背景
通用跑分榜单（MMLU、HumanEval、GSM8K）已经测烂了，但具体到"金融垂类"——尤其 A 股基本面分析这种需要行业知识 + 中文会计准则的场景——国产大模型的横评数据非常少。
这篇文章我用一套标准化 benchmark 测 DeepSeek V4 和 通义千问 Qwen-Plus 在 A 股分析上的差异，结论后面说。
📌 本文为个人 5 支股票小样本的测评笔记，结果受样本、时间窗口、Prompt 版本影响明显，不具备统计意义；所有数据仅用于技术对比研究，不构成任何产品推荐或投资建议。
Benchmark 设计
测试集：5 支不同风格的 A 股
| 风格 | 标的 | 核心考察点 |
|---|---|---|
| 白酒龙头 | 贵州茅台 600519 | 行业专业语言 |
| 动力电池 | 宁德时代 300750 | 海外业务理解 |
| 新能源车 | 比亚迪 002594 | 消息面敏感度 |
| 半导体 | 中芯国际 688981 | 科创板会计准则 |
| 光伏 | 隆基绿能 601012 | 周期股情景分析 |
统一的输入模板
每个模型都接收完全一致的结构化输入：
ROLE = A 股资深买方研究员
INPUT = {
最新财务数据, # 近 3 年 + Q1
最近 30 天新闻摘要,
行业同业对比,
}
TASK = 输出 9 小节研报
1. 公司概况
2. 财务走势
3. 财报解读
4. 行业地位
5. 公告梳理
6. 估值分析
7. 看多 3 条
8. 看空 3 条
9. 跟踪指标
评分维度
| 维度 | 满分 | 评估方式 |
|---|---|---|
| 基本面理解 | 10 | 是否抓住行业核心指标 |
| 财报解读 | 10 | 会计准则、科目联动是否专业 |
| 风险识别 | 10 | 是否主动指出风险 |
| 推理可信度 | 10 | 推理链是否清晰，不瞎编 |
| 输出结构 | 10 | 格式整齐、可读性 |
人工盲评：隐去模型名字，3 个评审独立打分，取平均。
总分：DeepSeek 小胜
| 维度 | DeepSeek V4 | Qwen-Plus |
|---|---|---|
| 基本面理解 | 8.5 | 8.0 |
| 财报解读 | 7.0 | 8.5 |
| 风险识别 | 8.0 | 7.5 |
| 推理可信度 | 9.0 | 7.5 |
| 输出结构 | 8.5 | 8.0 |
| 总分（满 50） | 41 | 39.5 |
逐支股票看差异
Case 1：贵州茅台（DeepSeek 胜）
DeepSeek 抓到了白酒行业独有的"预收款/合同负债"指标，对 2025Q1 预收款同比 -18% 给出了"渠道库存压力"的精准判断。
千问则偏宏观——讨论"消费降级背景下的定价权"，没抓到这个关键指标。
启示：行业专业语言场景 DeepSeek 表现更"地道"。
Case 2：宁德时代（打平）
两者都看多，但侧重不同：
- DeepSeek 从"锂价周期 + 储能需求"双维度建立逻辑
- 千问给出了 LG 新能源、比亚迪的市占率对比表格
DeepSeek 偏逻辑链，千问偏数据密度。
Case 3：比亚迪（千问胜）
比亚迪最近 30 天有 5 条重要新闻（智驾发布、海外扩张等）。
- DeepSeek 无联网能力，无法感知训练截止日之后的事件
- 千问通过联网搜索抓到了其中大部分新闻，并做了归类
启示：消息面敏感的股票，千问带搜索的优势非常明显。
Case 4：中芯国际（千问胜）
科创板公司有特殊会计处理（研发费用资本化）。
- DeepSeek 直接套主板逻辑，错误地认为"研发投入侵蚀利润"
- 千问正确指出"研发投入占比 15%+"对当期损益的影响，并解释了资本化处理
启示：中国特色会计准则场景，千问（阿里云国内语料）明显更懂。
Case 5：隆基绿能（DeepSeek 胜）
周期股需要做"乐观/中性/悲观"三档情景假设。
- DeepSeek 主动给了三档情景，每档有估值区间
- 千问偏保守单一视角
启示：情景分析能力 DeepSeek 更结构化。
五维画像
DeepSeek V4 的强项
- 推理链清晰：会主动 "A → B → C → 所以..." 组织论据
- 行业语言专业：白酒、光伏、半导体的术语使用准确
- 情景分析强：擅长给多档假设
Qwen-Plus 的强项
- 消息面及时：联网搜索能抓最近几天新闻
- 会计准则熟：科创板/创业板特殊处理更懂
- 表格化输出：信息密度高
工程侧的启示
作为用大模型做金融产品的开发者，这个 benchmark 给了我三个实操建议：
1. 不要单一模型
至少支持 DeepSeek + Qwen 双模型可切换。白酒分析用 DeepSeek，科创板分析用 Qwen，周期股用 DeepSeek。同一个产品，不同场景用不同模型。
2. 把"搜索"和"推理"解耦
Qwen-Plus 的搜索能力强但推理稍弱，DeepSeek 相反。最佳架构是：用 Qwen 抓数据做初步整理，用 DeepSeek 做深度推理。
3. 核心决策节点做双模型并行
在关键决策点（比如"最终投资建议"），让 DeepSeek 和 Qwen 都跑一遍，结果不一致时提示用户"分歧存在"——这是破除单一模型偏见的最佳实践。
复现方式
本文的 benchmark 流程（5 支股票 × 2 模型 × 5 维打分）全部可以用公开数据 + 统一 Prompt 复现，核心步骤在「DeepSeek vs 通义千问 完整横评」里有详细记录，包含每支股票两份原文报告截图与评分细则，可对照交叉验证。
懒得自己搭数据管道的话，也可以直接在 nbstockai.com 切换两个模型跑同一个股票代码，肉眼对比输出差异——这是最直观的复现路径。
结语
大模型没有绝对的好坏，只有适合的场景。
金融垂类的特殊性在于：既需要专业推理（DeepSeek 强），又需要实时信息（Qwen 强）。真正严肃的应用，不是赌押哪个模型更牛，而是设计一个让两个模型互补的架构。
💬 你在金融/法律/医疗等垂直领域用过哪个模型？评分如何？
📝 测评基于公开信息 + 统一 Prompt 的小样本结果，受样本与时间窗口影响，不构成产品推荐或投资建议。
