香港交易及结算所有限公司与香港联合交易所有限公司对本公告的内容概不负责，对其准确性或完整性亦不发表任何声明，并明确表示，概不对因本公告全部或任何部分内容而产生或因依赖该等内容而引致的任何损失承担任何责任。
智谱（Z.AI Co., Ltd.）
（于中华人民共和国注册成立的股份有限公司）
（股份代号：2513）
中期业绩公告
截至 2026 年 6 月 30 日止六个月
董事会欣然提呈本集团截至 2026 年 6 月 30 日止六个月的未经审核简明综合中期业绩，连同 2025 年同期的比较数字。
本公告所载若干金额及百分比数字已经过四舍五入调整，或已四舍五入至小数点后一位或两位。任何表格、图表或其他数据所列总额与其中所列各项金额之和之间的差异，均由四舍五入所致。
财务摘要
截至 6 月 30 日止六个月 同比
| 2026 | 2025 | 变动 |
| 人民币千元 %（未经审核）（未经审核）收入 | 953,892 | 190,877 | 399.7 |
| 毛利 | 251,611 | 95,424 | 163.7 |
| 研发开支 | (2,131,171) | (1,594,661) | 33.6 |
| 期内亏损 | (2,071,992) | (2,357,852) | -12.1 |
| 经调整期内净亏损 | (1,964,138) | (1,751,974) | 12.1 |
按收入来源划分 截至 6 月 30 日止六个月 同比变动
| 2026 | 2025 增长 |
| 人民币千元 占总额百分比 人民币千元 占总额百分比 % 收入 开放平台及 API | 825,176 | 86.5 | 29,100 | 15.2 | 2,735.7 |
| 企业级 Agent | 55,561 | 5.8 | 13,739 | 7.2 | 304.4 |
| 企业级通用大模型 | 67,037 | 7.0 | 147,555 | 77.3 | -54.6 |
| 技术服务及其他 | 6,118 | 0.7 | 483 | 0.3 | 1,166.7 |
| 合计 | 953,892 | 100.0 | 190,877 | 100.0 | 399.7 |
管理层讨论及分析
业务回顾
2026 年上半年，公司验证了大模型在编程领域的可交付性——从早期简单的代码推荐，到整文件代码生成，再到完整工程项目的实施（Agentic Engineering，智能体工程）。这条轨迹已被完整走通：模型不再仅仅是一个工具，而是具备独立完成整个任务的能力。随之而来的是收入结构的转变：按调用计费的开放平台及 API 服务收入占比，从此前全年的 26.3% 升至 86.5%，而本地化模型部署收入占比则从 73.7% 降至 13.5%。2026 年上半年核心收入结构的重构，本质上是一次模型能力代际跃迁的必然结果。网络安全 Co-work 是同一条能力曲线的延伸。软件漏洞挖掘不依赖记忆，而依赖模型的推理深度与长程自主性——这正是编程能力跨过工程项目交付门槛之后自然延伸的方向。报告期内，公司模型在 CyberGym 上取得 84.5% 的成绩（超越 Fable 5 与 GPT-5.6 Sol），并在 ExploitGym 上完成 130 项任务（仅次于 Fable 5 与 GPT-5.6 Sol）。
支撑这两条轨迹的是基础设施。2026 年年初以来，公司全面实施 All-in-Infra 战略，训练与推理并举，并将国产芯片纳入主要推理算力资源。公司已在超过 10 万张国产芯片的集群上实现大规模、低成本推理，单位 Token 推理成本较年初下降 80%。在全球算力供给持续受限的背景下，这条路径确保公司的成本曲线掌握在自己手中。截至报告期末，GLM MaaS 平台的企业与开发者用户数超过 580 万。公司总收入约人民币 9.54 亿元（约 1.42 亿美元），同比增长近 400%。其中，开放平台及 API 收入约人民币 8.25 亿元（约 1.23 亿美元），同比增长 2,735.7%。
2026 年 8 月，公司发布 GLM-5.3 与 GLM-5.3-Flash（Ox-Alpha），并同步面向全体用户开放 GLM Coding Plan 订阅服务，覆盖 Lite、Pro、Max 与 Team 四档——成为国内最早以订阅模式提供编程 Agent 能力的大模型服务之一。截至本公告日期，GLM MaaS 平台的企业与开发者用户数已超过 740 万。
I. 战略聚焦
智能上限定义任务边界；任务价值定义商业空间
2026 年年初，我们提出了一个公式：AGI 商业价值 = 智能上限 × Token 消耗规模。这一次，我们想稍微展开谈谈它。
智能上限决定了模型能够处理哪些任务，以及每 Token 能创造多少用户价值。智能上限越高，意味着模型能处理价值密度越高的任务，每一单位智能对应的经济产出越大。Token 消耗规模则反映智能利用的广度与深度；智能上限先解锁任务边界，任务边界再决定 Token 被分配到何种价值密度上。同样规模的 Token，用于闲聊与用于修复生产环境漏洞，其产出差异可达数个数量级。
能力阶梯。模型能力的演进不是若干并行产品线，而是一座只能逐级攀登的阶梯：
Chat → Coding → Agent → Co-work → Autonomous AI
Chat 交付单轮回答，任务在一轮内结束，价值密度最低但覆盖面最广。Coding 交付可运行的代码，引入第一个客观验收标准——要么能运行，要么不能。Agent 交付一条完整的多步任务链，模型开始自行调用工具、处理中途故障。Co-work 交付可由专业人士审阅的工作成果，进入真实工作流，按完成的任务计价。Autonomous AI 交付持续运行的能力，模型在无人监督下承担长期目标。每向上一步都被一个具体的技术门槛所把守：从 Chat 到 Coding，门槛是结果可验证；从 Coding 到 Agent，是长程规划与错误恢复；从 Agent 到 Co-work，是可靠性达到专业人士愿意审阅而非从头重做的程度；从 Co-work 到 Autonomous AI，是模型能否判断自身输出的正确性。跨不过门槛，该层级的商业模式便不成立。
市场空间。随着任务边界上移，市场空间相应扩大。按数量级粗略估算：Chat 对应约 1,000 亿美元的搜索市场——互联网时代给出的答案；Coding 对应约 5,000 亿美元的软件研发支出；Co-work 对应约 5 万亿美元的知识工作支出；而在更远的未来，AI 驱动的操作系统与人机交互重构及全行业升级，对应约 30 万亿美元的可及空间。（上述市场空间数字是公司基于公开行业数据所作的粗略估算，仅用于说明任务层级与市场量级的对应关系，未经独立核实，不构成公司对其业务、财务状况或经营业绩的预测或保证，公司股东及投资者不应过分依赖该等数字。）与之相应，行业的评价标准也在转移：从单轮回答质量与 Token 消耗量，转向长程任务成功率、单位智能成本、结果可验证性，以及为客户带来的实际业务成果。
报告期内，公司的重心位于阶梯的第二级（Coding）与第四级（Co-work）之间。编程方向已被完整走通；网络安全进入 Co-work 验证阶段；法律等其他领域尚处早期。公司 2026 年上半年研发开支约人民币 21.31 亿元（约 3.17 亿美元），彰显了持续攀登的决心。
为什么是这个顺序。我们对 AGI 有一份朴素的理解：它不是一个人的智能，而是人类智能的总和，最终应具备生成堪比相对论的原创知识的能力。决定这条路径进程的，是模型能力的代际水平。这是公司全部产品与业务逻辑的出发点。
公司是国内最早投入大模型研发的团队之一。从 GLM 预训练架构、悟道系列，到今天的 GLM-5 系列，我们专注的始终是一件事：训练更强的模型。行业火热时，我们没有分散资源去铺多条产品线；行业降温时，我们也没有暂停模型迭代。回头看，每一次收入的陡增，都发生在模型能力提升、新任务场景被解锁之后——而非之前。
II. 技术路线与模型进展
模型公司的核心能力，在于将单位资源转化为智能的效率。算力、数据与人才都有成本；公司把这些投入转化为模型智能的效率，决定了它能走多远。我们最优的组织方式是：研究问题源自真实任务，研究成果直接进入下一代模型，向用户交付端到端的服务能力。
• 我们如何理解 SOTA
过去一年，行业对"SOTA"的理解被改写了。占据某个时点榜单的第一名，不再是最重要的事。真正重要的是，谁能以更快的节奏、更好的成本效率，持续把更强的模型推向市场。我们把 2025 年 9 月至今五家厂商的 27 个旗舰模型放进同一个坐标系：横轴是范式演进，纵轴是智能指数，深度轴是单任务成本。在这个框架里，单点冠军只是一个转瞬即逝的点；持续最优才是一条不断向上推进的轨迹。所有玩家都在前进，但节奏与成本各不相同。GLM 系列在大约 11 个月内完成 4.6、4.7、5、5.1、5.2、5.3 六次迭代，智能指数从 32 升至 60，单任务成本稳定在约 0.20 美元，横跨图中三个范式阶段。GLM-5.3-Flash 以单任务成本 0.045 美元进入智能-成本前沿。（智能指数与单任务成本来源：Artificial Analysis Intelligence Index，截至 2026 年 8 月 27 日；任务指标为单个智能指数点任务成本。）
报告期内，公司的技术路线涵盖三代模型。
1. GLM-5：以编程为入口，解锁长程智能
我们选择编程作为能力突破的入口，因为软件工程是最接近"可验证智能"的真实环境：任务目标清晰，工具链完备，代码能否运行、测试是否通过、问题是否修复，都构成明确的反馈信号。没有可验证的反馈，就没有可供优化的目标。
GLM-5 的能力重心从代码生成延伸至系统理解、任务规划、工具调用、持续调试与工程交付，推动模型从 Vibe Coding 走向 Agentic Engineering。
编程对公司的价值不止于帮开发者写代码。在更长的任务链中，模型需要持续理解目标、调用工具、处理异常并根据环境反馈调整策略。通过编程这一高反馈密度的真实环境积累的长程任务能力，可以迁移到网络安全、数据分析、复杂自动化等专业领域。报告期内，编程方向已成为公司最主要的收入来源，上述能力迁移也在网络安全 Co-work 中得到验证。
2. GLM-5.2 与 GLM-5.3：Scaling Deep 与 Scaling Up 并举
Scaling up 是扩大模型规模、上下文长度、算力与系统能力；scaling deep 是深入后训练、强化学习、长程轨迹与任务反馈。在当前阶段，我们把资源配置优先给后者。历史上有过几次先例。Kaplan 定律驱动参数增长远远跑在数据增长前面；Chinchilla 用"每参数 20 Token"的比例修正了这条路径：用 1.4T Token 训练的 70B 模型全面超越 280B 的 Gopher。到了推理时代，模型每天被调用数十亿次，推理成本超过训练成本，最优解转向"更小但训练更久"。MoE 进一步把参数拆成两个维度：总参数决定记住多少，激活参数与深度决定推理多深。近期研究还表明，最优的 Token 与参数之比取决于任务类型：偏记忆的任务偏好更大的参数，偏推理的任务偏好更多的数据。像网络安全这样的任务，不需要记住更多 CVE；它需要把一条二十步的因果链推到底而不断裂——这种能力并不存在于总参数之中。
CVE（Common Vulnerations and Exposures，通用漏洞披露） MoE（Mixture-of-Experts，混合专家）
GLM-5.3 是对这一判断的检验。它与 GLM-5.2 架构相同、总参数量相同、激活参数量相同，唯一的变量是后训练规模——用一个月时间扩规模建设长程任务环境与强化学习。在公司自建的真实编程评测中，端到端完成率较 GLM-5.2 提升超过 50%（评测方法与样本量详见 GLM-5.3 技术博客 https://z.ai/blog/glm-5.3）。这近似一场对照实验，证明 scaling 不只是堆参数，后训练才是当前性能提升空间最大的一环。
我们的论点是：只有把合适的数据在合适的时机、以合适的规模投入训练，才能得到有能力的模型。目标不是单纯追求最大规模，而是在当前数据与算力约束、训练深度足够的前提下，交付智能上限最高的模型。
这一路径在四个维度上展开。(i) 数据：持续提升知识密度与任务复杂度，通过开发者生态、行业合作与模型对抗自博弈（Model-vs-Model Self-Play）积累高质量长程 Agent 轨迹，经过滤、验证、合成后回流训练；(ii) 中训练（Mid-training）：在预训练与后训练之间，公司为 mid-training 阶段单独配置算力，以提升知识密度、延长有效上下文长度，并为工具调用与长程任务建立基础模式。三个阶段的边际收益不同，算力被分开预算，而非一次性总投入；(iii) 算法：针对长轨迹上奖励分配、反馈利用与持续学习的新挑战，我们从 GRPO 出发探索基于 Critic 的 SAO，并从 SFT 向 OPD 延伸。从 GLM-5.2 起，我们已针对超长轨迹引入基于 Critic 的单轨迹优化；(iv) 工程与环境：Slime 提升大规模强化学习训练效率；Index Share 降低长上下文稀疏注意力的开销；MTP 优化推理解码；LayerSplit 与 ZCube 改进 KV Cache 管理与集群网络效率。与此同时，我们持续扩展 Coding Agent 与更多领域的真实交互环境，让模型在持续执行、失败与重规划中学习。随着环境的数量、类型与复杂度增长，模型学到的不仅是如何回答，更是如何在动态环境中持续完成复杂工作。这四个维度环环相扣：环境生成轨迹；算法提升轨迹利用率；工程支撑更大规模的训练与推理；数据设定起点。
3. GLM-5.3-Flash（测试代号 Ox-Alpha）：下一代架构与系统能力
如果 GLM-5.3 代表当前的能力上限，GLM-5.3-Flash 代表的就是成本前沿。二者服务不同的任务区间：前者瞄准需要最高智能的长程任务；后者瞄准高频、高量、对成本敏感的调用。
GLM-5.3-Flash 采用为超低成本全新打造的架构。它拥有 320B 总参数、18B 激活参数与 45 层，采用稀疏注意力与线性注意力的混合架构，在保持长上下文精度的同时大幅降低长上下文服务成本，并以流形约束超连接（mHC）增强 scaling 能力。配合 30T 规模的多模态预训练语料，GLM-5.3-Flash 在基准测试与真实应用中超越 GLM-5.2，而价格仅为后者的十分之一。
正式发布之前，我们将匿名模型 Ox-Alpha 部署在 OpenCode 与 OpenRouter 上进行真实调用测试。上线首日即登顶 OpenRouter 榜单，并刷新该平台单日 Token 用量纪录；一周内成为两个平台调用次数最多的模型，6 天累计 Token 量超过 62 万亿，带动平台整体流量增长超过 20%。
4. 国产芯片驱动国产模型
GLM-5.3-Flash 的推理，是公司首次将国产芯片集群完整投入超大规模真实流量的服务，芯片之间通过自研高带宽网络互联。这项工作的完成方式本身值得记录：整个推理引擎由一个由 GLM-5.3 驱动的基础设施 Agent 大幅加速，它协助工程师开发与优化算子、诊断性能瓶颈、改进部署服务栈。模型优化系统，系统承载模型——这个闭环第一次在公司内部跑通。算子开发周期缩短一半。这也是公司自身 Co-work 路线的内部验证。
主要技术约束在于国产芯片的显存容量与带宽，这使得支持 1M 上下文尤为艰难。为此，我们在 SGLang 之上构建了专用推理引擎，以算力换带宽、以通信换显存进行定制优化，并在集群层面采用生产级 Encode–Prefill–Decode 分离架构，把多模态编码、提示词预填充与逐 Token 解码拆分为可独立调度、独立扩缩的 worker 池。与同一硬件上的初始基线相比，端到端服务性能提升三倍；在编程场景，国产芯片上的单 Token 推理成本已达到与主流进口 GPU 性价比相当的水平。国产芯片可以在经济性上大规模支撑前沿模型的推理。
III. 商业化进展：对的模型会自然走向市场
(I) 收入结构翻转
公司收入结构的演进，本质上是模型能力提升驱动的交易模式递进：
卖模型 → 卖调用 → 卖订阅 → 卖端到端任务成果
这四种交易模式不是并行产品线，而是模型能力提升依次解锁的形态。模型能独立完成的任务越完整，客户的购买就越接近成果本身，收入的计量单位也随之改变。
1. 本地化部署阶段：完成深度行业积累与验证
早期，当模型尚不能独立完成完整任务时，客户购买的是需要集成、定制并部署到自有环境中的工具。叠加数据安全、合规与自主可控的要求，本地化部署成为企业采用大模型的自然起点。这一阶段的交易模式是卖模型——一次性授权、项目制交付。在此阶段，公司完成了对关键行业的渗透，建立了对复杂场景的理解，并锻造了企业级交付能力。这些积累至今仍有价值——改变的只是交付形态，而非行业理解。
2. 编程阶段：从一次性交付到持续调用
GLM 编程能力的提升带动 API 与 Coding Plan 的采用快速增长。在此阶段，公司主动收缩本地化模型软件授权业务，转向持续提供可调用、可扩展、可量化的智能服务。到 2025 年年底，API 调用量较 2025 年 6 月底增长约 7 倍，开放平台与 API 收入占总收入的约 26.3%，毛利率提升至 18.9%。编程成为 Token 消耗与云收入增长的首个规模化入口。这一步的意义不止于增速：收入确认从一次性转为经常性，公司第一次拥有了可预测的经常性收入。
3. Agent 与 Co-work 阶段：从模型调用到任务交付
2026 年上半年，GLM 在 Agent 规划、工具调用、持续执行与长程任务上的能力持续提升，业务从编程这一单点应用延伸到软件工程、网络安全、数据分析与复杂自动化等高价值场景。交易模式进一步从卖调用走向卖订阅与端到端任务成果。
报告期内，开放平台及 API 收达人民币 8.25 亿元，同比增长超过 27 倍，占总收入的约 86.5%，去年同期为 15.2%——提升 71.3 个百分点。
Co-work 代表当前正在解锁的部分：模型接入企业数据、工具与业务系统，嵌入采购、财务、客服、研发、IT 运维等职能，从理解需求走向执行任务。相应地，企业的真实工作流成为模型可学习的环境与数据。报告期内，公司已在网络安全、法律、金融、教育等行业启动试点，其中网络安全进展最快；其余尚处早期，尚未产生重大收入。
回看这三个阶段，它们构成一条连贯的轨迹：模型能力每跃迁一次，客户购买的东西就向实际成果更近一步，公司的收入结构也随之重塑。
(II) 量价齐升，毛利改善，亏损收窄
上述增长并非以牺牲价格为代价。截至本公告日期，MaaS 平台的 Token 调用量较 2026 年年初增长超过 40 倍，Coding Plan 调用量增长超过 23 倍。同期，API 平均售价提升约 101%，Coding Plan 订阅价格亦有所上调。量价齐升。
报告期内，开放平台及 API 业务的毛利率提升至 24.6%，同比提升约 25 个百分点，较 2025 年全年提升约 6 个百分点。公司期内亏损同比收窄 12.1%，亏损率（亏损/收入）较去年同期收窄 4.7 倍，期内经调整净亏损率（经调整亏损/期内收入）较去年同期收窄 3.5 倍。规模扩大的同时，单位经济效益在改善——这是我们更看重的一组指标。
(III) 从编程到 Co-work
编程是当前消耗量最大、验证最充分的场景。依托代码生成、工程理解、工具调用与长程任务能力，公司正从代码辅助延伸至软件开发生命周期的全程。借助 Harness，ZCode 承担上下文管理、工具调用、任务调度、缓存与结果验证，提升模型在真实工程中的表现。随着长程能力推进，编程任务的复杂度上限持续抬升。
公司用三个维度决定进入哪些 Co-work 方向：智力门槛——对推理、规划、工具调用与长程执行的要求；单位智能消耗——完成一个任务所需的有效 Token、推理时长、算力与人工介入；单位产出价值——一次交付产生的收入、节省的工时与降低的风险。三者共同决定今天是否值得把任务交给模型。
面向大型企业与公共机构，公司继续提供本地化部署与组织级智能基础设施，满足数据安全、权限管理、系统集成与国产算力适配的需求。这类需求不会消失，但其在收入中的角色已从主要贡献者转为补充贡献者。
(IV) 用户规模与使用深度
截至本公告日期，公司 MaaS 平台用户数超过 740 万，较 2026 年年初增长 144%，付费日活跃用户数增长 603%。按收入计的前十大客户，日均调用量较 2026 年年初激增 98 倍。
这三个数字指向同一个方向，且量级递增：用户更多，付费用户增长更快，重度付费用户的使用更深。第三个数字尤其重要，它表明模型正在客户组织内部从试用走向生产。
(V) 算力乘数
报告期内，公司的算力乘数——定义为每投入人民币 1 元算力（含训练与推理）所产生的开放平台及 API 收入——同比增长约 14 倍。
这条曲线的改善来自两端：每 Token 的智能在增加，而每任务消耗的 Token 与成本在下降。前者由模型能力决定，后者由基础设施决定。只有两者同时改善，"智能-成本"前沿才能实现帕累托推进。每投入人民币 1 元算力收回的收入在增加，意味着模型的自我造血能力在增强。我们打算继续把这条曲线向上推。
IV. 生态与安全：让能力赢得现实世界的信任
在模型能力与一项可靠的服务之间，隔着一件事：现实世界是否信任它。公司在两条战线上同时发力：开源与开放，让安全能力与模型能力同步成长。一方面，公司把模型权重、MaaS 平台、Coding Plan 与全球开发者网络开放给用户，让模型进入尽可能多的真实场景；另一方面，公司通过权限管控、过程监督、风险评估、漏洞披露与外部验证建立能力的可验证性。二者相互成就：没有开放与开源，安全无法被检验；没有安全，开放与开源无法持续。
安全不只是合规成本，它还可以成为可验证的公共品，帮助市场判断一个模型能否在真实环境中被安全、稳定、持久地部署。
从能力到公共品
自 GLM-5.2 发布以来，公司与多个安全团队合作，持续开展红队测试与安全评估。截至报告期末，共发现 2,436 个漏洞（经初筛去重后），其中中高危 1,097 个，覆盖 269 个项目，涉及系统内核、操作系统、浏览器引擎、开源基础组件、互联网应用与网络协议。其中相当一部分是长期存在、此前未被发现的存量漏洞，最悠久的已存在超过 20 年。
这些发现已演化为持续的漏洞挖掘与披露工作，相关漏洞被提交至 CNNVD/CNVD 等国家级漏洞库。为提升透明度，公司建立了安全披露台账（Security Disclosure Ledger，https://cvd.z.ai/），记录从发现、确认到修复的全过程。台账持续更新，只披露厂商已完成披露并修复的漏洞；对仍处于协同披露阶段的漏洞，仅公布哈希值供后续验证，不公开可复现的利用代码。
这一机制的意义在于，把模型的能力置于可被第三方验证的位置。基准分数由我们自己报告；漏洞披露则由国家级漏洞库与厂商确认——后者才是外部信任的来源。
开源与开放
伴随 GLM-5.3 的发布，公司同步启动"开源之盾"（Open Source Shield）计划，包含三项长期承诺。第一，我们对重点开源项目开展持续安全审计，免费帮助维护者发现并修复风险，审计结果通过 OpenVuln（https://huggingface.co/spaces/zai-org/OpenVuln）公开。第二，我们向开源社区免费提供模型额度与防御接入，开源项目维护者可申请这些资源用于安全审计与防御任务。第三，我们在 ZCode 中提供代码审计功能，把安全检查融入日常研发流程。
这三件事的共同点，是把公司最先进的能力交到最需要却最负担不起的人手中。开源基础组件支撑着几乎所有现代软件，而维护者往往只是寥寥数名无偿奉献者。当攻击者使用前沿模型的成本快速下降时，防御者却可能用不起。如果最强的矛锁在少数人手中，最好的盾就必须属于所有人。开源之前，公司与国内顶尖安全团队合作开展持续红队测试与自动化越狱评估，用新产生的样本迭代加固审查体系，并邀请专业团队独立评估模型的高风险任务能力。能力释放与风险控制的平衡，由外部评判，而非公司自己说了算。
从商业视角看，开源与安全不是成本项。开源带来的分发规模，是模型获得真实任务反馈的前提；安全披露带来的外部确认，是企业客户决定是否把模型接入生产系统的依据。
能力边界与受控访问
模型在网络安全上的能力具有双重用途属性。对最敏感的能力，公司采取受控访问：仅向经过验证的安全研究人员与机构开放，其余用户遵循标准安全策略。开源模型之前，公司完成安全评估、模型加固与使用边界设计。
未来展望
2026 年上半年，我们验证了模型可以独立完成一个完整任务。下一步，是让它承担一个完整的业务流程。
(I) 任务：从长程任务到自主系统
更长的时间跨度。我们将让模型在更长的时间里保持目标一致，持续进行任务分解、工具调用、环境交互、错误修复与结果验证。今天的前沿是小时量级的工程任务，下一步将是天量级的完整交付。
多 Agent 协作。我们将从单个 Agent 走向多 Agent 协作，让模型承担完整的业务流程，从辅助工作走向执行工作。这一步的门槛不全在智能本身，更在于可靠性与可审计性——模型必须能在无人逐步检查的情况下运转，同时留下可验证的痕迹。
任务边界每一次向外扩张，都对模型能力提出数量级更高的要求。随之而来的问题是：能力还能沿着哪些维度继续提升。
(II) 能力：Scaling 不会停止
Scaling 仍然是通往更高智能的主路径。改变的只是我们在 scaling 什么。
过去几年，scaling 几乎是参数量的同义词。然而，当参数跨过"容纳世界"的门槛之后，继续加宽的边际收益迅速递减，而其他维度仍有大量未被开采的空间。今天决定模型上限的，是四个因素的组合：基座模型规模、有效深度、训练深度与任务环境。它们的边际收益不同，并随阶段轮动；公司的资源配置，就是判断每个阶段哪个因素的当期回报最高。
基座模型规模：上限由预训练决定。后训练是当期回报最高的旋钮，但智能的天花板由基座模型决定。一个模型能被训练多深，取决于它在预训练中见过多少世界、还留有多少可供激活的结构。当后训练被推到极致之后，下一阶段的增长必须回到基座模型。公司的基座模型迭代从未停止。GLM-5.3-Flash 已采用新一代架构与 30T 规模的多模态预训练语料，在中参数规模上验证了新架构的效率。在此基础上，公司正在推进下一代基座模型的训练，目标是更大的有效规模、更长的原生上下文与统一的原生多模态建模。
有效深度：让模型多想几步。参数决定记住多少，深度决定能想多远。Loop Transformer 通过层复用在不显著增加参数量的前提下增加有效计算深度，把算力从"记忆"转向"思考"（公司已在早期实验中初步验证这一概念）。这条路径与我们对任务的判断一致：网络安全类工作需要把一条二十步的因果链推到底而不断裂，这种能力来自深度，而非参数量。
训练深度：当前最大的未开采余量。GLM-5.3 是这一判断的直接证据。它与 GLM-5.2 架构相同、总参数与激活参数相同，唯一的变量是后训练规模，却取得端到端完成率提升超过 50% 的结果。这条曲线尚未走平。公司将继续扩大长程任务上的强化学习规模，延长有效训练轨迹，并提升轨迹利用效率。
任务环境：新出现的变量。当算法与算力不再是唯一瓶颈，环境的数量、类型与复杂度开始直接决定模型能学到什么。这是过去两年才浮现的维度，也是公司下一阶段投入最集中的方向之一。
(III) 系统：Fully Self Training（全自训练）
在四个旋钮之中，环境构建的速度正在成为新的瓶颈。而在更深的层面上，已有早期迹象表明，AI 正在接管训练系统的三个组成部分：数据、环境与基础设施。
数据开始自产。高质量的人类生成数据正在见顶，公开可得的数据近乎枯竭，而下一代基座模型需要数以万亿计且质量不断提升的 Token。我们的解法是模型对抗自博弈（Model-vs-Model Self-Play）管线：一个模型生成解法与内容，另一个模型审查、测试并执行验证，只有通过对抗性检查的数据才进入下一环节。随后是四层过滤——规则校验确认可编译性、推理一致性与格式合规；执行验证在沙箱中真实运行，执行结果本身就是最高质量的训练信号；模型审查再加一层判断；最后进行人工抽检校准。沉淀下来的是可验证、可执行、可调试的数据，回流预训练、中训练与后训练三个阶段。
至此，数据质量的上限不再由人工标注速度决定，而是由模型自身的验证能力决定。模型越强，它生成的问题越难、验证越严，产出的数据越优质；更优质的数据再训练出更强的下一代模型。数据从一次性消耗品，变成跨代复用的资本资产。
环境开始自建。一个有用的训练环境必须可执行、可验证、贴近真实职业工作，且数量须以千计，这无法靠人手工完成。在 GLM-5.3 技术博客中，我们分享过部分做法：研究 Agent 从真实工作中捕获任务模式，把资深工程师需要数天完成的工作转化为包含多步依赖与隐藏状态、可运行的长程环境；judge Agent 对每个任务试运行以确认可解；verifier 在不接触标准答案的情况下被合成，再用 solver 轨迹检测并封堵奖励捷径；通过 oracle、no-op 与 unsolved 三项检验的 verifier，最终产出可直接用于强化学习的二元奖励。Slime 架构把数学、代码、沙箱与验证器做成即插即用的数据组件，让环境变成流水线上的标准产品。
需要说明的是，这条管线仍包含相当多的人工介入。我们的下一步，是让环境构建与验证更加自主。
基础设施开始自优化。推理系统优化——包括内核、调度、量化与算子——本质上是一项代码工程任务，而这恰恰是模型最强的领域。GLM-5.3-Flash 的推理引擎通过如下方式构建：由 GLM-5.3 驱动的基础设施 Agent 协助工程师开发与优化内核、诊断性能瓶颈、改进服务栈，最终在国产芯片上实现端到端服务性能 300% 的提升。同样的逻辑也在训练侧运转：Slime 让训练与大规模推理 rollout 共享同一数据流，在强化学习中积累的配置经验与调度策略可以直接迁移到生产服务。
这三条线索指向同一个终态：模型参与自身的改进，形成递归自我改进（Recursive Self-Improvement）。这并非遥远的概念，其早期形态已在 2026 年上半年出现：GLM-5.3 参与优化了服务它自己的推理引擎，GLM 生成的环境正在训练下一代 GLM。今天唯一的差别，是这条闭环里还站着大量工程师。闭环每收紧一次，智能进步的速度就越多地由环境增长的速度决定。
这就是我们的技术愿景：Fully Self Training。下一代 GLM，将在上一代 GLM 构建的环境中训练。
(IV) 边界与治理
公司的技术愿景是让模型自动参与训练系统的构建。但我们必须确保，对能力边界的评估与风险的判断，最终仍由人来把关，并邀请外部机构独立评估。2026 年上半年，我们在网络安全上已经这样做了：最敏感的能力实行受控访问，开源之前经过第三方专业团队独立评估，漏洞通过国家级漏洞库披露。基准分数由我们自己报告；风险判断交给外部确认。这样的分工不会随能力提升而改变，只会随能力攀升而强化。
公司将继续在能力上限、推理效率、任务价值密度与安全治理之间寻找新的平衡，让更高水平的智能稳定、可控地进入真实世界，让每个人都能得益于智能的普惠。
财务回顾
以下讨论基于本中期业绩公告其他章节所载的财务数据及相关附注，应结合该等内容一并阅读。
关键经营业绩项目分析
收入
报告期内，我们实现了大幅收入增长。收入从截至 2025 年 6 月 30 日止六个月的人民币 1.909 亿元增至截至 2026 年 6 月 30 日止六个月的人民币 9.539 亿元，增长 399.7%。收入规模的扩张主要由云端部署业务的爆发式增长所驱动，集团收入增长的主引擎已从本地化部署业务切换为云端部署业务。
按部署方式划分：
云端部署
云端部署收入从截至 2025 年 6 月 30 日止六个月的人民币 2,910 万元增至截至 2026 年 6 月 30 日止六个月的人民币 8.252 亿元，增长 2,735.7%。这一增长主要反映了公司面向高价值任务场景的模型能力持续增强，模型长程任务能力不断进步，使用户得以在复杂场景中持续调用模型，从而带动单用户日均 Token 用量显著上升。与此同时，MaaS 平台用户数持续扩大，量价齐升的势头得以延续。云端部署收入占总收入的比重由去年同期的 15.2% 升至 86.5%，已成为集团最主要的收入来源。
本地化部署
本地化部署收入从截至 2025 年 6 月 30 日止六个月的人民币 1.618 亿元减至截至 2026 年 6 月 30 日止六个月的人民币 1.287 亿元，下降 20.5%。这一下降主要由于在云端部署业务爆发式增长的同时，集团更加注重本地化业务的业务质量与行业选择，从而为未来模型能力从通用场景走向垂直行业高价值、专业化任务场景的发展筑牢根基。
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 人民币千元（未经审核）占总额百分比 人民币千元（已审核）占总额百分比 云端部署 | 825,176 | 86.5 | % | 29,100 | 15.2% |
| 本地化部署 | 128,716 | 13.5 | % | 161,777 | 84.8% |
| 合计 | 953,892 | 100.0% | 190,877 | 100.0% |
按业务形态与核心产品线划分：
开放平台及 API
开放平台及 API 收入，即集团基于通用大模型提供的云服务，从截至 2025 年 6 月 30 日止六个月的人民币 2,910 万元增至截至 2026 年 6 月 30 日止六个月的人民币 8.252 亿元，增长 2,735.7%。这一增长主要反映了公司面向高价值任务场景的模型能力逐步增强，以及 GLM 系列模型多轮迭代带动长程任务能力的持续改善与质的跃升。这些进步使用户得以在复杂场景中持续调用模型，从而带动单用户日均 Token 用量显著上升。与此同时，MaaS 平台的用户规模持续扩大，量价齐升的势头得以延续。
企业级 Agent
企业级 Agent 收入，即集团为复杂企业场景开发的自主智能系统，从截至 2025 年 6 月 30 日止六个月的人民币 1,370 万元增至截至 2026 年 6 月 30 日止六个月的人民币 5,560 万元，增长 304.4%。这归因于企业客户对智能体采用率的加速提升：一方面，GLM 系列模型在长程任务与复杂场景中的执行能力持续增强，使面向企业工作流的 Agent 产品覆盖更多高价值场景；另一方面，报告期内企业客户对部署 Agent 用例的需求快速增长，共同带动了该分部收入增长。
企业级通用大模型
企业级通用大模型收入，即集团自主研发、主要以私有化本地部署形式交付的预训练模型矩阵，从截至 2025 年 6 月 30 日止六个月的人民币 1.476 亿元减至截至 2026 年 6 月 30 日止六个月的人民币 6,700 万元，下降 54.6%。下降主要归因于集团更加注重企业级通用大语言模型业务的业务质量与行业选择，从而为未来模型能力从通用场景走向垂直行业高价值、专业化任务场景的发展筑牢根基。与此同时，部分企业级通用大语言模型客户逐步迁移至开放平台及 API 服务，形成了正向飞轮效应。
技术服务及其他
技术服务及其他收入从截至 2025 年 6 月 30 日止六个月的人民币 50 万元增至截至 2026 年 6 月 30 日止六个月的人民币 610 万元，同比增长 1,120.0%，主要由于集团探索将自研大模型能力延伸至更多应用场景。该分部收入基数仍然较小，其变化对集团整体收入结构的影响有限。
截至 6 月 30 日止六个月
| 2026 | 2025 |
人民币千元 占总额百分比 人民币千元 占总额百分比（未经审核）（未经审核）
| 开放平台及 API | 825,176 | 86.5 | % | 29,100 | 15.2% |
| 企业级 Agent | 55,561 | 5.8% | 13,739 | 7.2% | |
| 企业级通用大模型 | 67,037 | 7.0% | 147,555 | 77.3% | |
| 技术服务及其他 | 6,118 | 0.7 | % | 483 | 0.3% |
| 合计 | 953,892 | 100.0% | 190,877 | 100.0% |
毛利及毛利率
集团毛利从截至 2025 年 6 月 30 日止六个月的人民币 9,540 万元增至截至 2026 年 6 月 30 日止六个月的人民币 2.516 亿元，增长 163.7%。集团毛利率从截至 2025 年 6 月 30 日止六个月的 50.0% 降至截至 2026 年 6 月 30 日止六个月的 26.4%，主要由于收入结构变化，云端部署业务占比快速扩大。该业务分部处于快速成长早期，毛利率仍处于爬坡阶段，结构性摊薄了整体毛利率。尽管如此，云端业务自身的毛利率已由负转正，并较去年同期快速提升。报告期内集团毛利增长超过 1.6 倍，表明收入结构变化对毛利作出了正向贡献。
按部署方式划分：
云端部署
云端部署业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 -10 万元增至截至 2026 年 6 月 30 日止六个月的人民币 2.029 亿元，较上期实现扭亏。毛利率从截至 2025 年 6 月 30 日止六个月的 -0.4% 提升至截至 2026 年 6 月 30 日止六个月的 24.6%。这一改善主要归因于：第一，收入爆发式增长带来的规模经济，Token 用量的指数级增长显著摊薄了固定成本；第二，随着模型智能上限提升，定价策略逐步上调，Token 用量持续增长，量价齐升的势头得以保持；第三，持续的全栈自研工程优化降低了模型推理成本。
本地化部署
本地化部署业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 9,550 万元减至截至 2026 年 6 月 30 日止六个月的人民币 4,870 万元，同比下降 49.0%。毛利率从截至 2025 年 6 月 30 日止六个月的 59.1% 降至截至 2026 年 6 月 30 日止六个月的 37.9%。毛利与毛利率双降，主要由于集团推进业务模式调整，本地化部署业务的产品结构发生变化：毛利率相对较高的企业级通用大模型私有化交付规模收缩，而仍处于大规模扩张阶段的企业级 Agent 产品占比上升。与此同时，部分客户从本地化部署迁移至云服务。
截至 6 月 30 日止六个月
| 2026 | 2025 |
毛利（人民币千元）毛利率（%）毛利（人民币千元）毛利率（%）（未经审核）（已审核）
| 云端部署 | 202,871 | 24.6 | (116) | -0.4 |
| 本地化部署 | 48,740 | 37.9 | 95,540 | 59.1 |
| 合计 | 251,611 | 26.4 | 95,424 | 50.0 |
按业务形态与核心产品线划分：
开放平台及 API
开放平台及 API 业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 -10 万元增至截至 2026 年 6 月 30 日止六个月的人民币 2.029 亿元，较上期实现扭亏。毛利率从截至 2025 年 6 月 30 日止六个月的 -0.4% 提升至截至 2026 年 6 月 30 日止六个月的 24.6%。这一改善主要归因于规模经济的实现、定价的上调，以及降低推理成本的持续全栈工程优化。
企业级 Agent
企业级 Agent 业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 890 万元增至截至 2026 年 6 月 30 日止六个月的人民币 1,980 万元，同比增长 122.5%。毛利率从截至 2025 年 6 月 30 日止六个月的 64.6% 降至截至 2026 年 6 月 30 日止六个月的 35.6%。毛利增长而毛利率下降，主要由于报告期内企业客户对部署 Agent 用例的需求日益增长，为保障交付质量与场景覆盖深度，公司在满足多元化客户需求方面投入了较为显著的开发与交付成本；随着规模经济逐步显现，毛利率有望企稳回升。
企业级通用大模型
企业级通用大模型业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 8,630 万元减至截至 2026 年 6 月 30 日止六个月的人民币 2,840 万元，同比下降 67.1%。毛利率从截至 2025 年 6 月 30 日止六个月的 58.5% 降至截至 2026 年 6 月 30 日止六个月的 42.3%。毛利与毛利率双降，主要由于集团更加注重该类业务的业务质量与行业选择，从而为未来模型能力从通用场景走向垂直行业高价值、专业化任务场景的发展筑牢根基。同时，该类业务的交付与维护成本具有一定刚性，规模经济有所减弱。此外，随着客户需求升级，部分项目转向企业级 Agent 方案，也对毛利率造成暂时性影响。
技术服务及其他
技术服务及其他业务毛利从截至 2025 年 6 月 30 日止六个月的人民币 30 万元增至截至 2026 年 6 月 30 日止六个月的人民币 60 万元，同比增长 100.0%。毛利率从截至 2025 年 6 月 30 日止六个月的 65.8% 降至截至 2026 年 6 月 30 日止六个月的 9.4%。毛利增长而毛利率下降，主要由于报告期内对若干探索性场景项目的投入增加，且该分部收入基数相对较小，对毛利率的影响更为显著。
截至 6 月 30 日止六个月
| 2026 | 2025 |
毛利（人民币千元）毛利率（%）毛利（人民币千元）毛利率（%）（未经审核）（未经审核）
开放平台及 API 202,871 24.6 -116 -0.4
| 企业级 Agent | 19,796 | 35.6 | 8,880 | 64.6 |
| 企业级通用大模型 | 28,368 | 42.3 | 86, | 342 | 58.5 |
| 技术服务及其他 | 576 | 9.4 | 318 | 65.8 |
| 合计 | 251,611 | 26.4 | 95, | 424 | 50.0 |
销售成本
集团销售成本从截至 2025 年 6 月 30 日止六个月的人民币 9,550 万元增至截至 2026 年 6 月 30 日止六个月的人民币 7.023 亿元，同比增长 635.4%。成本增长主要归因于业务扩张与收入增长带来的算力服务费增加，与收入增长趋势大体一致。
资本开支
集团资本开支从截至 2025 年 6 月 30 日止六个月的人民币 5,370 万元增至截至 2026 年 6 月 30 日止六个月的人民币 3.906 亿元，同比增长 627.4%。这一增长主要由于公司完成收购北京弘钻技术开发有限公司（"北京弘钻"）全部股权，新增大量物业、厂房及设备。
其他收入
集团其他收入从截至 2025 年 6 月 30 日止六个月的人民币 460 万元增至截至 2026 年 6 月 30 日止六个月的人民币 4,140 万元，同比增长 800.0%。这主要由于公司于 2026 年 1 月上市后，集团银行存款规模大幅增加，利息收入相应增长。
研发开支
集团研发开支从截至 2025 年 6 月 30 日止六个月的人民币 15.947 亿元增至截至 2026 年 6 月 30 日止六个月的人民币 21.312 亿元，同比增长 33.6%。这主要由于集团持续加大模型训练方面的研发投入，以支撑 GLM 系列模型智能上限的不断突破。
销售及营销开支
集团销售及营销开支从截至 2025 年 6 月 30 日止六个月的人民币 2.086 亿元减至截至 2026 年 6 月 30 日止六个月的人民币 1.777 亿元，同比下降 14.8%。这主要由于集团优化了营销资源配置，提升了营销投入的转化效率。
一般及行政开支
集团一般及行政开支从截至 2025 年 6 月 30 日止六个月的人民币 1.852 亿元减至截至 2026 年 6 月 30 日止六个月的人民币 1.033 亿元，同比下降 44.2%。这主要由于报告期内专业服务费及以权益结算的股份支付开支较去年同期减少。
金融资产减值亏损
集团金融资产减值亏损从截至 2025 年 6 月 30 日止六个月的人民币 1,090 万元增至截至 2026 年 6 月 30 日止六个月的人民币 2,740 万元，同比增长 151.4%。这主要由于业务规模扩大导致应收账款及票据总额增加。
融资成本
集团融资成本从截至 2025 年 6 月 30 日止六个月的人民币 5,330 万元增至截至 2026 年 6 月 30 日止六个月的人民币 9,590 万元，同比增长 79.9%。这主要由于报告期内确认汇兑净亏损及银行借款利息开支增加。
应占联营公司利润（扣除亏损）
集团应占联营公司利润（扣除亏损）从截至 2025 年 6 月 30 日止六个月的人民币 1,410 万元增至截至 2026 年 6 月 30 日止六个月的人民币 1.442 亿元，同比增长 922.7%。这主要由于报告期内联营公司经营及财务表现改善。
按公平值计量且其变动计入当期损益的金融工具（"FVPL"）公平值变动
按公平值计量且其变动计入当期损益的金融工具公平值变动，从截至 2025 年 6 月 30 日止六个月的人民币 980 万元收益增至截至 2026 年 6 月 30 日止六个月的人民币 5,040 万元收益，同比增长 414.3%。这主要由于期内集团所持金融工具估值上升，确认公平值收益。
向投资者发行的金融工具账面值变动
向投资者发行的金融工具账面值变动，由截至 2025 年 6 月 30 日止六个月的亏损人民币 4.293 亿元，收窄至截至 2026 年 6 月 30 日止六个月的亏损人民币 2,210 万元，同比下降 94.9%。这主要由于 2026 年 1 月上市时，向投资者发行的金融工具及相关赎回权终止，并于终止确认后转为普通股，报告期内仅在上市前的短暂期间内确认账面值变动。
净亏损
集团截至 2026 年 6 月 30 日止六个月录得净亏损人民币 20.72 亿元，较截至 2025 年 6 月 30 日止六个月的净亏损人民币 23.58 亿元有所收窄。这主要由于报告期内毛利增加，以及向投资者发行的金融工具于上市时转为普通股后，其账面值变动产生的亏损大幅减少。研发开支的增加部分抵消了上述改善。
非国际财务报告准则计量
截至 6 月 30 日止六个月
| 2026 | 2025 |
人民币千元 人民币千元（未经审核）（未经审核）
| 期内亏损 | (2,071,992) | (2,357,852) |
| 加：– 以权益结算的股份支付开支 | 85,764 | 158,852 |
| – 向投资者发行的金融工具账面值变动 | 22,090 | 429,295 |
| – 上市开支 | – | 17,731 |
| 经调整期内净亏损（非国际财务报告准则计量） | (1,964,138) | (1,751,974) |
财务状况关键项目分析
财务状况
股东权益从 2025 年 12 月 31 日的人民币 -81.110 亿元增至 2026 年 6 月 30 日的人民币 44.296 亿元，主要由于集团于报告期内成功上市，向投资者发行的金融工具及相关赎回权随之终止，相关金融负债转入公司权益。
流动性及财务资源
截至 2026 年 6 月 30 日，集团持有现金及现金等价物人民币 39.937 亿元，较 2025 年 12 月 31 日的人民币 22.591 亿元增加人民币 17.346 亿元。该变动主要归因于报告期内收到上市所得款项及银行借款增加，而经营开支消耗了部分资金。
债务/借款
截至 2026 年 6 月 30 日，集团银行借款总额为人民币 22.248 亿元，较 2025 年 12 月 31 日的人民币 6.895 亿元增加人民币 15.353 亿元，主要由于为满足经营需要而借入资金。所有相关借款均计息，主要以人民币计价且无抵押。
租赁负债
截至 2026 年 6 月 30 日，集团确认的租赁负债总额（含流动及非流动部分）为人民币 3.794 亿元，较 2025 年 12 月 31 日的人民币 5.451 亿元减少人民币 1.657 亿元。该变动主要归因于报告期内支付租赁款项及租赁安排的变动。
资产负债率
集团的资产负债率（按银行借款与租赁负债之和除以期末总权益再乘以 100% 计算）于 2026 年 6 月 30 日为 58.8%，2025 年 12 月 31 日为 -15.2%。这一变化主要由于上市时向投资者发行的金融工具及相关赎回权终止，相关金融负债转入公司权益，总权益由负转正。
资产抵押
截至 2026 年 6 月 30 日止六个月，集团没有任何已抵押资产。
资本承担
截至 2026 年 6 月 30 日止六个月，集团没有任何未履行的资本承担。
或有负债
截至 2026 年 6 月 30 日止六个月，集团没有任何重大或有负债。
重大投资及附属公司、联营公司与合营公司的主要收购与出售
根据董事会于 2026 年 3 月 31 日作出的决议及 2026 年 4 月 14 日签署的收购框架协议，公司收购北京弘钻 100% 股权，总代价不超过人民币 3.6052 亿元。收购完成后，北京弘钻已作为公司的附属公司入账。详情请参阅公司日期为 2026 年 4 月 14 日的公告。
除上文所披露者外，截至 2026 年 6 月 30 日，集团没有进行任何重大投资，也没有进行附属公司、联营公司或合营公司的其他重大收购或出售。截至本公告日期，集团没有收购重大资本资产的具体计划。
雇员及薪酬政策
截至 2026 年 6 月 30 日，集团拥有 981 名全职雇员（2025 年 6 月 30 日：883 名），雇员人数视乎经营需要而定。报告期内集团产生的薪酬总成本（含股份支付）为人民币 4.821 亿元（截至 2025 年 6 月 30 日止六个月：人民币 4.996 亿元）。
人才是公司最核心的战略资源。结合人工智能行业的特性，我们建立了以能力为导向、以激励为驱动的人才管理体系，支撑公司在 AI 领域的持续技术创新与业务扩张。
在薪酬策略上，我们采用"固定薪酬 + 绩效奖金 + 中长期激励"的三层结构，确保回报与公司业绩及个人贡献紧密挂钩。通过员工激励计划与员工持股平台，我们将核心管理人员、关键技术人员的利益与公司长期发展深度绑定。我们定期开展行业薪酬对标，保持薪酬水平的市场竞争力，以吸引并留住顶尖人才。
在员工关怀上，除法定社会保险与住房公积金外，我们提供多层次的福利，包括补充商业保险、年度健康体检、餐补与节日福利。我们还支持各类文化、文娱与体育活动，关注员工身心健康，营造积极向上的工作氛围。公司建立了系统化的内部培训与知识共享机制，鼓励跨部门协作与技术交流，为员工的职业发展提供持续支持。
作为大模型领域的头部企业，我们将 AI 原生的工作模式确立为组织运转的根本方式。依托自研模型与智能体系统，我们把自己定位为模型能力在真实生产环境中大规模验证的前沿场域。在日常研发中，代码生成、缺陷修复、测试编写等标准化流程大部分由 AI 自主完成，员工则聚焦于问题的本质、技术方案的设计与创新方向的探索。"AI 做事，人做决策"这一协作范式，正在重塑公司的生产力与创新节奏。
汇率波动风险
集团的外汇风险源自以相关集团实体功能货币以外的货币计价的未来商业交易及已确认资产和负债。公司的功能货币为人民币。大部分非人民币资产及负债为以美元和港元计价的现金及现金等价物。
集团主要面临人民币兑美元及人民币兑港元汇率波动带来的风险。目前，我们尚未开展旨在管理汇率风险的套期保值活动。但我们通过密切监控汇率走势来管理外汇风险，并将采取必要措施缓释相关风险。
主要风险与不确定因素
我们的经营涉及若干风险与不确定因素，包括：(i) 与研发相关的风险；(ii) 与商业化相关的风险；(iii) 与运营相关的风险；(iv) 与知识产权相关的风险；(v) 与财务状况及额外资金需求相关的风险；以及 (vi) 与业务所在司法辖区相关的风险，包括但不限于：
• AI 行业是瞬息万变的前沿技术领域。集团未来的业务运营、经营业绩、财务状况及竞争地位，取决于其持续升级迭代模型与技术的能力。
• 我们已经并预计将继续在研发上投入巨资，以持续升级迭代我们的大模型。
• 集团面临客户变动及新客户发展慢于预期的风险。
• AGI 的发展仍处于早期阶段，AGI 的未来实现存在重大不确定性。
• 我们需要长期保持一支充足且稳定的技术人员队伍，以及时应对市场变化。核心技术人员一旦发生不利变动，可能影响集团重大研发项目的开发、推进与商业化，进而可能对集团经营产生不利影响。
• 我们面临业务扩张带来的管理风险。
• 集团的资产与收入规模快速增长，人员数量持续增加，对集团的管理能力与风险控制提出了更高要求。集团在一定程度上可能面临业务扩张带来的管理风险。
• 我们依赖第三方提供算力资源，其服务中断或价格波动可能对我们的业务、经营业绩及财务状况产生不利影响。
• 中国 AI 行业处于不断演进且日趋严格的监管环境之中。未来的法律法规可能施加额外的要求与义务，可能对我们的业务、经营业绩、财务状况及前景产生不利影响。
• 我们可能无法为业务取得或维持充分的知识产权保护，或该等知识产权保护的范围可能不够宽泛。
• 我们面临未来市场竞争加剧的风险。如果集团的技术演进与产品迭代不能保持行业领先水平，集团的竞争地位、市场份额与经营业绩可能受到不利影响。
• 由于多种因素，我们的可及市场规模及解决方案需求可能无法如我们预期那样快速增长，这将对我们的业务、经营业绩、财务状况及前景产生不利影响。
• 如果我们的 MaaS 平台未能按要求运行，可能损害我们的业务、经营业绩、财务状况及前景。
• 我们的商业化业务业绩记录有限。此外，大模型市场同时受到技术迭代与监管政策变化的双重影响，难以准确预判发展机遇及未来市场规模。
上述列举并非详尽无遗。详情请参阅我们招股章程的"风险因素"一节。
简明综合损益表及
其他全面收益
截至 2026 年 6 月 30 日止六个月——未经审核（以人民币列示）
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 收入 | 3 | 953,892 | 190,877 |
| 销售成本 | (702,281) | (95,453) |
| 毛利 | 3(b) | 251,611 | 95,424 |
| 其他收入 | 41,436 | 4,614 | |
| 销售及营销开支 | ( 177,666) | (208,570) | |
| 一般及行政开支 | ( 103,346) | (185,165) | |
| 研发开支 | (2,131,171) | (1,594,661) | |
| 金融资产减值亏损 | (27,416) | (10,867) |
| 经营亏损 | ( 2,146,552) | (1,899,225) |
| 融资成本 | (95,925) | (53,270) |
| 应占联营公司利润（扣除亏损） | 144,152 | 14,147 |
按公平值计量且其变动计入当期损益的金融工具公平值变动
| ("FVPL") | 50,385 | 9,791 |
| 向投资者发行的金融工具账面值变动 | (22,090) | (429,295) |
| 除税前亏损 | ( 2,070,030) | (2,357,852) | |
| 所得税 | 4 | (1,962) | – |
| 期内亏损 | (2,071,992) | (2,357,852) |
简明综合损益表及
其他全面收益
截至 2026 年 6 月 30 日止六个月——未经审核（以人民币列示）
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 期内亏损 | (2,071,992) | (2,357,852) |
期内其他全面收益（经扣除税项）：可能重分类至损益的项目：– 将财务报表换算为列账
| 货币产生的汇兑差额 | (3,049) | 414 |
| 期内全面亏损总额 | ( 2,075,041) | (2,357,438) |
| 亏损应占：公司权益股东 | ( 2,071,326) | (2,351,173) |
| 非控制性权益 | ( 666) | (6,679) |
| ( 2,071,992) | (2,357,852) |
| 全面亏损总额应占：公司权益股东 | ( 2,074,375) | (2,350,759) |
| 非控制性权益 | ( 666) | (6,679) |
| ( 2,075,041) | (2,357,438) |
| 每股亏损 基本及摊薄（人民币） | 5 | ( 4.67) | (6.23) |
简明综合财务状况表
于 2026 年 6 月 30 日——未经审核（以人民币列示）
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 物业、厂房及设备 | 6 | 855,060 | 655,825 |
| 无形资产 | 67,801 | 50,963 | |
| 商誉 | 283,815 | 39,379 | |
| 于联营公司的权益 | 532,133 | 338,081 | |
| 其他非流动资产 | 912,325 | 198,202 |
| 2,651,134 | 1,282,450 |
| 流动资产 按公平值计量且其变动计入当期损益的短期投资 | 506,139 | 377,287 | |
| 存货及合约成本 | 87,100 | 125,817 | |
| 应收账款及票据 | 7 | 782,944 | 303,208 |
| 预付款项及其他应收款项 | 8 | 1,621,311 | 395,734 |
| 合约资产 | 2,480 | 1,625 | |
| 定期存款 | – | 108,593 | |
| 银行结存及现金 | 3,993,722 | 2,259,147 |
| 6,993,696 | 3,571,411 |
| 流动负债 应付账款及其他应付款项 | 9 | 2,135,759 | 1,328,631 |
| 合约负债 | 302,325 | 148,644 | |
| 银行借款 | 789,831 | 604,836 | |
| 租赁负债 | 161,711 | 251,316 | |
| 向投资者发行的金融工具 | – | 10,072,827 |
| 3,389,626 | 12,406,254 |
简明综合财务状况表
于 2026 年 6 月 30 日——未经审核（以人民币列示）
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 流动资产净值/（负债） | 3,604,070 | (8,834,843) |
| 扣除流动负债后的资产总额 | 6,255,204 | (7,552,393) |
| 非流动负债 银行借款 | 1,434,958 | 84,616 |
| 租赁负债 | 217,699 | 293,827 |
| 递延收入 | 172,991 | 180,146 |
| 1,825,648 | 558,589 |
| 资产净值/（负债净额） | 4,429,556 | (8,110,982) |
资本及储备
| 股本 | 44,584 | 40,281 |
| 储备 | 4,372,464 | (8,132,783) |
| 公司权益股东应占权益总额/（权益总额–亏损） | 4,417,048 | (8,092,502) |
| 非控制性权益 | 12,508 | (18,480) |
权益总额/（权益总额–
| 亏损） | 4,429,556 | (8,110,982) |
| 1 | 编制基准 |
智谱（Z.AI Co., Ltd.，前称"北京知识图谱科技股份有限公司"）于 2019 年 6 月 11 日在中华人民共和国（"中国"）注册成立为有限责任公司。2025 年 3 月 26 日，公司由有限责任公司整体变更为股份有限公司。公司股份于 2026 年 1 月 8 日在香港联合交易所有限公司（"联交所"）主板上市。
公司及其附属公司（合称"集团"）主要从事提供大模型相关服务。
本中期财务报表系根据联交所《证券上市规则》适用的披露规定编制，包括符合国际会计准则委员会（"IASB"）颁布的《国际会计准则》（"IAS"）第 34 号"中期财务报告"。财务报表经授权于 2026 年 8 月 31 日发布。
本中期财务报表已按照与 2025 年度财务报表相同的会计政策编制，惟预计将于 2026 年度财务报表中反映的会计政策变更除外。会计政策变更的详情载于附注 2。
按照 IAS 34 编制中期财务报表，要求管理层作出判断、估计与假设，这些判断、估计与假设会影响会计政策的应用以及年初至今资产、负债、收入与费用的报告金额。实际结果可能与这些估计存在差异。
本中期财务报表包含简明综合财务报表及选定的说明性附注。附注包括对理解集团自 2025 年度财务报表以来财务状况及业绩变化具有重大意义的事项与交易的说明。简明综合中期财务报表及相关附注，并未包含根据《国际财务报告准则》会计准则编制全套财务报表所需的所有资料。
| 2 | 会计政策变更 |
IASB 已颁布多项自本会计期间首次生效的新订及经修订《国际财务报告准则》会计准则。其中，仅《国际财务报告准则》第 9 号"金融工具"及《国际财务报告准则》第 7 号"金融工具：披露——金融工具分类与计量的修订"与集团财务报表相关。应用该等修订对本集团所呈报期间的合并财务报表并无重大影响。
集团尚未应用任何对本会计期间尚未生效的新准则或诠释。
该等修订还将影响集团截至 2026 年 12 月 31 日止期间年度财务报表中有关指定为按公平值计入其他全面收益（FVOCI）的权益工具投资，以及具有特定或有特征且并非按公平值计入损益计量的金融工具的披露。本中期财务报表未包含额外披露。
| 3 | 收入及分部报告 |
(a) 收入
集团的主要业务为提供大模型相关服务。
(i) 收入分解
按主要服务类型及收入确认时点分解的来自客户合同的收入如下：
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 人民币千元 | 人民币千元 |
国际财务报告准则第 15 号范围内的客户合同收入按主要服务类型分解：
| – 本地化部署 | 128,716 | 161,777 |
| – 云端部署 | 825,176 | 29,100 |
| 953,892 | 190,877 |
| 收入确认时点 于某一时点确认 | 854,270 | 155,636 |
| 于一段时间内确认 | 99,622 | 35,241 |
| 953,892 | 190,877 |
(b) 分部报告
集团按服务类型管理其业务。在与集团最高行政管理层出于资源分配及业绩考核目的进行内部报告的方式一致的前提下，集团呈列以下两个可报告分部。没有任何经营分部被合并以形成以下可报告分部。
• 本地化部署：该分部根据客户的具体指示与需求，在客户的基础设施上开发并提供定制化的大模型相关服务。
• 云端部署：该分部通过云基础设施开发并向客户提供基于云端的大模型相关服务。
(i) 分部业绩
出于考核分部业绩及分配资源的目的，集团最高行政管理层按以下基准监控各可报告分部的业绩：
收入及开支参照相关分部产生的收入及该等分部产生的直接开支分配至各可报告分部。用于报告分部业绩的计量指标为毛利。期内未发生分部间销售。一个分部向另一个分部提供的协助（包括资产与技术诀窍的共享）不作计量。
集团的其他经营收入及开支，如其他收入、销售及营销开支、一般及行政开支、研发开支、金融资产减值亏损、融资成本，以及资产和负债，均不在单个分部下计量。因此，未呈列分部资产及负债资料，也未呈列资本开支、利息收入及利息开支资料。
报告期内就资源分配及分部业绩考核目的向集团最高行政管理层提供的集团可报告分部资料载列如下。
截至 2026 年 6 月 30 日止六个月 本地化部署 云端部署 合计 人民币千元 人民币千元 人民币千元
来自外部客户的分部收入
| 128,716 | 825,176 | 953,892 |
| 分部毛利 | 48,740 | 202,871 | 251,611 |
截至 2025 年 6 月 30 日止六个月 本地化部署 云端部署 合计 人民币千元 人民币千元 人民币千元
| 来自外部客户的分部收入 | 161,777 | 29,100 | 190,877 |
| 分部毛利 | 95,540 | (116) | 95,424 |
(ii) 可报告分部损益调节
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 可报告分部毛利 | 251,611 | 95,424 |
| 其他收入 | 41,436 | 4,614 |
| 销售及营销开支 | ( 177,666) | (208,570) |
| 一般及行政开支 | ( 103,346) | (185,165) |
| 研发开支 | (2,131,171) | (1,594,661) |
| 金融资产减值亏损 | (27,416) | (10,867) |
| 融资成本 | (95,925) | (53,270) |
| 应占联营公司利润（扣除亏损） | 144,152 | 14,147 |
| 按公平值计量且其变动计入当期损益的金融工具公平值变动 | 50,385 | 9,791 |
| 向投资者发行的金融工具账面值变动 | (22,090) | (429,295) |
| 合并除税前亏损 | ( 2,070,030) | (2,357,852) |
| 4 | 综合损益表及其他 |
全面收益中的所得税
综合损益表中的税项列示如下：
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 即期税项 | 1,962 | – |
| 递延税项 – – 1,962 | – |
集团在中国境内设立的实体于报告期内适用 25% 的中国企业所得税税率（截至 2025 年 6 月 30 日止六个月：25%）。
在其他司法辖区注册成立的附属公司税项按相关司法辖区适用的所得税税率计算。
集团若干附属公司已取得税务机关颁发的"高新技术企业"证书，于截至 2026 年及 2025 年 6 月 30 日止六个月适用 15% 的优惠税率。
根据中国所得税法及相关规定，符合小型微利企业条件的实体可享受 5% 的优惠所得税率（应纳税所得额低于人民币 300 万元）。集团若干附属公司符合小型微利企业条件，于截至 2026 年及 2025 年 6 月 30 日止六个月享受优惠所得税率。
| 5 | 每股亏损 |
每股基本亏损按公司普通权益股东应占亏损除以报告期内已发行或视同已发行普通股的加权平均数计算。
公司于 2025 年 3 月 26 日整体变更为股份有限公司。公司实收资本人民币 36,224,375 元相应折转为 36,224,375 股每股面值人民币 1.00 元的股份。为计算基本及摊薄每股亏损，公司整体变更前视同已发行普通股的加权平均数，系假设公司自 2025 年 1 月 1 日起已按 2025 年 3 月整体变更确定的折股比例完成股份制改造而确定。
此外，报告期内的加权平均股数已就公司股份于 2026 年 1 月 8 日上市完成前即时生效的股份拆细影响进行追溯调整。
截至 6 月 30 日止六个月
| 2026 | 2025 |
| 公司普通权益股东应占期内亏损（人民币千元）（附注 5(a)） | ( 2,020,788) | (993,276) |
| 普通股加权平均数（千股）（附注 5(b)） | 432,359 | 159,522 |
| 每股基本亏损（人民币） | ( 4.67) | (6.23) |
(a) 公司普通权益股东应占期内亏损
截至 6 月 30 日止六个月
| 2026 | 2025 |
人民币千元 人民币千元
公司全体权益股东应占
| 公司全体权益股东应占期内亏损 | ( 2,071,326) | (2,351,173) |
| 归属于向投资者发行的金融工具的期内亏损分配 | 50,538 | 1,357,897 |
| 公司普通权益股东应占期内亏损 | ( 2,020,788) | (993,276) |
(b) 普通股加权平均数
截至 6 月 30 日止六个月
| 2026 | 2025 |
股数（千股） 股数（千股）
| 1 月 1 日已发行普通股 | 40,281 | 36,224 |
| 首次公开发行发行股份的影响 | 40,361 | – |
| 视同已发行普通股的影响 | – | 1,536 |
| 向投资者发行的金融工具的影响 | (1,081) | (21,808) |
| 股份拆细的影响 | 352,798 | 143,570 |
| 6 月 30 日普通股加权平均数 | 432,359 | 159,522 |
(c) 每股摊薄亏损
向投资者发行的金融工具未纳入每股摊薄亏损的计算，因为纳入将产生反摊薄效应。因此，截至 2026 年及 2025 年 6 月 30 日止六个月的每股摊薄亏损与每股基本亏损相同。
6 物业、厂房及设备
购入自有资产
2026 年 5 月，公司完成收购北京弘钻全部股本权益，总代价为人民币 3.60226 亿元，包括：(1) 收购股权的现金代价人民币 7,915.8 万元（附注 9）；及 (2) 用于协助偿还北京弘钻相关债务的人民币 2.81068 亿元。截至 2026 年 8 月 21 日，代价已全数支付。
公司选择应用《国际财务报告准则》第 3 号"企业合并"允许的集中度测试，并认定收购北京弘钻属于资产收购而非企业合并。于完成日从北京弘钻购入的可辨认资产及负债如下：
完成日公平值 人民币千元
购入的可辨认资产及负债：
| 物业、厂房及设备 | 360,000 |
| 预付款项及其他应收款项 | 869 |
| 购入的现金及现金等价物 | 49 |
| 应付账款及其他应付款项 | (692) |
| 已付/应付总代价 | 360,226 |
7 应收账款及票据
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 应收账款 | 838,139 | 339,198 |
| 应收票据 | 6,445 | – |
| 844,584 | 339,198 | |
| 减：亏损拨备 | (61,640) | (35,990) |
| 782,944 | 303,208 |
报告期末，基于发票日期的应收账款及票据（扣除亏损拨备后）账龄分析如下：
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 3 个月以内 | 626,201 | 243,484 |
| 3 个月至 6 个月 | 23,697 | 19,831 |
| 6 个月至 1 年 | 109,486 | 31,406 |
| 1 年至 2 年 | 23,538 | 8,415 |
| 2 年至 3 年 | 22 | 72 |
| 782,944 | 303,208 |
集团一般要求本地化部署及相关服务的客户结算进度款，云端部署客户则根据用量计费及相关服务合同在发票日期后 0–60 天内预付或到期付款，订阅制合同及相关服务则按期结算。
8 预付款项及其他应收款项
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 押金 | 78,404 | 70,538 |
| 出售按公平值计量且其变动计入当期损益的权益证券投资的应收款项 | – | 7,098 |
| 其他应收款项 | 110,379 | 52,029 |
| 188,783 | 129,665 | |
| 减：亏损拨备 | (20,923) | (18,994) |
| 167,860 | 110,671 |
| 算力服务费及其他预付款项 | 1,243,736 | 116,295 |
| 可抵扣进项增值税 | 209,715 | 168,768 |
| 1,453,451 | 285,063 |
| 1,621,311 | 395,734 |
9 应付账款及其他应付款项
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 应付账款 | 241,589 | 297,139 |
| 应付算力服务费 | 1,427,415 | 727,348 |
| 应付市场推广服务费 | 51,004 | 42,812 |
| 应付职工薪酬 | 122,923 | 146,507 |
应付业务合并及资产收购代价（附注 6 及 11）229,809 –
| 其他应付款项及应计费用 | 26,869 | 54,437 |
| 按摊销成本计量的金融负债 | 2,099,609 | 1,268,243 |
| 应交税费 | 17,515 | 39,774 |
| 保修拨备 | 18,635 | 20,614 |
| 2,135,759 | 1,328,631 |
报告期末，基于发票日期的应付账款账龄分析如下：
6 月 30 日 12 月 31 日
| 2026 | 2025 |
| 3 个月以内 | 171,575 | 229,890 |
| 3 个月至 6 个月 | 15,254 | 46,448 |
| 6 个月至 1 年 | 50,208 | 19,506 |
| 1 年以上 | 4,552 | 1,295 |
| 241,589 | 297,139 |
10 股息
公司董事不建议就截至 2026 年 6 月 30 日止六个月派发中期股息（截至 2025 年 6 月 30 日止六个月：无）。
11 业务合并
2026 年 6 月 5 日，集团通过公司与北京无问芯芽智能科技有限公司（"XCore Sigma"）的股权持有人订立购买协议，收购 XCore Sigma 60% 股权，总现金代价为人民币 2.91916 亿元。根据购买协议，代价将分四期支付，其中人民币 1.41264 亿元已于 2026 年 6 月支付。XCore Sigma 主要从事 AI 基础设施研发。该收购已于 2026 年
6 月完成。
购入的 XCore Sigma 可辨认资产及负债的公平值载列如下：
收购日 人民币千元
可辨认资产及负债：
| 物业、厂房及设备 | 1,309 |
| 无形资产 | 22,510 |
| 递延税项资产 | 3,377 |
| 存货 | 3,934 |
| 应收账款及票据 | 1,373 |
| 预付款项及其他应收款项 | 209 |
| 银行结存及现金 | 66,567 |
| 应付账款及其他应付款项 | (6,558) |
| 合约负债 | (9,906) |
| 租赁负债 | (304) |
| 递延税项负债 | (3,377) |
| 购入可辨认净资产的公平值 | 79,134 |
| 减：非控制性权益 | (31,654) |
| 加：商誉 | 244,436 |
| 收购总代价 | 291,916 |
截至收购日，收购 XCore Sigma 的现金及现金等价物净流出分析：
人民币千元
| 总现金代价 | 291,916 | |
| 减：收购日购入的现金 | (66,567) | |
| 减：应付代价（附注 | 9 ) | (150,651) |
| 计入简明综合现金流量表的收购附属公司净现金流出 | 74,698 |
12 报告期后非调整事项
2026 年 7 月 13 日，公司完成配售并发行 19,780,000 股普通股，配售价为每股 1,588 港元。配售所得款项总额约 31,410,640,000 港元（相当于约人民币 27,230,826,000 元）。
其他资料
中期股息
董事会不建议就截至 2026 年 6 月 30 日止六个月派发中期股息（截至 2025 年 6 月 30 日止六个月：无）。
购入、出售或赎回本公司上市证券或出售库存股份
回购授权
根据股东于 2026 年 6 月 22 日通过的决议，公司董事会已获授一般授权（"回购授权"），可不时在公开市场回购股份。根据回购授权，公司获授权回购不超过上述于 2025 年股东周年大会上通过决议之日公司已发行 H 股总数 10% 的股份。
公司 H 股于 2026 年 1 月 8 日在联交所主板首次上市。自上市日期起至 2026 年 6 月 30 日止期间，公司或其任何附属公司均未购入、出售或赎回公司在联交所上市的任何证券（包括出售任何库存股份）。
截至 2026 年 6 月 30 日，就《上市规则》而言，公司不持有任何库存股份。
报告期后重大事项
根据一般授权配售新 H 股
2026 年 7 月 9 日（交易时段前），公司与中国国际金融香港证券有限公司（"独家配售代理"）订立配售协议（"2026 年 7 月配售"），据此，公司同意委任独家配售代理，独家配售代理已同意担任公司的代理，在尽最大努力的基础上，促使不少于六（6）名专业、机构或其他投资者（其为独立第三方，且其最终实益拥有人亦为独立第三方）按照于 2026 年 6 月 22 日公司股东周年大会上向董事授出的一般授权，认购最多 19,780,000 股新 H 股（"配售股份"），配售价为每股配售股份 1,588.00 港元。2026 年 7 月配售已于 2026 年 7 月 13 日完成。2026 年 7 月配售经扣除佣金及估计开支后的所得款项净额合计约 31,374.95 百万港元。详情请参阅公司日期为 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，自报告期末至本公告日期，并无其他影响公司的重大事项。
遵守企业管治守则
公司认识到实现高水平企业管治对提升企业业绩、透明度与问责性的价值和重要性，并进一步赢得股东与公众的信任。公司致力于维持健全的企业管治标准，并相信该等标准对其发展及保护股东利益至关重要。企业管治是董事会引导管理层处理公司事务以确保实现目标的过程。
自上市日期起至本公告日期，公司已严格遵守《企业管治守则》的全部适用条文。此外，公司将积极参照《企业管治守则》建议的最佳常规，包括建立健全的内部监控系统、提升信息披露的及时性与准确性、保障股东的信息权与参与权，并持续优化治理结构。
遵守标准守则
自上市以来，公司已采纳《标准守则》，作为规范可能知悉涉及集团或公司证券内幕信息的董事及雇员进行公司证券交易的行为守则。
经向全体董事作出特定查询后，全体董事均确认，自上市日期起至 2026 年 6 月 30 日止期间，他们一直遵守《标准守则》。
集团内可能知悉集团内幕信息的雇员须遵守《标准守则》。自上市日期起至 2026 年 6 月 30 日止期间，公司未发现相关雇员有任何违反《标准守则》的情况。
上市规则下的持续披露义务
除本公告所披露者外，公司没有《上市规则》第 13.20、13.21 及 13.22 条项下的其他披露义务。
公众持股量充足性
根据公开披露的资料并经董事作出一切合理查询后所深知，自上市日期起至本公告日期，公司已持续维持《上市规则》规定的公众持股量。
审核委员会
审核委员会由谢德仁博士、杨强博士及李涓子博士组成。谢德仁博士担任审核委员会主席。审核委员会已审阅集团截至 2026 年 6 月 30 日止六个月的中期业绩，以及集团按照《国际财务报告准则》会计准则编制的截至 2026 年 6 月 30 日止六个月的未经审核简明综合财务报表。董事会与审核委员会之间不存在分歧。
中期财务资料审阅
本中期业绩公告所载财务资料为截至 2026 年 6 月 30 日止六个月中期财务报告的摘录，该等资料未经审核，但已由毕马威（KPMG）根据香港会计师公会颁布的《香港审阅准则》第 2410 号"由实体独立审计师执行的中期财务资料审阅"进行审阅，其无保留审阅报告载入将寄发予股东的中期报告内。
中期业绩及中期报告刊发
本业绩公告已刊登于联交所网站（www.hkexnews.hk）及公司网站（www.zhipuai.cn）。公司截至 2026 年 6 月 30 日止六个月的中期报告将于适当时候刊发于上述联交所及公司网站，并按公司 H 股股东所选定的公司通讯接收方式寄发。
定义及专业术语释义
在本公告中，除非文义另有所指，下列词语具有以下含义：
定义
"审核委员会" 董事会审核委员会
"董事会" 公司董事会
"企业管治守则" 《上市规则》附录 C1 所载的《企业管治守则》
"中国"或"中国" 中华人民共和国，仅就本公告而言，不包括香港、澳门特别行政区及台湾
"公司" 智谱（Z.AI Co., Ltd.），于 2019 年 6 月 11 日根据中国法律注册成立的有限责任公司，于 2025 年 3 月 26 日整体变更为股份有限公司，其 H 股在联交所上市（股份代号：2513）
"董事" 公司董事
"全球发售" 招股章程所定义的香港公开发售及国际发售
"集团"或"我们" 公司及其附属公司
"H 股" 公司每股面值人民币 0.10 元的境外上市股份，以港元交易并在联交所上市及买卖
"港元" 香港法定货币
"香港" 中华人民共和国香港特别行政区
"《国际财务报告准则》会计准则" 国际会计准则委员会颁布的《国际财务报告准则》会计准则
"独立第三方" 独立于公司及其关连人士且与其不关联的第三方
"上市" H 股于 2026 年 1 月 8 日在联交所主板上市
"上市日期" 2026 年 1 月 8 日，即 H 股在联交所主板上市之日
"上市规则" 香港联合交易所有限公司《证券上市规则》
"标准守则" 《上市规则》附录 C3 所载的《上市发行人董事进行证券交易的标准守则》
"招股章程" 公司就全球发售及上市于 2025 年 12 月 30 日刊发的招股章程
"人民币"或"人民币" 中国法定货币
"报告期" 截至 2026 年 6 月 30 日止六个月
"股份" 公司股本中每股面值人民币 0.10 元的普通股，包括非上市股份及 H 股
"股东" 股份持有人
"联交所"或"香港联合交易所" 香港联合交易所有限公司
"附属公司" 《上市规则》所赋予的含义
"库存股份" 《上市规则》所赋予的含义
"非上市股份" 公司发行的每股面值人民币 0.10 元、未在任何证券交易所上市的普通股
"美元"或"美元" 美利坚合众国法定货币
"%" 百分比
专业术语释义
术语 定义
"Agent（智能体）" 指能够自主执行多步任务链的 AI 模型，可自行调用工具、处理中途故障，无需人工逐步指示即可完成多步任务
"Agentic Engineering（智能体工程）" 指模型从简单代码生成进阶到完整工程项目交付的能力阶段，模型需要持续理解目标、调用工具、处理异常并根据环境反馈调整策略，以实现端到端的工程交付
"AGI 商业价值公式" 指集团对 AGI 商业价值的量化框架。公式为：AGI 商业价值 ⟹（任务价值密度 ÷ Token 消耗规模），其中智能上限决定任务边界，任务边界决定 Token 所处的价值密度
"All-in-Infra 战略" 指集团自 2026 年年初起全面实施的基础设施战略，训练与推理同时投入，并将国产芯片纳入主要推理算力，以掌握自身成本曲线的主动权
"算力乘数" 指每投入人民币 1 元算力（含训练与推理）对应的开放平台及 API 收入，用于衡量模型的自我造血能力与算力投资的回报效率
"Co-work" 指模型能力阶梯中的第四级，模型交付可由专业人士审阅的工作成果，模型进入真实工作流并按完成的任务计价；其门槛是可靠性达到专业人士愿意审阅而非重做的水平
"Chat" 指模型能力阶梯中的第一级，模型交付单轮回答，任务在一轮内完成，价值密度最低但覆盖面最广
"Coding" 指模型能力阶梯中的第二级，模型交付一段可运行的代码，首次出现客观验收标准（能否成功执行）；从 Chat 迈向 Coding 的门槛是结果可验证
"CyberGym" 指用于评测 AI 模型在网络安全领域能力的基准测试平台
"ExploitGym" 指用于评测 AI 模型漏洞利用能力的基准测试平台
"Scaling deep" 指深入后训练、强化学习、长程轨迹与任务反馈的 scaling 路径，与 Scaling up（扩大模型规模、上下文与算力）相对
"Scaling up" 指通过扩大模型规模、上下文长度、算力与系统能力来提升模型能力的路径
"GLM-5.3-Flash（Ox-Alpha）" 指集团的下一代轻量旗舰模型，测试代号 Ox-Alpha，采用全新架构，总参数 320B、激活参数 18B、45 层，采用稀疏注意力与线性注意力混合架构，以极低成本实现高性能推理，其设计目标是成本前沿
"GLM-5.3" 指集团的旗舰大模型，与 GLM-5.2 架构相同、总参数与激活参数相同，唯一变量是后训练规模；其端到端完成率较 GLM-5.2 提升超过 50%，代表当前模型能力的上限
"Mid-training（中训练）" 指集团在预训练与后训练之间单独分配算力的训练阶段，用于提升知识密度、延长有效上下文长度，并为工具调用与长程任务建立基础模式
"Critic-based SAO" 指集团自研的基于 Critic 的单轨迹优势优化，由 GRPO 探索演化而来，解决长轨迹上奖励分配、反馈利用与持续学习的难题
"OPD" 指集团在算法维度上从监督微调（SFT）延伸出的训练方法，全称 Offline Policy Distillation（离线策略蒸馏）
"Index Share" 指集团自研技术，用于降低长上下文稀疏注意力的开销
"MTP" 指 Multi-Token Prediction（多 Token 预测）技术，用于优化推理解码效率
"LayerSplit" 指集团自研技术，用于优化 KV Cache 管理与集群网络效率
"ZCube" 指集团自研技术，与 LayerSplit 协同优化 KV Cache 管理与集群网络效率
"mHC（流形约束超连接）" 指 GLM-5.3-Flash 采用的架构创新，全称 manifold-constrained Hyperconnection，用于增强模型的 scaling 能力
"Encode-Prefill-Decode 分离架构" 指集团在生产级集群层面采用的推理架构，将多模态编码、提示词预填充与逐 Token 解码拆分为可独立调度、独立扩缩的 worker 池，以优化国产芯片上的推理性能
"Loop Transformer" 指在不显著增加参数量的前提下，通过层循环复用增加有效计算深度的模型架构，把算力从"记忆"转向"思考"，适合需要长程推理的高复杂度任务
"Model-vs-Model 自博弈管线" 指集团自研的合成数据生成机制：一个模型生成解法与内容，另一个模型审查、测试并执行验证；只有通过对抗性审查的数据才进入训练流程，并经四层过滤（规则校验、执行验证、模型审查与人工抽检）后用于预训练、中训练与后训练
"Fully Self Training" 指集团的技术愿景：下一代 GLM 模型将在上一代 GLM 模型构建的环境中训练，形成递归自我改进的闭环，涵盖三个维度：自产数据、自建环境与自优化基础设施
"递归自我改进" 指模型参与自身改进所形成的递归闭环，包括用模型生成环境以训练下一代模型，以及优化服务模型自身的推理引擎
"安全披露台账（CVD）" 指集团的公开安全披露机制，记录漏洞从发现、确认到修复的全过程，仅披露厂商已完成披露并修复的漏洞；对仍处于协同披露阶段的漏洞，公布哈希值供后续验证
"OpenVuln" 指集团"开源之盾"计划下的公开安全审计成果平台，用于向开源社区公开重点开源项目持续安全审计的结果
"ZCode" 指集团的编程 Agent 产品，其中 Harness 承担上下文管理、工具调用、任务调度、缓存与结果验证，提升模型在真实工程环境中的表现，并提供代码审计功能
"GLM Coding Plan" 指集团于 2026 年 8 月面向全体用户开放的编程 Agent 订阅服务，覆盖 Lite、Pro、Max 与 Team 四档，是国内最早以订阅方式提供编程 Agent 能力的大模型服务之一
"能力阶梯" 指集团描述模型能力演进路径的框架，依次为：Chat → Coding → Agent → Co-work → Autonomous AI；每向上一级都有具体的技术门槛，只有跨过这些门槛才能解锁下一级的商业模式
"Autonomous AI" 指能力阶梯中的第五级，模型交付持续运行的能力，在无人值守条件下承担长期目标；其门槛是模型能够自主判断任务完成的质量
"智能指数" 指 Artificial Analysis 编制的模型智能综合评分，用于衡量模型的整体能力水平
"帕累托前沿" 指在成本与智能两个维度上同时最优的模型集合，即在给定成本下智能最高、或在给定智能水平下成本最低的模型构成的前沿
"任务价值密度" 指每消耗一单位智能（即每一单位 Token）对应的经济产出；同样规模的 Token 用于不同任务（如闲聊与修复生产环境漏洞）所产生的价值差距可达数个数量级
为便于参考，本公告所列中国法律法规、政府机关、机构、自然人或其他实体的名称均以中英文并列。如有歧义，概以中文版本为准。
本公告载有若干前瞻性陈述。该等前瞻性陈述基于集团目前可得的资料或董事会当前的信念、预期及假设作出。该等前瞻性陈述受制于本公司无法控制的风险、不确定因素及其他因素，可能导致实际结果或表现与本公告所表达或暗示者出现重大差异。鉴于该等风险及不确定因素，本公告所载前瞻性陈述不应视为董事会或本公司对计划及目标将会实现的陈述，公司股东及投资者不应过分依赖该等陈述。
除另有指明外，本公告所载涉及第三方机构、公开榜单、基准测试平台或行业研究的所有图表、排名及数据均引用自公开来源，仅供参考及说明之用。本公司并未参与该等数据、排名或基准结果的编制、计算或核实，亦不对其方法论、样本范围、准确性、完整性或及时性作出任何陈述、保证或承担任何责任。
承董事会命
智谱（Z.AI Co., Ltd.）
执行董事兼董事会主席
刘德兵 博士
香港，2026 年 8 月 31 日
截至本公告日期，董事会包括：(i) 执行董事刘德兵博士、张鹏博士及张小珩女士；(ii) 非执行董事李涓子博士、李家庆先生及王蒙先生；及 (iii) 独立非执行董事杨强博士、谢德仁博士及许文明先生。