听完智谱中期业绩会，唐杰老师和刘德兵老师提出的五个判断：模型如何变强，能力如何训练，如何转化为商业价值，模型公司的壁垒是什么，以及AI能否进入自我进化阶段。链路非常清晰，总结如下：

第一，大模型下一步的Scaling。

GLM-5.3与GLM-5.2采用相同的基础模型、架构和参数规模，却通过扩大后训练和任务环境，让端到端任务完成率提升了50%以上。
下一轮“Scale什么”：训练深度、推理深度和真实任务环境，或成为比单纯扩大参数更重要的增量。

第二，Coding是AI能力进化的训练场。
复杂的Coding Agent需要理解需求、拆解任务、调用工具、修改代码、测试和纠错，覆盖了Agent的核心能力；而代码结果相对容易验证，模型可以根据执行结果不断修正。
因此，Coding不仅是商业化产品，也可能成为训练Agent能力、进一步通往Cowork的重要任务环境。

第三，AI的商业价值来自任务边界的扩大。
刘德兵提出：AGI商业价值 = 智能前沿 × Token消耗规模。
模型变强只是基础，真正重要的是能否完成过去无法完成的任务。从聊天到Coding，再到Agent和Cowork，每次任务边界扩大，都可能打开新的价值空间。
因此，未来客户购买的或许不只是Token，而是Token最终交付的结果。
第四，模型公司的不存在单项能力的长期护城河。
Benchmark第一很容易被追赶，真正重要的是持续迭代能力：更快的模型升级、更高的真实任务完成率、更低的单位智能成本，以及更深地进入客户工作流。
模型竞争最终可能从“谁的API更便宜”，转向“谁真正嵌入了客户的工作”。只有持续提升能力、降低成本并融入工作流程，模型公司才可能形成长期壁垒。

第五，模型已经开始参与自身进化。
唐杰提到，智谱正在探索Fully Self-Training：由模型生成数据、构建任务环境、完成任务并验证结果，再进入下一轮训练；同时，模型还可能帮助优化运行自身的基础设施。
一旦这一循环建立起来，竞争就不只是训练更大的模型，而是构建能够持续自我改进的系统。

把五个判断连起来，智谱押注的路线就很清晰：
通过新的Scaling方式让模型变强，用Coding等复杂任务训练Agent能力；能力边界扩大后转化为商业价值；长期壁垒则来自持续迭代和深入工作流。最终，模型会走向能够自主完成工作、不断提升自己的AI系统。