GPT4：模型能力提升推动应用升级

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。1计算机华泰研究GPT-4：多模态确认，在专业和学术上表现亮眼北京时间3月15日GPT-4正式发布，支持图片、文字等多模态输入，以及文本输出。根据相关技术文档，1）模型架构（包括模型大小）、硬件、训练计算、数据集构造、训练方法等细节未公布；2）GPT-4于2022年8月完搭建了开源OpenAIEvals模型评估框架，支持现有准则和自定义准则。4）GPT-4API已开放等待列表（waitlist价格提升明显。实验结果表明，GPT-4在各种专业和学术基准上表现出了人类的水平。技术拆解：构建深度学习堆栈，新增奖励训练模型GPT-4项目重点之一是构建大范围可预测的深度学习堆栈。堆栈（stack）能够通过评估小计算量模型的性能，准确预测大计算量模型的性能，减少训练成本。训练方法上，预训练之后，GPT-4采用了与InstructGPT同样的方法进行基于人类反馈的强化学习，并添加了基于规则的奖励模型来进一步引导模型产生人类预期的结果。多模态输入上，支持图片和文本的多模态输入，但是，OpenAI未在技术文档中给出图片模态的相关技术细节。安全性讨论：引入专家提高模型安全性和一致性OpenAI在技术文档中耗费大量篇幅讨论模型安全性问题。从目前结果看，GPT-4仍然存在“幻觉”和推理错误，并在模型校准上表现不佳。为了进一步提高模型安全性，OpenAI聘请了来自AI对齐风险、网络安全、生物风险和国际安全等领域的50多名专家对模型进行对抗性测试，涉及幻觉、有害对模型安全性的关注，或是为未来大规模商业化应用做铺垫。模型能力提升，应用或进一步升级GPT4相比GPT3.5在多模态、推理能力、支持文本长度方面有了较明显的提升，有望推动应用进一步升级。对多模态的支持有望加速PDF、图像等领域的生产力应用升级，或将推动生产力应用效率的进一步提升。相关公司包括：万兴科技、福昕软件、金山办公。更强的推理能力与语言理解能力有助于进一步优化服务型应用的使用效果，包含垂类信息的搜索引擎、客服等产品的功能有望进一步升级。相关公司包括：三六零、同花顺。风险提示：宏观经济波动，技术进步不及预期。本报告内容均基于客观信息整理，不构成投资建议。计算机增持(维持)研究员SACNo.S0570519080006SFCNo.BQZ938联系人SACNo.S0570121070173联系人SACNo.S0570122080053xiechunsheng@+(86)2129872036penggang@+(86)2128972228yuanzeshi@+(86)2128972228行业走势图计算机沪深300(%)(3)(14)(25)Mar-22Jul-22Nov-22Mar-23资料来源：Wind，华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。2GPT-4：多模态确认，在专业和学术上表现亮眼 3GPT-4：支持多模态输入，安全问题或成为LLM关注焦点 3能力测试：在专业和学术基准上表现出了人类的水平 4技术拆解：构建深度学习堆栈，新增奖励训练模型 8项目重点：构建大范围可预测的深度学习堆栈 8训练方法：在InstructGPT方法基础上增加新的奖励模型 9多模态：支持图片输入，未提供具体算法 10安全性讨论：引入专家提高模型安全性和一致性 12局限性：仍存在推理错误与校准下降等问题 12风险与改进：聘请专家进行对抗性测试 13模型能力进一步提升，应用有望进一步升级 15风险提示 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。3GPT-4支持多模态输入，安全问题或成关注焦点。北京时间3月15日凌晨，OpenAI召开发布会，正式宣布GPT模型家族中最新的大型语言模型（LLM）—GPT-4。GPT-4可以接受图像和文本输入并产生文本输出。同时，OpenAI发布了GPT-4相关技术文档。从技术文档结构看，OpenAI并未对GPT-4模型本身做过多介绍，而是将大量篇幅留给模型安全性相关讨论。我们认为，在LLM走向大规模应用的过程中，随着模型规模和能力的提升，将暴露出更多安全方面的问题，或将成为未来LLM的重要关注点。23-38各类考试题的来源和设置，RLHF对模型的影资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究年8月完成训练，此后，OpenAI一直在评估、对抗性测试并迭代和改进模型，并提出各种系统级安全缓解措施。此外，OpenAI在GPT-4文档中明确提出，考虑到竞争格局和大型模型（如GPT-4）的安全影响，本文档没有包含有关架构（包括模型大小）、硬件、训练计算、数据集构造、训练方法或类似内容的进一步细节。文档明确提供的内容包括：1）GPT-4是一个基于transformer的预训练模型，用于预测文字的下一个token；2）使用公开可用数据（如互联网数据）和第三方提供商授权的数据；3）使用来自人类反馈的强化学习（RLHF）对模型进行微调。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。4资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究OpenAI搭建了开源OpenAIEvals模型评估框架。OpenAIEvals模型评估框架（/openai/evals）用于创建和运行各类评估准则（benchmarks支持用户自定义评估逻辑。目前，OpenAIEvals与现有的基准测试兼容，并可用于跟踪部署中的模型性能。未来，OpenAI计划逐步增加测试基准的多样性，以代表更广泛的故障模式和更难的任务集。GPT-4API已开放等待列表（waitlistAPI价格提升明显。当获得访问权限后，即可以对GPT-4模型进行纯文本请求（图像输入仍然处于有限的测试阶段OpenAI将自动将模型更新为推荐的稳定模型。此外，GPT-4提供两个版本，GPT-4-8k和GPT-4-32k，前者支持的上下文长度为8192个token，后者支持32768-context（约50页文本，提供有限访问）。GPT-4-8k定价为每1k提示token0.03美元，每1k完成token0.06美元。默认速率限制为每分钟40k个token，每分钟200个请求；GPT-4-32k定价为每1k提示token0.06美元，每1k完成token0.12美元。（API价格网址/pricing）GPTGPT-4API价格GPTGPT-3.5API价格资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究GPT-4在各种专业和学术基准上表现出了人类的水平。OpenAI在一系列不同的基准上测试了GPT-4，包括最初为人类设计的模拟考试。考试题目包括多项选择题和自由问答题。OpenAI为每种考试形式设计了单独的提示（prompt并且在需要的场合增加了图像输入。GPT-4并未专门针对这些考试科目进行训练，但仍取得了优秀的成绩，例如以大约前10%的成绩通过模拟律师资格考试，而GPT-3.5在该考试中成绩为后10%。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。5资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究GPT-4在考试中展现的能力未受到RLHF的显著影响。基于人类反馈的强化学习（RLHF）是InstructGPT中引入的方法，通过奖励的形式让模型输出向人类希望的方向发展。为了测试RLHF对模型能力的影响，OpenAI在GPT-4基础模型和RLHF后的GPT-4模型上运行了考试基准测试中的多项选择题部分。在所有考试中，基础模型的平均分为73.7%，而RLHF模型的平均分为74.0%，这表明经过RLHF后并没有显著改变基础模型的能力。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。6GPT-4在评估语言模型的传统基准上同样效果卓越。在评估GPT-4在语言模型的测试基准时，对所有模型使用了few-shot。测试基准涵盖问题多选、常识推理、代码、阅读理解、数学问题等。结果表明，GPT-4大大优于GPT-3.5，以及以前最先进的（SOTA）模型，甚至超过了某些在特定测试标准上训练过的模型。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究GPT-4在大多数语言上的结果都优于GPT3.5和现有语言模型。现有的多数机器学习测试基准都是基于英语编写的。为了测试GPT-4在其他语言中的表现，OpenAI使用AzureTranslate将MMLU基准测试（涵盖57个主题的多项选择问题）翻译成各种语言。结果表明，GPT-4在大多数语言上的结果都优于GPT3.5和现有语言模型的英语语言性能，包括全球使用人数较低的语言，如拉脱维亚语、威尔士语和斯瓦希里语。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。7资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究GPT-4在跟踪用户意图的能力方面提高显著。据OpenAI数据，OpenAI收集了通过ChatGPT和OpenAIAPI提交的用户提示，过滤掉不允许、敏感内容或过于简单的提示，并将这些提示和响应发送给人工标注员。根据指示，标注人员在不知道答案来源于哪种模型的情况下，判断给出的提示是否符合用户的要求。在5214个提示数据集中，GPT-4生成的响应在70.2%的提示上优于GPT-3.5生成的响应。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。8GPT-4项目的一大重点是构建大范围可预测的深度学习堆栈。简而言之，该堆栈（stack，论文中也叫基础设施和优化方法）能够通过评估小计算量模型的性能，准确预测大计算量模型的性能，减少训练成本。以GPT-4为例，虽然官方未给出具体的模型参数，但是指出对于GPT-4这样的大型训练，进行广泛的特定于模型的调优是不可行的。而大范围可预测的深度学习堆栈，能够通过计算比GPT-4计算量少1000x-10000x（x代表倍）的模型性能，预测出“完全体”GPT-4的性能，实现在训练之前了解模型的功能，并及时改善关于对齐、安全性和部署的决策。该方法的理论依据是：经过适当训练的大型语言模型的最终损失，很好地近似于用于训练模型的计算量的幂律。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究除了预测最终损失，还可以使用其他可解释的能力指标进行预测。其中一个指标是HumanEval数据集的通过率。HumanEval数据集衡量的是合成不同复杂度的Python函数的能力。通过计算比GPT-4计算量少1000x模型在HumanEval数据集子集的通过率，成功预测了GPT-4在HumanEval数据集子集的通过率。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。9预训练之后，GPT-4采用了与InstructGPT同样的方法进行RLHF。OpenAI首先从人类标注员处收集演示数据（给定一个输入，演示模型应该如何响应并对模型的输出数据进行排名（给定一个输入和几个输出，将输出从最好到最差进行排序）。然后执行以下步骤：1）利用收集到的人工标注演示数据，使用监督学习（SFT）来模拟演示中的行为以微调GPT-4；2）使用收集到的排名数据来训练奖励模型（RM该模型预测标注员对给定输出的平均偏好；3）使用奖励模型和强化学习（特别是PPO算法优化GPT-4SFT模型。收集描述性数据，并训练一个有监督模型从prompt数据库中取样，并得到数个模型的回答由人类训练师对回答进行排序收集的数据用来训练我们的奖励模型并训练一个奖励用PPO强化学习算法通过奖励模型优化策略从prompt数据库中取样由人类训练师撰写期望的输出值收集的数据用来以监督学习的方式微调GPT-3模型向一个6岁智力的模型解释强化学习B回答B回答B：“..”D回答D：“..”回答A：“..”C回答C：“..”从prompt数据库中另外取样Q示例：“写一段关于..的故事”策略给出回答奖励模型对回答打分用奖励通过PPO算法优化策略PPO示例：“很久以前……”RMrk对行为给出奖励与对行为给出奖励与惩罚……DD＞C＞A＞BD＞C＞A＞B资料来源：《Traininglanguagemodelstofollowinstructionswithhumanfeedback》、华泰研究基于规则的奖励模型以更细的粒度进一步引导模型。RLHF微调后的模型仍然会不时出现人类不想看到的行为。因此，OpenAI在RLHF基础上增加基于规则的奖励模型（RBRMs）。RBRM是一组zero-shot的GPT-4分类器（classifier）。分类器在RLHF微调期间针对正确行为（例如拒绝生成有害内容或不拒绝无害请求向GPT-4策略模型提供额外的奖励信号。RBRM有三个输入：提示（可选）、策略模型的输出和人类编写的用于如何评估输出的规则。在安全相关的训练提示集上，奖励GPT-4拒绝有害内容请求，例如非法建议；同样奖励GPT-4没有拒绝对安全和可回答问题的请求。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。10GPT-4能够实现图片和文本的多模态输入。GPT-4接受由图像和文本组成的提示（prompt，与纯文本设置类似允许用户指定任何视觉或语言任务，同时输出文本信息。此外，语言模型中的few-shot提示和思维链等，在GPT-4中同样有效。但是，OpenAI未在技术文档中给出如何实现图片的输入，以及如何对图片进一步处理以注入到模型中。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。11资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。12GPT-4仍存在“幻觉”和推理错误。幻觉指的是产生与某些来源有关的无意义或不真实的内容。但是，与GPT-3.5模型相比，GPT-4显著减少了幻觉，并在内部的对抗性事实性评估中，在所有项的准确率均分比最新的GPT-3.5高出19pct。与ChatGPT类似，GPT-4写的训练数据均是2021年9月之前的，因此缺乏对该日期之后的知识的掌握，会犯一些简单的推理错误，接受用户的明显错误陈述，或在在生成的代码中存在安全漏洞。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究RLHF显著提高了GPT-4在TruthfulQA公共基准测试上的表现，但程度仍欠佳。TruthfulQA基准测试了模型从对抗选择的一组不正确的语句中分离事实的能力。GPT-4基本模型在TruthfulQA基准上的表现略好于GPT-3.5。经过RLHF训练后，GPT-4相比于同样经过RHLF的GPT-3.5-turbo在准确率上领先超10pct。但是，即使经过RLHF训练，GPT-4在TruthfulQA上的准确率也只有60%，未达到更高水平。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。13训练后的GPT-4模型在模型校准上出现性能下降。预训练的模型是高度校准的，模型对答案的预测置信度通常与正确的概率相匹配。然而，在后训练（post-training）过程中，校准情况发生显著下降。OpenAI未给出具体原因。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究OpenAI投入了大量的精力来提高GPT-4的安全性和一致性。GPT-4与较小的语言模型存在类似的风险，包括生成有害的建议、有bug的代码或不准确的信息。然而，GPT-4更强大的功能可能会带来新的风险面。为了了解这些风险的程度，OpenAI聘请了来自AI对齐风险、网络安全、生物风险和国际安全等领域的50多名专家对模型进行对抗性测试。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究OpenAI从11个方面对GPT-4风险进行了一系列定性和定量评估。包括幻觉、有害内容、虚假信息、武器扩散、隐私、网络安全等。通过评估，能够进一步了解GPT-4的能力、限制和风险，并帮助提供解决方案、迭代测试和构建模型的更安全版本等。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。14风险名称（英文）风险名称（中文）风险描述Hallucinations幻觉产生与某些来源有关的无意义或不真实的内容Harmfulcontent有害内容违反策略的内容，或可能对个人或社会造成伤害的内容Harmsofrepresentation,allocation,andqualityofservice表示、分配和服务质量的危害性加强和重现特定的偏见和世界观，包括对某些边缘群体的有害刻板印象和贬损联想Disinformationandinfluenceoperations虚假信息和影响操作生成逼真而有针对性的内容，包括新闻文章、推文、对话和电子邮件；生成旨在误导的内容的风险Proliferationofconventionalandunconventionalweapons常规和非常规武器的扩散某些LLM能力可能具有军民两用的潜力，这意味着该模型可用于“商业和军事或扩散应用”Privacy隐私GPT-4从各种许可的、创建的和公开可用的数据源中学习，其中可能包括公开可用的个人信息Cybersecurity网络安全没有改进现有的侦察、漏洞利用和网络导航工具，并且在复杂和高级活动（如新型漏洞识别）方面不如现有工具有效Potentialforriskyemergentbehaviors潜在的危险紧急行为创造和执行长期计划的能力，积累权力和资源（“权力寻求”）的能力，以及表现出越来越“主观”的行为等Economicimpacts经济影响GPT-4或后续模型可能会导致某些工作的自动化。这可能导致劳动力流失Acceleration加速影响AI过快发展导致安全标准的下降、不良规范的扩散，加剧了与人工智能相关的社会风险Overreliance过度依赖当用户过度信任和依赖模型时，就会出现过度依赖，这可能会导致未被注意到的错误和不充分的监督资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究OpenAI还在模型层面对GPT-4进行改进。例如，在预训练阶段，过滤了GPT-4数据集组合，减少不适当的文本内容数量；通过内部训练的分类器和基于词典的方法来识别被标记为极有可能包含不适当内容的文件，并将其从预训练集中移除。此外，上述基于规则的奖励模型（RBRMs）引导了模型朝人类想要的方向改进。与GPT-3.5相比，在敏感性问题和不被允许的问题上，GPT-4不正确的提示率大大下降。资料来源：《GPT-4TechnicalReport》，OpenAI（2023）、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。15支持多模态，应用范围进一步拓宽。GPT-4与仅能处理自然语言任务的GPT-3.5相比，它能够同时处理图像及文本输入，并生成文本输出。GPT-4可以完成一些传统的视觉语言任务，如图像描述、生成字幕、图像分类等。此外，GPT-4还具有较强的逻辑分析能力，可以对图像中的内容进行合理的推测，并给出用户需要的答案。基于这种能力，GPT-4可以完成一系列更为丰富和复杂的任务，比如根据数据图表回答定量问题、分析图像中主体的异常情况、依据上传的PDF长文档总结摘要等，进一步扩展了语言模型的应用场景。我们认为多模态的实现有望加速PDF、图像等领域的生产力应用升级，或将推动生产力应用效率的进一步提升。资料来源：公司官网、华泰研究具备更强推理能力。GPT-4在处理复杂的文本任务时表现出了比GPT-3.5更强的优势。OpenAI团队分别对GPT-4和GPT-3.5在多个人类考试上进行了测试。OpenAI团队并没有针对这些考试专门训练GPT-4，并且在测试过程中，如果发现某个考试中有和训练数据重复的问题，研究人员会剔除重复问题并生成新的考试变体，再次对模型进行测试，并取两次考试中的最低分作为最终成绩。结果显示，在大多数考试中，尤其是与数学和推理相关的考试中，GPT-4相比于GPT-3.5有了显著提升，在学术和专业测试中甚至能够达到与人类相当的水平。考试UniformBarExam考试简介是一种统一的律师资格考试，包括三个部分：GPT-4GPT-3.5分数298/400Percentile~90th213分数/400Percentile~10thLSAT多州随笔考试(MEE)、多州实务考试(MPT)和多州法律考试(MBE)。法学院入学考试，包含阅读理解、分析性推理、逻辑推理和写作4部分。~88th~40thSATMath美国高考的数学部分，主要涉及三个领域：代数的核心、问题解决和数据分析、高级数学。700/800~89th590/800~70thGRE-Quantitative美国研究生考试的数学部分，主要涉及四个领域：算术、代数、几何和数据分析。/170~80th/170~25thGRE-Verbal美国研究生考试的语文部分，主要包括阅读理解、文字补全、句子等价三种题型。/170~99th/170~63rdUSABOSemifinalExam2020是美国生物奥林匹克竞赛的半决赛考试，包含多项选择题和自由回答题，主要考察生物学的理论知识和实验技能。87/15099th-100th43/15031st-33rd注：Percentile代表GPT-4得分超过的参与考试人数占总人数的百分比资料来源：《GPT-4TechnicalReport》，OpenAI、华泰研究免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。16资料来源：考试官网、华泰研究支持更长文本交互，语言理解生成能力进一步提升。GPT系列模型属于自回归语言模型，它的任务是根据前面的单词预测下一个单词。为了生成每个单词，模型需要利用前面所有的单词作为信息。据OpenAI官网，GPT-3.5的输入及输出总长度限制为4097个token。GPT-4支持最多32768个token的上下文对话，一方面可以让模型捕捉到更多的信息，从而提高语言理解和生成的质量和连贯性。另一方面更长的输入及输出能够支持更加复杂问题的解决，如利用GPT-4辅助报税，并得到详细的推理过程，进行跨文本处理任务，帮助用户总结两篇长文章之间的共同点与差异等。我们认为更强的推理能力与语言理解能力有助于进一步优化服务型应用的使用效果，包含垂类信息的搜索引擎、客服等产品的功能有望进一步升级。输入及输出最大token数对应词数GPT-432,76822,938GPT-3.54,0972,868GPT-32,0491,434Codex8,0015,601注：对应词数按1token=0.7词换算资料来源：OpenAI，华泰研究公司代码公司简称MSFTUS微软GOOGLUS谷歌688095CH福昕软件300624CH万兴科技688111CH金山办公300033CH同花顺601360CH三六零未上市OpenAI资料来源：Bloomberg、华泰研究宏观经济波动。若宏观经济波动，产业变革及新技术的落地节奏或将受到影响，宏观经济波动还可能对AI投入产生负面影响，从而导致整体行业增长不及预期。技术进步不及预期。若AI技术和大模型技术进步不及预期，或将对相关的行业落地情况产生不利影响。本报告内容均基于客观信息整理，不构成投资建议。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。17分析师声明本人，谢春生，兹证明本报告所表达的观点准确地反映了分析师对标的证券或发行人的个人意见；彼以往、现在或未来并无就其研究报告所提供的具体建议或所表迖的意见直接或间接收取任何报酬。一般声明及披露本报告由华泰证券股份有限公司（已具备中国证监会批准的证券投资咨询业务资格，以下简称“本公司”）制作。本报告所载资料是仅供接收人的严格保密资料。本报告仅供本公司及其客户和其关联机构使用。本公司不因接收人收到本报告而视其为客户。本报告基于本公司认为可靠的、已公开的信息编制，但本公司及其关联机构(以下统称为“华泰”)对该等信息的准确性及完整性不作任何保证。本报告所载的意见、评估及预测仅反映报告发布当日的观点和判断。在不同时期，华泰可能会发出与本报告所载意见、评估及预测不一致的研究报告。同时，本报告所指的证券或投资标的的价格、价值及投资收入可能会波动。以往表现并不能指引未来，未来回报并不能得到保证，并存在损失本金的可能。华泰不保证本报告所含信息保持在最新状态。华泰对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。本公司不是FINRA的注册会员，其研究分析师亦没有注册为FINRA的研究分析师/不具有FINRA分析师的注册资华泰力求报告内容客观、公正，但本报告所载的观点、结论和建议仅供参考，不构成购买或出售所述证券的要约或招揽。该等观点、建议并未考虑到个别投资者的具体投资目的、财务状况以及特定需求，在任何时候均不构成对客户私人投资建议。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果，华泰及作者均不承担任何法律责任。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。除非另行说明，本报告中所引用的关于业绩的数据代表过往表现，过往的业绩表现不应作为日后回报的预示。华泰不承诺也不保证任何预示的回报会得以实现，分析中所做的预测可能是基于相应的假设，任何假设的变化可能会显著影响所预测的回报。华泰及作者在自身所知情的范围内，与本报告所指的证券或投资标的不存在法律禁止的利害关系。在法律许可的情况下，华泰可能会持有报告中提到的公司所发行的证券头寸并进行交易，为该公司提供投资银行、财务顾问或者金融产品等相关服务或向该公司招揽业务。华泰的销售人员、交易人员或其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。华泰没有将此意见及建议向报告所有接收者进行更新的义务。华泰的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。投资者应当考虑到华泰及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。有关该方面的具体披露请参照本报告尾部。本报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布的机构或人员，也并非意图发送、发布给因可得到、使用本报告的行为而使华泰违反或受制于当地法律或监管规则的机构或人员。本报告版权仅为本公司所有。未经本公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人(无论整份或部分)等任何形式侵犯本公司版权。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并需在使用前获取独立的法律意见，以确定该引用、刊发符合当地适用法规的要求，同时注明出处为“华泰证券研究所”，且不得对本报告进行任何有悖原意的引用、删节和修改。本公司保留追究相关责任的权利。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。中国香港本报告由华泰证券股份有限公司制作,在香港由华泰金融控股（香港）有限公司向符合《证券及期货条例》及其附属法律规定的机构投资者和专业投资者的客户进行分发。华泰金融控股（香港）有限公司受香港证券及期货事务监察委员会监管，是华泰国际金融控股有限公司的全资子公司，后者为华泰证券股份有限公司的全资子公司。在香港获得本报告的人员若有任何有关本报告的问题,请与华泰金融控股（香港）有限公司联系。免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。18香港-重要监管披露•华泰金融控股（香港）有