0
| 本文作者： Nemo | 2026-01-04 11:41 |
12月31日深夜，至知創(chuàng)新研究院（IQuest Research）正式發(fā)布全新一代開源代碼大模型IQuest-Coder-V1系列，模型在自主性軟件工程、競賽編程等關(guān)鍵維度上，成為了當下開源模型SOTA。
這個“名不見經(jīng)傳”的研究團隊2025年以“Ubiquant AI”署名了多項高質(zhì)量工作，涵蓋大語言模型、代碼智能、醫(yī)療垂域模型、人工智能與數(shù)學(xué)等方面。在剛剛過去的人工智能領(lǐng)域全球核心學(xué)術(shù)會議2025 NeurIPS上，一篇與耶魯大學(xué)等團隊合著的E2Former模型相關(guān)工作，還被選為會議焦點（Spotlight）論文。
據(jù)悉，至知創(chuàng)新研究院由九坤投資創(chuàng)始團隊發(fā)起設(shè)立，是獨立于量化投研體系的全新平臺。2012年創(chuàng)立的九坤投資，比“至知”的名號更為人所熟知，因其與Deepseek背后的幻方都是中國量化“四大天王”之一，業(yè)內(nèi)一度還有“北九坤，南幻方”的說法。
AI領(lǐng)域的闖入者？
頭部量化私募紛紛加碼人工智能。尤其是2025年 DeepSeek“出圈”，公眾得以窺見量化基因在AI領(lǐng)域的潛能。量化人開始在更大的舞臺上嶄露頭角。
只因他們天生擅長在困難場景中，尋求技術(shù)突破，并用技術(shù)解決問題。
例如，至知創(chuàng)新研究院團隊11月曾推出一個面向全模態(tài)醫(yī)學(xué)視覺推理的多模態(tài)大模型（Medical MLLM）Fleming-VL。它解決的正是一個非常細分卻又非常實際的痛點：醫(yī)學(xué)影像AI不斷突破的今天，人們?nèi)悦媾R一個根本挑戰(zhàn)，那就是如何讓模型同時理解2D影像、3D掃描與手術(shù)視頻？
在開源醫(yī)學(xué)數(shù)據(jù)中，X光和CT極為豐富，而超聲、皮膚鏡、眼底圖像與手術(shù)視頻幾乎是數(shù)據(jù)荒漠。研究人員從零構(gòu)建了一套系統(tǒng)性數(shù)據(jù)采集與合成管線，首次構(gòu)建了覆蓋9大醫(yī)學(xué)模態(tài)、200萬高質(zhì)量樣本的多模態(tài)醫(yī)學(xué)VQA與視頻理解數(shù)據(jù)集。最后，推出的Fleming-VL模型能夠在X光片、CT/MRI三維體數(shù)據(jù)、超聲圖像乃至手術(shù)視頻上進行精準識別、推理與報告生成，并支持診斷、問答、總結(jié)多個任務(wù)，真正實現(xiàn)“一模通三維”的醫(yī)學(xué)理解。
這或許也體現(xiàn)出至知創(chuàng)新研究院在AI“大廠”之外所具備的獨特技術(shù)價值。在有些方面，垂域場景出身的玩家不如大廠更善于追求標準化、性價比、對終端用戶友好等，但前者擅長用工程化的體系來挖掘復(fù)雜規(guī)律，甚至敢于用暫時低性價比的方式攻克技術(shù)細節(jié)，追求極致。
至知創(chuàng)新研究院網(wǎng)頁顯示，其定位為一個加速AI應(yīng)用落地的研究型組織，致力于為前沿 AI 技術(shù)研究做出原創(chuàng)性貢獻，加速AI在更多垂直領(lǐng)域的應(yīng)用。
從投資場景回歸技術(shù)本源
過去數(shù)年，九坤持續(xù)擁抱AI，成立內(nèi)部的AILab、DataLab和水滴實驗室，持續(xù)拓展數(shù)據(jù)的來源和類型，將前沿的AI技術(shù)應(yīng)用在量化投資的各個環(huán)節(jié)，同時加強多元資產(chǎn)和不同特征的市場研究。創(chuàng)始人王琛博士曾公開表示，“我們一直堅信金融投資領(lǐng)域，是AI技術(shù)應(yīng)用的重要試驗場景，并為此做了大量的前瞻性的探索和布局。”
量化投資和近年大熱的大模型技術(shù)就頗有交集。例如可引入強化學(xué)習(xí)優(yōu)化投資策略，將自然語言處理用于多元化的數(shù)據(jù)分析。同時，復(fù)雜的市場數(shù)據(jù)和交易需求，促使量化機構(gòu)要著力構(gòu)建高性能計算能力。
理論上來說，量化投資的技術(shù)體系可以為AI大模型的應(yīng)用提供寶貴的經(jīng)驗和技術(shù)支持，經(jīng)過調(diào)整后也能適配金融、醫(yī)療、智能制造等行業(yè)的實時數(shù)據(jù)分析需求。海內(nèi)外不乏有來自科研領(lǐng)域的人才或團隊投身量化，或是出身量化領(lǐng)域的人才或團隊在其他科學(xué)領(lǐng)域取得創(chuàng)新成果。例如，量化對沖基金D.E.Shaw的創(chuàng)始人DavidE.Shaw于2001年創(chuàng)立了D.E.Shaw Research，專注于計算生物化學(xué)研究，旨在通過高性能計算技術(shù)推動癌癥等疾病的治療。
這背后的邏輯，遠不止“投而優(yōu)則擴”這么簡單。本質(zhì)上，這不是“破圈”，而是一種回歸。
量化方法本就源于嚴謹?shù)目蒲袀鹘y(tǒng)，其核心是結(jié)合科學(xué)實證和技術(shù)手段預(yù)測復(fù)雜系統(tǒng)的行為。量化投資每天面對的金融市場極其復(fù)雜、充滿細節(jié)。這需要技術(shù)團隊在工程實現(xiàn)上追求極致性能，例如，構(gòu)建低延遲、高吞吐的系統(tǒng)，用于提升特定任務(wù)的整體效率；在數(shù)據(jù)能力上，則專注于低信噪比的環(huán)境下，處理多元化數(shù)據(jù)、榨取數(shù)據(jù)價值。
讓技術(shù)有意義
最近，至知創(chuàng)新研究院相關(guān)團隊提出推理模型 Universal Reasoning Model（URM），在權(quán)威推理基準ARC-AGI上創(chuàng)造了新的紀錄，還揭示了復(fù)雜推理的本質(zhì)可能更接近基于循環(huán)歸納偏差的非線性表征能力，而非傳統(tǒng)的堆疊深度、參數(shù)的范式。這為未來構(gòu)建更強大推理能力的AI提供了重要的架構(gòu)啟示。
同在12月，與耶魯大學(xué)等團隊合著推出的E2Former，則是一個刷新分子模型新SOTA的等變Transformer，通過將抽象的數(shù)學(xué)理論與實際的計算挑戰(zhàn)相結(jié)合，找到了一條提升分子模擬效率的新路徑。
研究院相關(guān)負責(zé)人表示，“從量化出發(fā)，是我們‘讓技術(shù)有意義’的一次深度驗證。我們成立至知創(chuàng)新研究院，正是希望將這種技術(shù)能力延展至更廣闊、更多元的產(chǎn)業(yè)場景中，讓技術(shù)在真實世界中持續(xù)釋放價值。”
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
