

「All-in-Infra 戰 略」

指

本 集 團 自 2026 年 初 全 面 實 施 的 基 礎 設 施 戰 略，
在 訓 練 與 推 理 兩 側 同 時 投 入，並 將 國 產 芯 片 納
入 主 力 推 理 算 力，以 掌 握 自 身 成 本 曲 線

「算 力 乘 數」

指

每 投 入 1 元 算 力（含 訓 練 與 推 理）所 對 應 的 開 放 平
台 及 API 收 入，用 以 衡 量 模 型 的 自 我 造 血 能 力 及
算力投入回報效率

「Co-work」

指

模 型 能 力 階 梯 中 的 第 四 級，即 模 型 交 付 可 被 專
業 人 士 覆 核 的 工 作 成 果，模 型 進 入 真 實 工 作 流，
按 完 成 任 務 計 價；門 檻 為 可 靠 性 達 到 專 業 人 士
願意覆核而非推倒重做的水平

– 55 –

「Chat」

指

模 型 能 力 階 梯 中 的 第 一 級，即 模 型 交 付 單 次 回
答，任 務 在 一 輪 之 內 結 束，價 值 密 度 最 低 但 覆
蓋最廣

「Coding」

指

模 型 能 力 階 梯 中 的 第 二 級，即 模 型 交 付 一 段 可
運 行 的 代 碼，首 次 出 現 客 觀 驗 收 標 準（能 否 跑
通）；從 Chat 到 Coding 的 門 檻 為 結 果 可 驗 證

「CyberGym」

指

用 於 評 估 AI 模 型 在 網 絡 安 全 領 域 能 力 的 基 準 測
試平台

「ExploitGym」

指

用 於 評 估 AI 模 型 漏 洞 利 用 能 力 的 基 準 測 試 平 台

「Scaling deep」

指

深 入 後 訓 練、強 化 學 習、長 程 軌 跡 與 任 務 反 饋
的 Scaling 路 徑，與 Scaling up（擴 大 模 型 規 模、上 下
文 及 算 力）相 對

「Scaling up」

指

通 過 擴 大 模 型 規 模、上 下 文 長 度、算 力 與 系 統
承載來提升模型能力的路徑

「GLM-5.3Flash(Ox-Alpha)」

指

本 集 團 發 佈 的 下 一 代 輕 量 化 旗 艦 模 型，測 試 代
號 Ox-Alpha，採 用 全 新 架 構，總 參 數 320B、激 活
參 數 18B、層 數 45 層，採 用 稀 疏 注 意 力 與 線 性 注
意 力 混 合 架 構，以 極 低 成 本 實 現 高 性 能 推 理，
設計目標為成本前沿

「GLM-5.3」

指

本 集 團 發 佈 的 旗 艦 大 模 型，與 GLM-5.2 同 架 構、
同 總 參 數、同 激 活 參 數，唯 一 變 量 為 後 訓 練 規
模，端 到 端 完 成 率 較GLM-5.2提 升 超 過50%，代 表
當前模型能力上界

– 56 –

「中 訓 練」

指

本集團在預訓練與後訓練之間單獨配置算力的
訓 練 階 段，用 於 提 升 知 識 密 度、擴 展 有 效 上 下
文 長 度、建 立 工 具 調 用 與 長 程 任 務 的 基 礎 模 式

「Critic-based SAO」

指

本 集 團 自 研 的 基 於 評 估 器 的 單 軌 跡 優 化 算 法(Criticbased Single-trajectory Advantage Optimization)，由 GRPO
探 索 演 化 而 來，針 對 長 軌 跡 在 獎 勵 分 配、反 饋 利
用與持續學習方面的挑戰

「OPD」

指

本 集 團 在 算 法 維 度 由 監 督 微 調 (SFT) 延 伸 探 索
的 訓 練 方 式，全 稱 為 離 線 策 略 蒸 餾 (Offline Policy
Distillation)

「Index Share」

指

本 集 團 自 研 的 技 術，用 於 降 低 長 上 下 文 稀 疏 注
意力開銷

「MTP」

指

多 Token 預 測 (Multi-Token Prediction) 技 術，用 於 優
化推理解碼效率

「LayerSplit」

指

本 集 團 自 研 的 技 術，用 於 優 化KV Cache管 理 與 集
群網絡效率

「ZCube」

指

本 集 團 自 研 的 技 術，與 LayerSplit 協 同 用 於 優 化
KV Cache 管 理 與 集 群 網 絡 效 率

「mHC（流 形 約 束
超 連 接）」

指

GLM-5.3-Flash 所 採 用 的 架 構 創 新，全 稱 為 流 形 約
束 超 連 接(manifold-constrained Hyperconnection)，用
於 提 升 模 型 的 Scaling 能 力

「Encode-PrefillDecode分 離 式 架
構」

指

本 集 團 在 生 產 級 集 群 層 面 採 用 的 推 理 架 構，將
多 模 態 編 碼、prompt 預 填 充 與 逐 Token 解 碼 拆 成
可 獨 立 調 度、獨 立 擴 縮 容 的 工 作 池，以 優 化 國
產芯片上的推理性能

– 57 –

「Loop Transformer
（循 環 架 構）」

指

通 過 層 的 循 環 復 用，在 不 顯 著 增 加 參 數 量 的 前
提 下 提 高 有 效 計 算 深 度 的 模 型 架 構，將 算 力 從
「記」轉 向「想」，適 合 需 要 長 程 推 理 的 高 複 雜 度
任務

「Model-vs-Model自
我 對 弈 管 線」

指

本 集 團 自 研 的 合 成 數 據 生 成 機 制：由 一 個 模 型
生 成 解 法 與 內 容，另 一 個 模 型 評 審、測 試、執 行
驗 證，通 過 對 抗 檢 驗 的 數 據 才 進 入 訓 練 環 節，並
經 四 層 過 濾（規 則 校 驗、執 行 驗 證、模 型 評 審、
人 工 抽 檢）後 用 於 預 訓 練、中 訓 練 與 後 訓 練

「Fully Self
Training」

指

本 集 團 的 技 術 願 景，即 下 一 代 GLM 模 型 將 在 上
一 代 GLM 所 搭 建 的 環 境 裡 訓 練，形 成 遞 歸 式 自
我 改 進(Recursive Self-Improvement)閉 環，涵 蓋 數 據
自 產、環 境 自 造、基 礎 設 施 自 我 優 化 三 個 維 度

「遞 歸 式 自 我 改 進
(Recursive SelfImprovement)」

指

模 型 參 與 自 身 改 進 所 形 成 的 遞 歸 閉 環，包 括 由
模 型 生 成 環 境 用 於 訓 練 下 一 代 模 型、以 及 由 模
型優化服務自身的推理引擎

「安 全 披 露 賬 本
(CVD)」

指

本 集 團 建 立 的 公 開 安 全 披 露 機 制，記 錄 漏 洞 從
發 現、確 認 到 修 復 的 全 過 程，僅 公 開 已 完 成 披
露 並 由 廠 商 修 復 的 漏 洞；對 仍 處 於 協 調 披 露 階
段 的 漏 洞，公 開 哈 希 值 以 供 後 續 核 驗

「OpenVuln」

指

本 集 團「開 源 的 盾」計 劃 下 公 開 的 安 全 審 計 結 果
平 台，用 於 向 開 源 社 區 披 露 對 重 點 開 源 項 目 的
持續安全審計成果

– 58 –

「ZCode」

指

本 集 團 推 出 的 編 程 智 能 體 產 品，通 過 Harness 承
擔 上 下 文 管 理、工 具 調 用、任 務 調 度、緩 存 與 結
果 校 驗，改 善 模 型 在 真 實 工 程 環 境 中 的 表 現，
並提供代碼審計功能

「GLM Coding
Plan」

指

本 集 團 於 2026 年 8 月 向 全 量 用 戶 開 放 的 編 碼 智 能
體 訂 閱 服 務，覆 蓋Lite、Pro、Max及 團 隊 版 本，是
國內最早以訂閱制交付編碼智能體能力的大模
型服務之一

「能 力 階 梯」

指

本 集 團 對 模 型 能 力 演 進 路 徑 的 描 述 框 架，
依 次 為：Chat → Coding → Agent → Co-work →
Autonomous AI，每 一 級 向 上 均 有 具 體 技 術 門 檻，
且門檻跨越後方可解鎖上一層的商業模式

「Autonomous AI」

指

能 力 階 梯 中 的 第 五 級，即 模 型 交 付 持 續 運 行 的
能 力，在 無 人 值 守 條 件 下 承 擔 長 期 目 標；門 檻
為模型能夠自主判斷任務完成質量

「智 能 指 數
(Intelligence
Index)」

指

由 Artificial Analysis 編 製 的 模 型 智 能 綜 合 評 分，用
於衡量模型的整體能力水平

「帕 累 托 前 沿
(Pareto Frontier)」

指

在成本與智能兩個維度上同時最優的模型集
合，即 在 給 定 成 本 下 智 能 最 高、或 在 給 定 智 能
下成本最低的模型所構成的前沿

「任 務 價 值 密 度」

指

每 單 位 智 能 消 耗（即 每 單 位 Token）對 應 的 經 濟 產
出；相 同 規 模 的 Token 用 於 不 同 任 務（如 閒 聊 對 比
修 復 生 產 環 境 漏 洞）所 產 生 的 價 值 差 距 可 達 數
個數量級

– 59 –

為 便 於 參 考，本 公 告 以 中 文 及 英 文 載 列 中 國 法 律 法 規、政 府 機 關、機 構、
自 然 人 或 其 他 實 體 名 稱，倘 有 任 何 歧 義，概 以 中 文 版 為 準。
本 公 告 載 有 若 干 前 瞻 性 陳 述。該 等 前 瞻 性 陳 述 乃 基 於 本 集 團 目 前 可 獲 得
的 資 料 或 董 事 會 當 前 的 信 念、預 期 及 假 設 而 作 出。該 等 前 瞻 性 陳 述 受 風
險、不 明 朗 因 素 及 其 他 非 本 公 司 所 能 控 制 的 因 素 影 響，可 能 令 實 際 結 果
或 業 績 與 該 等 前 瞻 性 陳 述 所 明 示 或 暗 示 的 情 況 有 重 大 差 異。鑒 於 存 在 風
險 及 不 明 朗 因 素，本 公 告 中 包 含 的 前 瞻 性 陳 述 不 應 被 視 董 事 會 或 本 公 司
對 計 劃 和 目 標 將 實 現 的 陳 述，且 股 東 及 本 公 司 投 資 者 不 應 過 分 依 賴 該 等
陳 述。
除 另 有 指 明 外，本 公 告 所 載 涉 及 第 三 方 機 構、公 開 榜 單、評 測 平 台 或 行
業 研 究 資 料 的 所 有 圖 表、排 名 及 數 據 乃 引 用 自 公 開 可 得 的 資 料，僅 供 參
考 及 說 明 用 途。本 公 司 並 無 參 與 該 等 數 據、榜 單 或 評 測 結 果 的 編 製、計
算 或 驗 證 程 序，亦 不 對 其 方 法 論、樣 本 範 圍、準 確 性、完 整 性 或 時 效 性 作
出 任 何 陳 述、保 證 或 承 擔 任 何 責 任。
承董事會命
北京智譜華章科技股份有限公司
執行董事兼董事長
劉德兵博士
香 港，2026 年 8 月 31 日

於 本 公 告 日 期，董 事 會 成 員 包 括：(i) 執 行 董 事 劉 德 兵 博 士、張 鵬 博 士 及
張 笑 涵 女 士；(ii) 非 執 行 董 事 李 涓 子 博 士、李 家 慶 先 生 及 王 盟 先 生；及 (iii)
獨 立 非 執 行 董 事 楊 強 博 士、謝 德 仁 博 士 及 徐 文 鳴 先 生。

– 60 –