对此，某券商银行业分析师向财联社记者表示，一般情况下，银行公布定向募股计划前，都会提前和股东、新股东沟通并达成共识，因此获得监管同意后失败的案例颇为罕见。另外，相较大型商业银行，农村中小金融机构的资本补充渠道有限，如果没有地方政府有力支持，“补血”非常困难。

　　定向募股计划获得通过后 这家农商行半年内仍未完成

　　今日，唐山金融监管分局发文称，河北玉田农村商业银行于2024年5月27日取得了《国家金融监督管理总局唐山监管分局关于河北玉田农村商业银行股份有限公司定向募股方案的批复》（唐金复〔2024〕64号）。分局在该行政许可批复文件中规定“你行应在批复之日起6个月内完成本次定向募股工作，完成后及时向我分局申请变更注册资本，报告变更公司章程有关事项，如未在规定期限内完成，该行政许可文件失效，我分局将注销该行政许可事项”，截至2024年11月27日，河北玉田农村商业银行未按要求完成定向募股工作。

　　唐山金融监管分局进一步指出，上述情形违反了《中国银保监会农村中小银行机构行政许可事项实施办法》（银保监会令2022年第5号）第一百二十四条“农村中小银行机构应在决定机关作出行政许可决定起6个月内完成变更，并向决定机构和所在地银保监会派出机构书面报告”的规定，决定注销唐山金融监管分局该行政许可。监管作出批复的日期为12月5日。

　　据企查查信息，河北玉田农村商业银行于2006年开始营业，前身为玉田县农村信用合作联社。其前十大股东中，无人持股比例超过6%。其中，第一大股东为玉田县北方购物有限公司，持股比例5.39%。第二大股东为唐山凤凰酿酒有限公司。整体来看，其前二十位股东中，多为民企和自然人。

　　而此前的河北玉田农村商业银行的原定方案为：定向募集不超过15000万股，完成募股后股本总额不超过78428.2128万元人民币。但是，未披露定增对象相关信息。

　　银行定向募股获批后又撤销 年内监管部门仅公布三例

　　财联社记者查询发现，类似此类银行定向募股计划获得监管通过后，最终被撤销许可的情况颇为罕见。今年以来，类似案例仅有三例，但其情况各有不同。而以监管批文获得时间论，今年未能完成定向募股计划而遭监管撤销许可的，仅有河北玉田农村商业银行一例。

　　具体来看，一份文件涉及去年的“旧案”。7月4日，监管披露，2023年12月4日，固原金融监管分局发出《国家金融监督管理总局固原监管分局关于隆德六盘山村镇银行股份有限公司定向募股方案的批复》（固金复〔2023〕10号，以下简称《批复》），同意隆德六盘山村镇银行定向募股方案申请事项。经核实，隆德六盘山村镇银行定向募股方案因改革原因终止实施，根据相关规定，现对《批复》中同意的申请事项予以注销。

　　另一份文件涉及的定向募股也并非发生在今年。10月22日，监管披露，2021年9月30日，阳泉监管分局作出《阳泉银保监分局关于同意山西盂县农村商业银行股份有限公司定向募股方案的批复》（阳银保监复〔2021〕65号），对山西盂县农村商业银行定向募股方案申请事项予以核准。经核实，山西盂县农村商业银行定向募股方案因疫情原因终止实施，根据相关规定，现对相关申请事项予以注销。

　　财联社记者注意到，年内多地国资已经持续启动了对当地中小银行的“补血”工作。最新案例为，11月22日，国家金融监管总局官网披露，同意佛山市金融投资控股有限公司认购广东揭西农村商业银行股份有限公司3400万股股份，占该行完成增资扩股目标后总股本的5.97%。

　　我们之前在讨论黄金资产时，反复提到过影响金价的三要素，即货币需求、避险需求和交易需求。

　　回看本轮，其实最核心的还是在避险需求和交易需求。

　　①避险需求：

　　根据我们的黄金收益归因模型显示，自2022年以来，金价的核心驱动力为风险因子：对美国主权信用恶化、美国通胀失控、地缘冲突爆发等风险的担忧加速了去美元化的进程，从而推升金价。

　　因此，近期俄乌局势骤然升温、朝鲜半岛局势恶化的消息面，以及对美国通胀的预期，再次激发了大家的避险资产情绪，地缘政治因素回到金价主要驱动力地位，推动了本轮金价升高。 

　　②交易需求：

　　上周全球规模最大的黄金ETF—SPDR Gold Trust（GLD）黄金ETF基金持仓量持续上涨，11月21日持仓量较11月15日增加8.04吨至877.97吨。在前期大跌后，全球投资者也在积极参与、逢低布局，与避险需求一起推动五连阳大涨。

　　③货币需求：

　　虽然此前在美元指数的强劲上涨下，黄金价格回调了超9%，并且目前美元的强势和美国降息预期的降低仍然继续对黄金市场造成压力，但地缘政治因素的推动力还是更强势的。

　　2．黄金又行了？——中长期有配置价值

　　目前来看，很多机构的观点是继续看多的。

　　根据高盛预测，2025年年底金价或将攀升至3000美元/盎司；瑞银集团表示，2026年底金价或将上涨至2950美元/盎司。

　　我们认为，从中长期维度上看，在全球地缘及经济增长不确定性增大的背景下，黄金还是具备一定的配置价值的。

　　主要是基于2条大逻辑：

　　逻辑一：美国赤字困境与债务压力支撑金价走强

　　美国经济能在高利率下一直保持强韧性，事实上很大程度归功于财政支出的扩张。但是随着财政持续扩张，“赤字——债务——利息支出”的恶性循环又将导致美国财政和债务压力增加，美元信用恶化。

　　现在特朗普再次上台后，宽财政和再通胀因素也许会进一步强化美国赤字困境与债务压力，这就会支撑黄金继续走强。

　　逻辑二：全球地缘紧张局势短期难以缓解，形式上或从热战转为经济制裁等

　　虽然近期俄乌和朝鲜半岛局势有升级的迹象，但这种摩擦事件更多是为了极限增加未来谈判筹码。大家其实更需要关注下面2件长期的事：

　　一个是特朗普可能更支持以色列，之后也许将进一步加大对伊朗的经济制裁；还有一个是国务卿候选人卢比奥，他对华立场非常强硬（这也是近期A股走弱的原因之一），预计未来将继续推动对华科技限制及经济“脱钩”政策。

　　因此，整体来看，全球地缘紧张局势或将延续，而且未来形式上很可能从热战转为经济制裁等手段，这种预期也推动市场避险情绪升温，支撑价格走强。

　　不过，也需要提醒，如果美国通过AI显著提升全要素生产率，或许可以有效缓解通胀与财政压力（即逻辑一不成立），而且全球地缘局势也可能在一些乐观事件下，逐步降温（即逻辑二不成立），大家还是可以多关注这部分的变化。

　　作为投顾团队，我们也会为你持续跟踪国际市场变化，适时调整组合仓位和结构，力争把握更多投资机会。

　　（本文来自：广发基金投顾团队）

　　风险提示：广发基金本着勤勉尽责、诚实守信、投资者利益优先的原则开展基金投顾业务，但并不保证各投顾组合一定盈利，也不保证最低收益。投资者参与基金投顾业务，存在本金亏损的风险。基金投资组合策略的风险特征与单只基金产品的风险特征存在差异。基金投顾业务项下各投资组合策略的业绩仅代表过往业绩，不预示未来的业绩表现，为其他投资者创造的收益也不构成业务表现的保证。因基金投资顾问业务尚处于试点阶段，存在因基金投顾机构的试点资格被取消不能继续提供服务的风险。投资前请认真阅读投顾协议、策略说明书等法律文件，充分了解投顾业务详情及风险特征，选择适合自身的组合策略，投资须谨慎

　　使用这种方法，推理成本没有明显提升，但是模型性能更好了。

　　这么好用的模型，为啥不发布？

　　不划算。

　　semianalysis分析，相较于直接发布，Anthropic更倾向于用最好的模型来做内部训练，发布Claude 3.5 Sonnet就够了。

　　这多少让人不敢相信。

　　但是文章作者之一Dylan Patel也曾是最早揭秘GPT-4架构的人。

　　除此之外，文章还分析了最新发布的o1 Pro、神秘Orion的架构以及这些先进模型中蕴藏的新规律。

　　比如它还指出，搜索是Scaling的另一维度，o1没有利用这个维度，但是o1 Pro用了。

　　网友：它暗示了o1和o1 Pro之间的区别，这也是之前没有被披露过的。

　　新旧范式交迭，大模型还在加速

　　总体来看，semianalysis的最新文章分析了当前大模型开发在算力、数据、算法上面临的挑战与现状。

　　核心观点简单粗暴总结，就是新范式还在不断涌现，AI进程没有减速。

　　文章开篇即点明，Scaling law依旧有效。

　　尽管有诸多声音认为，随着新模型在基准测试上的提升不够明显，现有训练数据几乎用尽以及摩尔定律放缓，大模型的Scaling Law要失效了。

　　但是顶尖AI实验室、计算公司还在加速建设数据中心，并向底层硬件砸更多钱。

　　比如AWS斥巨资自研了Trainium2芯片，花费65亿美元为Anthropic准备40万块芯片。

　　Meta也计划在2026年建成耗电功率200万千瓦的数据中心。

　　很明显，最能深刻影响AI进程的人们，依旧相信Scaling Law。

　　为什么呢？

　　因为新范式在不断形成，并且有效。这使得AI开发还在继续加速。

　　首先在底层计算硬件上，摩尔定律的确在放缓，但是英伟达正在引领新的计算定律。

　　8年时间，英伟达的AI芯片计算性能已经提升了1000倍。

　　同时，通过芯片内部和芯片之间的并行计算，以及构建更大规模的高带宽网络域可以使得芯片更好在网络集群内协同工作，特别是推理方面。

　　其次在数据方面也出现了新的范式。

　　已有公开数据消耗殆尽后，合成数据提供了新的解决途径。

　　比如用GPT-4合成数据训练其他模型是很多实验团队都在使用的技术方案。

　　而且模型越好，合成数据质量就越高。

　　也就是在这里，Claude 3.5 Opus不发布的内幕被曝光。

　　它承担了为Claude 3.5 Sonnet合成训练数据、替代人类反馈的工作。

　　事实证明，合成数据越多，模型就越好。更好的模型能提供更好的合成数据，也能提供更好的偏好反馈，这能推动人类开发出更好的模型。

　　具体来看，semianalysisi还举了更多使用综合数据的例子。

　　包括拒绝采样、模式判断、长上下文数据集几种情况。

　　比如Meta将Python代码翻译成PHP，并通过语法解析和执行来确保数据质量，将这些额外的数据输入SFT数据集，解释为何缺少公共PHP代码。

　　比如Meta还使用Llama 3作为拒绝采样器，判断伪代码，并给代码进行评级。一些时候，拒绝抽样和模式判断一起使用。这种方式成本更低，不过很难实现完全自动化。

　　在所有拒绝抽样方法中，“判官”模型越好，得到数据集的质量就越高。

　　这种模式，Meta今年刚刚开始用，而OpenAI、Anthropic已经用了一两年。

　　在长上下文方面，人类很难提供高质量的注释，AI处理成为一种更有效的方法。

　　然后在RLHF方面，专门收集大量的偏好数据难且贵。

　　对于Llama 3，DPO（直接偏好优化）比PPO（最近策略优化）更有效且稳定，使用的计算也少。但是使用DPO就意味着偏好数据集是非常关键的。

　　如OpenAI等大型公司想到的一种办法是从用户侧收集，有时ChatGPT会给出2个回答并要求用户选出更喜欢的一个，因此免费收集了很多反馈。

　　还有一种新的范式是让AI替人类进行反馈——RLAIF。

　　它主要分为两个阶段。第一阶段模型先根据人类编写的标准对自己的输出进行修改，然后创建出一个修订-提示对的数据集，使用这些数据集通过SFT进行微调。

　　第二阶段类似于RLHF，但是这一步完全没有人类偏好数据。

　　这种方法最值得关注的一点是，它可以在许多不同领域扩展。

　　最后，值得重点关注的一个新范式是通过搜索来扩展推理计算。

　　文章中表明，搜索是扩展的另一个维度。OpenAI o1没有利用这个维度，但是o1 Pro用了。

　　o1在测试时阶段不评估多条推理路径，也不进行任何搜索。

　　Self-Consistency / Majority Vote就是一种搜索方法。

　　这种方法中，只需在模型中多次运行提示词，产生多个相应，根据给定的样本数量，从相应中选出出现频率最高的来作为正确答案。

　　除此之外，文章还进一步分析了为什么说OpenAI的Orion训练失败也是不准确的。

　　本文作者：量子位，来源：量子位，原文标题：《反转！Claude 3.5超大杯没有训练失败，最新爆料：内部自留，用于合成数据和RL训练》

　　风险提示及免责条款

　　市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。