Generalist AI

1.1 公司身份、产品与运营版图

Generalist AI 将自己描述为一家面向物理世界、研发并提供产品的前沿 AI 公司。其产品逻辑是打造可跨机器人本体迁移的具身基础模型，而非垂直整合的机器人。公司称从灵巧操作切入，并基于大规模物理经验训练；其 2026 年 10 月官网通过候补名单推广 GEN-1.5 访问。多个独立简介一致认为公司成立于 2024 年且仍为私营企业，但无法确定唯一总部城市：San Mateo、Palo Alto 和 San Francisco 均有出现，官方公司页面只写明湾区和 Boston。大致运营版图可以确认；准确的法定总部和当前运营员工数仍需公司确认。[CO001, CO002, CO003, CO004, CO005, CO015]

1.2 创始人、领导层与治理

独立简介将 Peter "Pete" Florence、Andy Zeng 和 Andrew "Andy" Barry 认定为创始团队成员，分别担任 CEO、首席科学家和 CTO。据报道，他们的经历横跨 DeepMind、OpenAI 和 Boston Dynamics；官方团队页面还提到 PaLM-E、RT-2、ChatGPT、GPT-4、自动驾驶、Atlas、Spot 和 Stretch 项目。这种组合覆盖了模型、机器人和公司建设能力，但公开材料也把技术与战略可信度高度集中在三位创始人身上。现有来源没有一项列出董事、独立董事或继任安排。因此，治理质量和关键人物风险缓释仍是尽调问题，而非已验证的优势。[CO006, CO007]

1.3 融资、估值与利益相关方图谱

当前最清晰的规模信号来自融资，而非商业披露。多个独立来源称 Generalist AI 于 2026 年 6 月 4 日以 $2 billion 估值融资 $400 million，累计融资超过 $500 million。NeuronFeed 另称，公司在 2025 年初完成了 $12.5 million 种子轮和 $128 million A 轮。6 月轮由 Radical Ventures 领投，新老机构投资者共同参与，包括 8VC、Union Square Ventures、Hanabi Capital、Norwest、NVIDIA、Boldstart、Spark Capital、Bezos Expeditions 和 NFDG。已募集资金不等于可用现金，现有证据也没有披露烧钱速度、现金跑道、债务、收入、ARR、定价或客户数。这些缺口使商业阶段或流动性评估无法得到充分支持。[CO011, CO012, CO013, CO014]

1.4 里程碑与验证边界

公开里程碑从 2024 年成立开始，经过据报道发生在 2025 年初的融资、2025 年 11 月的 GEN-0、2026 年 4 月的 GEN-1、6 月融资、7 月跨末端执行器工作，以及 8 月的 GEN-1.5。Generalist 报告称，GEN-1 在选定任务上的平均成功率约为 99%，而 GEN-0 为 64%；部分任务完成速度约为此前方法的三倍，并且每项任务使用约一小时机器人数据。这些是公司自行运行的结果，不是独立基准测试。一名独立分析师明确指出这一局限，并将标准化第三方评估和披露异构生产部署列为下一步证明点。因此，这条时间线体现的是研发和资本推进速度，而非经过独立验证的商业采用。[CO008, CO009, CO010, CO016]

1.5 展示项

2.1 市场边界与替代方案

可投资市场的边界比“机器人”更窄，又比单一机器人形态更宽。Generalist AI 将 GEN-1 描述为一种不依赖特定硬件、面向灵巧工作的物理智能系统，因此相关核心是让机器人完成多变物理任务的软件和数据层。机器人本体、执行器、工厂单元和系统集成属于配套支出，而不是 Generalist 已披露的产品范围。公开展示的初始用例包括装配、折叠、包装和设备维护；这些支持工业操作这一切入点，但不能据此假定所有人形机器人或服务机器人支出都可触达。现有替代方案包括固定自动化、任务专用控制栈、内部机器人团队，以及在灵活性或异常处理价值仍超过自动化经济性的场景中使用人工。[CM001, CM002, CM003, CM005, CM014]

2.2 规模证据及其局限

现有证据提供了三个宽泛指标，但没有 Generalist 的自下而上市场规模。一份二级市场分析引用了 2035 年 $38 billion 的人形机器人预测、截至 2033 年机器人领域 AI 超过 30% 的 CAGR，以及 2025 年服务机器人类别超过 70% 的增长。这些指标覆盖不同产品、时期和分母，均未说明跨本体模型提供商可获得的份额。$400 million 融资轮和超过 $500 million 的据报道累计融资，说明投资者愿意为这一类别提供资金，但不代表客户支出或市场需求。因此，下面的规模判断会把宽泛的相邻市场收窄到公司具体机会，不会把这些代理指标相加，也不会将其转化为没有依据的收入潜力。[CM010, CM011, CM012, CM013, CM016]

2.3 买方、用户与采用路径

公开材料首先指向制造、物流、仓储和实验室场景：运营或自动化负责人可以发起部署，一线员工或技术人员与系统交互。机器人制造商和集成商也是合理的买方类别，因为可移植模型可能降低为每种本体单独搭建智能栈的成本。这一付费方映射是分析判断，而非 Generalist 已披露的产品包装模式；现有证据中没有公开价格、合同结构或预算科目。可能的采用顺序是任务验证、有限集成与安全审查、测量试点表现，然后扩大部署。因此，买方需要的是工作流层面的可靠性、速度、恢复行为和集成经济性，而不是笼统的通用智能主张。[CM003, CM004, CM006, CM007, CM009, CM014]

2.4 增长驱动、约束与估值相关性

主要增长驱动是潜在的数据飞轮：更大的物理交互数据集改善模型，部署产生更多边缘案例数据，跨硬件复用则能把模型开发成本摊到更多应用上。Generalist 报告称拥有超过 50 万小时的预训练数据，每项披露任务约使用一小时机器人数据；如果能够独立复现，这可能降低任务接入摩擦。约束仍然显著。公司称并非每个尝试任务都达到 99% 成功率，部分工作流还需要更高可靠性或速度；证据池中没有独立标准化测试、生产部署数量、定价、切换成本、安全批准或客户 ROI。估值因此应奖励其横向软件选择权，同时对从内部任务演示转化为可重复企业预算这一尚未验证的过程进行折价。[CM006, CM007, CM008, CM009, CM015, CM016]

2.5 展示项

3.1 竞争格局与买方替代方案

与其把 Generalist AI 看作人形机器人制造商，不如将其视为横向智能供应商。留存证据将 Physical Intelligence 认定为最接近的横向同行，Skild AI 和 FieldAI 则通过更广泛的机器人“大脑”或现场自主能力展开竞争。Google DeepMind 和 NVIDIA 是在位威胁，因为它们能够把模型与算力、仿真、开发者工具和既有分销结合起来。Figure AI 和 Tesla 代表垂直整合替代方案：它们可以协同优化本体和“大脑”，而 Generalist 必须让一个模型适配异构硬件。买方也可以继续使用传统任务专用自动化，或自建专有控制栈。这些替代方案牺牲部分承诺的通用性，但保留控制权、已知安全边界或既有集成投入。[CP001, CP009, CP010, CP011, CP012]

3.2 能力差异化与证明质量

Generalist 声称最强的差异化在于跨本体迁移、大规模专有物理交互语料库和快速任务适配的组合。其 2026 年 4 月发布的 GEN-1 报告称，在选定任务上的平均成功率为 99%，GEN-0 为 64%；引用案例的执行速度约快三倍，每项任务约使用一小时机器人数据。这些是有意义的产品假设，而非独立基准测试。Generalist 自己也称部分尝试任务未达到上述成功率，部分应用需要更高可靠性或速度。缺乏共同的第三方试验，使能力排名只能作为方向性判断；这也阻止买方将研究结果转化为部署级失败率比较。[CP002, CP003, CP004, CP005, CP006, CP016]

3.3 产品包装、定价与分销能力

当前可见的商业形态是早期访问，而非标准化产品目录。Generalist 在 GEN-1 发布时邀请早期访问合作伙伴联系公司，但一家目录仍将其描述为商业化前公司，没有公开产品或 API。后续第三方报道描述了两条可能的交付路径：Generalist 可以提供模型加硬件的组合，或者具备机器人能力的客户可以在自己的机械臂上运行模型。这种灵活性可能扩大分销，但留存证据中没有公开价目表或确定的计费模式。公司据报道超过 $500 million 的累计融资支持持续进行模型和集成工作；这不是收入、ARR、可用现金，也不是可重复客户经济性的证据。[CP007, CP008, CP013, CP014, CP015]

3.4 护城河持久性与替代风险

Generalist 的潜在护城河是物理数据飞轮：基于公司报告的超过 50 万小时交互数据训练的模型，可能无需从头重建每项策略，就能适配不同本体和任务。持久性取决于能否把这套语料转化为经独立验证的可靠性，以及能否通过部署持续回收专有运营数据。同样的横向定位也带来暴露。机器人 OEM 可能垂直整合，在位厂商可能把模型与算力和仿真捆绑，客户在安全认证或数据权利占主导时也可能偏好内部控制。由于留存证据池中没有独立复现，当前优势最好视为资金充足的技术领先假设，而非已证明的锁定效应。切换成本、数据所有权、多归属和合作伙伴排他性仍需尽调。[CP001, CP005, CP006, CP010, CP011, CP016]

3.5 展示项

4.1 收入模式与市场进入仍未定价

Generalist AI 将 GEN-1 和 GEN-1.5 定位为不依赖特定硬件的机器人基础模型，但分配到的八个来源均未披露目录价格、实际合同金额、收入、ARR 或已确认收入流。最清晰的商业信号是公司 4 月的声明：早期访问合作伙伴可以开始使用 GEN-1，并应联系其合作伙伴团队。这支持面向企业、由合作伙伴主导的销售方式，而非自助式软件，但不能说明变现最终会采用模型许可费、使用费、部署项目费、微调服务费还是收入分成。公开材料也没有付费客户数、合同条款、销售周期、渠道经济性或生产部署量。因此，下面每条可能的收入流都只是尽调假设或不可用字段，而不是已记录收入。[CI004, CI005, CI006, CI016]

4.2 已披露的运营模式高度依赖算力和数据

公开成本信号远强于收入信号。Generalist 称 GEN-1 使用了超过 500,000 小时的物理交互数据，并需要能够处理 PB 级数据的分布式训练基础设施；GEN-1.5 则持续训练了超过八个月。一份关于具身部署的第三方描述还强调，机器人硬件、单元集成、安全审查、保险和维护，都是 API-only 部署不存在的成本。这些披露说明固定研发基础设施投入很大，部署支持成本也可能不低，但没有提供美元成本、利用率、推理成本、服务人力、资本开支、营运资金或毛利率数据。公司报告的可靠性和速度提升未来可能支持客户 ROI，但缺少部署经济性数据，不能据此推导定价权或利润率。[CI007, CI008, CI009, CI010, CI011, CI012, CI013]

4.3 融资能力可见；现金跑道不可见

多个独立页面报告公司于 2026 年 6 月融资 $400 million，估值约 $2 billion，累计融资超过 $500 million。另一份 8 月报道称，8VC 领投了额外约 $200 million，估值约 $3 billion，但明确指出缺乏广泛的公司公告，因此在审阅一手文件前，这一扩展融资应保持临时性质。报道中的 6 月融资用途包括物理数据引擎、云算力、真实世界测试、模型开发和商业部署。这些用途与已披露技术成本基础一致，但已募集资金不等于可用现金。没有来源提供手头现金、月度烧钱、债务、项目融资义务、现金跑道、按年度的计划分配或下一轮融资触发条件。[CI001, CI002, CI003, CI014, CI015]

4.4 财务结论与投资判断阻碍

该财务画像更适合被视为资金充足的研发阶段执行，而不是已证明的软件业务。相对于一家机器人目录对约 50 名员工的无日期估计，报告中的融资规模似乎很大；但员工数本身不能证明烧钱速度，因为算力、数据采集、机器人硬件和部署支持可能占据主要费用。收入质量无法评估：没有经常性合同、客户集中度、续约行为或收入确认的证据。若没有推理成本、服务内容、支持义务和硬件转售条款，毛利率走势同样无法建模。最强的公开证明是技术层面的公司自制结果；一份独立分析明确指出 99% 结果属于内部基准，而非独立标准。投资判断应要求现金桥接表、客户层面的队列经济性和部署损益表，然后才能赋予收入倍数或判断持久的毛利率路径。[CI004, CI005, CI007, CI009, CI010, CI012, CI015, CI016]

4.5 展示项

5.1 产品定义与客户工作流

Generalist AI 将 GEN-1 定位为实时输出机器人动作的大型多模态系统，而不是机器人本体或传统确定性自动化产品。公开工作流是：先用物理交互数据进行广泛训练，再用约一小时机器人数据让系统适配新机器人和任务，最后运行自主操作。公司演示覆盖汽车零件装配、衣物折叠、吸尘器维护、箱子折叠、积木包装和手机包装。这说明其操作层可能具备复用性，但不代表完整的客户产品：公开材料没有说明产品包装、定价、集成接口、操作员工具、服务水平，或 Generalist 软件与客户机器人、安全系统和工作单元之间的边界。[CE001, CE004, CE005, CE006, CE007, CE010]

5.2 架构与数据引擎

已披露的架构更像一个系统，而不只是模型权重。Generalist 描述了预训练、后训练、基于经验的强化学习、多模态人工引导、推理时的 Harmonic Reasoning，以及系统级编排。基础模型基于超过 50 万小时的高保真物理交互数据训练，这些数据主要通过低成本可穿戴设备采集；公司称基础预训练不包含机器人数据。随后使用特定任务的机器人数据，让模型适配新的本体和任务。这种设计可能使数据采集和跨本体迁移形成防守能力，但留存证据没有披露模型规模、算力效率、接口、延迟分布、硬件兼容性测试或可复现材料。[CE001, CE002, CE003, CE004, CE014]

5.3 成熟度、差异化与部署准备度

GEN-1 最强的证据来自公司自己的重复任务评估。Generalist 报告称，其在选定任务上的平均成功率为 99%，GEN-0 为 64%；还报告了从 50 次汽车零件装配循环到超过 1,800 次积木包装循环的长时间自主运行。此外，公司报告称箱子折叠耗时 12.1 秒，比引用的既有系统在相同箱子上的速度快 2.8 times。这些结果足够具体，可以指导尽调，但仍是内部选择和测量的结果。一家专业目录重复了这些核心指标，而一分析网站明确称 99% 是内部基准而非独立标准。早期访问和第三方 GEN-1.5 列表说明产品在迭代，但都不能证明付费生产使用、车队广度、支持准备度或跨厂商标准化表现。[CE005, CE006, CE007, CE008, CE010, CE011, CE012, CE015]

5.4 信任、安全与控制缺口

Generalist 自己指出了一个重要控制问题：即兴的物理动作有助于恢复，但也可能产生责任风险，因为成功标准和禁止行为取决于工作流。公司还称并非每个尝试任务都达到 99% 可靠性，部分用例需要更高可靠性或速度。这些承认比笼统的商业可行性措辞更有决策价值，但不能替代外部验证。现有证据集没有公开安全论证、红队报告、认证、隐私或数据治理说明、事故历史、状态页或客户验收测试。一条分配到的新闻 URL 只有出版商模板文字，进一步限制了交叉验证。因此，投资尽调应将安全控制、部署监控、回滚、人工接管和监管准备度视为待索取的证据，而不是推定已经具备的能力。[CE008, CE009, CE015, CE016]

5.5 展示项

6.1 客户细分与访问模式

Generalist AI 已披露的演示指向工业运营商：其工作流包含重复性操作，但变化足够多，使传统任务专用编程成本高昂。汽车零件装配、手机包装、箱子折叠、家电维护及相关操作任务，意味着其潜在用户可能来自轻制造、电子、物流以及服务或退货运营。买方、付费方、合同结构和这些细分市场的收入价值均未公开。公司向早期访问合作伙伴开放 GEN-1，并引导潜在用户联系合作伙伴邮箱，可见这是高接触式评估，而非自助式产品。GEN-1.5 基于演示的适配可能减少设置工作，但公开证据无法证明谁来付费、部署如何定价，或哪个细分市场已从评估转入生产。[CU001, CU003, CU004, CU005, CU009]

6.2 采用轨迹与证明质量

从证据质量看，公开采用记录仍处于商业化前阶段。Generalist 报告称，GEN-1.5 在选定后训练任务上可靠性高、适配速度明显更快，但这些是公司运行的技术测试，而非客户结果。一份 2026 年 9 月的独立简介称，公司拥有少数未具名客户，并描述了早期访问和设计合作伙伴项目，但也未找到具名客户、部署数量、收入数据或案例研究。一个可识别的外部关系是据报道 Elite Robots 提供演示和验证所用硬件；现有证据确认的是供应商或验证关系，而非付费客户。这一区分很重要，因为合作伙伴访问、硬件兼容性和实验室任务成功，都不能证明生产正常运行时间、ROI、续约或可重复采购。[CU001, CU002, CU005, CU007, CU008, CU010, CU012]

6.3 留存、持久性与生产准备度

现有证据集中的公开来源没有披露毛留存率、净留存率（NRR）、流失、续约、合同期限、扩张收入、满意度或队列行为。技术持久性只能作为部分代理指标：据报道 GEN-1 在选定重复任务上运行了很长序列，但公司也称并非每个尝试任务都达到报告的可靠性阈值。GEN-1.5 报告称，在十个简单、短时域任务上的平均一次性成功率为 59%，并称上下文内技能比微调模型更脆弱。这些限制使工作流特定的验收测试、安全控制、人工干预率和部署后支持成为客户留存的核心。在获得队列和合同数据前，应将持久采用视为未经验证，而不能从模型基准进展中推断。[CU002, CU006, CU008, CU013]

6.4 扩张、集中度与尽调含义

产品架构显示出一条合理的落地并扩张路径：先验证一个机器人和任务，用有限的任务特定数据进行适配，强化可靠性，再将模型扩展到相邻任务或本体。由于没有公开客户层面的扩张案例，这条路径仍只是假设。一篇第三方文章称公司计划开展制造商合作、提供开发者 API 和进行商业部署，但来源没有具名交易对手或已完成部署，不应视为已验证需求。在没有预订额、销售管道和合同数据的情况下，客户集中度和渠道依赖同样无法判断。因此，投资尽调应要求客户名单与收入核对、从试点到生产的转化率、部署正常运行时间、干预率、续约历史、定价、销售周期，以及头部客户和头部合作伙伴占比，然后再为访问项目赋予商业价值。[CU005, CU008, CU011, CU014, CU015]

6.5 展示项

7.1 风险排序

部署可靠性是剩余风险中最高的一项，因为 Generalist 报告 GEN-1 在选定任务上成功率达到 99%，同时也承认并非每个尝试任务都达到这一水平，部分应用还需要更高可靠性或速度。GEN-1.5 进一步凸显了这一差异：公司报告的一次性平均成功率为 59%，标准差为 10 个百分点，而有限微调后为 83%；公司称测试任务简单且时间跨度短。下一层是具身安全与对齐风险，其后是基础设施、合作伙伴和融资依赖。这些排名是基于已披露证据的方向性判断，并非事故频率或量化损失估计。[CR001, CR002, CR003, CR005, CR006, CR012, CR014]

7.2 监管、法律与具身安全风险

最强的公开警示来自 Generalist 自身：机器人涌现动作会产生现实世界后果，任务成功取决于用户，且即兴操作既可能是优势，也可能带来责任风险。这一承认支持高影响安全风险，但不能证明已经发生事故、执法行动或法律违规。现有来源没有一项证明第三方安全认证、特定司法辖区的批准状态、隐私控制、保险覆盖、事故报告或所采集物理交互数据的所有权。这些事项因此是尽调缺口，而非负面事实结论。投资逻辑应要求在广泛生产使用前具备可审计的控制。[CR002, CR003, CR004, CR012, CR015]

7.3 运营、模型与质量风险

Generalist 报告的结果表明有所进展，但尚不能替代异构、第三方生产测试。GEN-1 的 99% 数据适用于选定演示，而 GEN-1.5 较低的一次性平均值，以及公司称上下文内技能更脆弱，都说明快速适配和稳健部署是两项不同主张。运营负担也很重：Generalist 描述了处理 PB 级交互数据的基础设施、自定义内核、实时推理工作和数千只机器人手臂。应按任务和本体监测成功率、干预频率、险些发生事故的事件、周期时间、适配后的漂移，以及分布外事件下的恢复行为。[CR001, CR002, CR003, CR005, CR006, CR009, CR014]

7.4 合作伙伴、资本与执行依赖

Elite Robots 称其协作机器人平台支持 Generalist 的真实世界数据采集和算法验证，这说明模型进展仍依赖外部硬件、控制系统、维护和现场支持。另一份报道称，新融资将用于物理数据引擎、云算力和真实世界测试，因此即使完成大额融资，基础设施执行仍是持续依赖。已募集资金不等于可用现金：现有证据没有披露烧钱、现金跑道、已承诺算力支出、利润率、保险成本、客户集中度或责任的合同分配。小团队画像也值得开展关键人物和招聘尽调，但其估计员工数不应视为审计数据。[CR007, CR008, CR009, CR010, CR011, CR013, CR016]

7.5 缓释、监控与投资逻辑破坏触发条件

在没有安全论证、独立基准测试协议、事故日志、部署层面服务数据和合同证据之前，缓释成熟度不能评为早期以上。近期缓释措施应包括限定运营范围、人工接管、部署前危害分析、逐任务验收阈值、硬件认证、分阶段上线，以及明确 Generalist、机器人供应商和客户之间的责任。投资逻辑破坏触发条件是可衡量的：在独立硬件上反复无法复现已披露表现；发生重大安全事故却没有透明补救；无法证明所需批准或数据权利；在没有连续性计划的情况下依赖单一硬件或算力供应商；或者在商业证明前消耗融资，使剩余现金跑道低于约定水平。[CR003, CR004, CR007, CR009, CR010, CR012, CR015, CR016]

7.6 展示项

8.1 建议与证据边界

建议观察 Generalist AI，在判断入场价格前要求大幅增加尽调。多个独立来源报告 2026 年 6 月完成 $400 million 融资、估值约 $2 billion，但后续约 $200 million、估值约 $3 billion 的扩展融资只见于二手报道，而该报道本身也要求进行一手验证。产品进展在方向上令人鼓舞：Generalist 报告 GEN-1 在选定任务上的可靠性和速度显著提高。然而这些结果不是独立的生产基准，公司也称并非每个尝试任务都达到报告的可靠性水平。这样的证据组合支持高风险、低置信度的估值判断，而不是公司质量结论或精确的公允价值估计。[CV001, CV002, CV003, CV004, CV005, CV007, CV010]

8.2 融资背景与入场纪律

6 月估值是最强的可观察融资锚点；8 月估值应视为据报道的信号，而非经验证的当前估值。融资将用于物理数据引擎、算力、真实世界测试和商业部署，这些都是资本密集型活动。留存证据没有披露收入或 ARR、定价或付费客户数，也没有披露烧钱、现金跑道、债务、清算优先权和其他股权结构条款。因此，已募集资金不能视为可用现金，轮次估值也不能直接转化为所有权经济性或回报潜力。入场纪律应以一手融资文件、完全摊薄后的资本结构、优先权条款、现金余额、已承诺支出和自下而上的运营计划为条件，而不是只看 headline valuation。[CV001, CV002, CV003, CV009, CV012, CV013, CV014, CV016]

8.3 以证据为边界的乐观、基准与悲观情景

由于公开记录不足以支持内在估值，情景分析必须保持相对性。乐观情景要求独立复现 GEN-1 表现、在不止一个硬件平台上实现生产部署，并形成足以支撑高于据报道 8 月估值的经济性。基准情景将约 $2 billion 的 6 月估值和未经确认的约 $3 billion 8 月估值视为融资参考区间，而非公允价值。悲观情景是：如果部署证据停滞、可靠性在选定任务之外失效，或资本消耗被证明结构性偏高，估值将低于 6 月参考值。Physical Intelligence 和 Figure AI 的报告估值只能提供类别背景；它们的策略不同，二手数据也未经标准化，不能视为独立表现基准或直接可比交易倍数。[CV001, CV002, CV004, CV007, CV010, CV011, CV015, CV016]

8.4 退出准备度、决策触发与尽调要求

公开退出准备度有限。Generalist 宣布提供早期访问，而独立报道警告不应把演示与 OEM 部署合同混为一谈。留存来源没有一项确认付费客户、经常性收入、定价或经审计的经济性。要作出有利决策，必须有独立测量的生产可靠性和吞吐量、签署的客户证据、部署层面的毛利率和支持成本数据，以及在摊薄后仍能保留合理目标回报的融资条款。投资逻辑破坏触发条件包括：无法在客户环境中复现选定任务结果；在没有商业里程碑的情况下反复依赖大额融资；或在没有相应收入和部署证据时，价格高于据报道的融资估值。眼下的尽调路径是技术基准测试、客户推荐访谈、模型层面的运营数据，以及完整的资本结构和流动性资料包。[CV007, CV008, CV010, CV011, CV012, CV013, CV014, CV016]

8.5 展示项