科技行业先锋系列报告261：Hugging FaceAI领域的GitHub-230525（24页）.pdf

《科技行业先锋系列报告261：Hugging FaceAI领域的GitHub-230525（24页）.pdf》由会员分享，可在线阅读，更多相关《科技行业先锋系列报告261：Hugging FaceAI领域的GitHub-230525（24页）.pdf（24页珍藏版）》请在三个皮匠报告上搜索。

1、请务必阅读末页的免责条款和声明科技先锋系列科技先锋系列报告报告261Hugging Face：AI领域的领域的GitHub陈俊云陈俊云 前前瞻研究首席分析师瞻研究首席分析师许英博许英博 科技产业首席分析科技产业首席分析师师贾凯方贾凯方 前瞻研究分析师前瞻研究分析师中信证券研究部 前瞻研究2023年5月25日资料来源：Hugging Face官网2 2 2 2 Hugging Face是一家总部位于纽约的初创公司。起初，该公司打算专注于聊天机器人领域，然而在其业务发展过程中，他们创造出的一款名为Transformers的开源库在机器学习社区引发了广泛关注，致力于成为机器学习届的GitHub。其开

2、放的Hugging Face Hub平台拥有超过20万个模型、3万个数据集和5万个演示，使得全球的机器学习社区成员可以轻松协作完成他们的工作流程。其中，Hugging Face的Transformers库为NLP领域提供了大量的先进预训练语言模型架构及其调用框架，至今已被下载超过一百万次，GitHub上的星级评价超过24000个。Hugging Face官网官网资料来源：Hugging Face官网Hugging Face发展阶段发展阶段聊天机聊天机器人器人机器学习届的机器学习届的GitHubPytorch-BERT201620182019Pytorch-Transformers 公司介绍公司

3、介绍资料来源：Hugging Face官网，中信证券研究部PZ8ZvVgVkWoMtRmR8OaObRtRpPtRoNjMrRqNkPoMtNaQrRxONZrNrMuOsPtQ3 3 3 3公司介绍公司介绍 运营层面：运营层面：采用了社群驱动的方式，其领英关注者数量超过200,000人。为了保持模型SOTA和推动AI进步，需要整个领域的专家来共同参与构建了Hugging Face社区和Transformers库，科研人员把模型集成到Transformers库或者基于Transformer库构建模型。落地和易用性层面：落地和易用性层面：通过做了一层抽象，屏蔽了Tensorflow和Pytorc

4、h的复杂性。Tensorflow工业部署能力强，吸引了偏向产业界的开发者。Pytorch易用性强，吸引了偏学术的开发者，解决了科研到工程落地的鸿沟。成就：成就：Hugging Face的Transformers库几乎开始成为了NLP SOTA的标准，形成了平台效应，一方面科研想把模型集成到Transformers库，将科研成果用于实践；另一方面，工程人员可以相对低门槛地用上整理好的模型库。同时Transformers库的引流，带动了文本数据集的扩充，初步形成了NLP界的GitHub。模型过去模型过去30天的天的Top20下载下载资料来源：Hugging Face官网语音模型过去语音模型过去30

5、天的天的Top20下载下载资料来源：Hugging Face官网4 4 4 4 创始团队：创始团队：Hugging Face创始初期由 ClmentDelangue、JulienChaumond、Thomas Wolf联合创办，2021年之前全为机器学习领域的工程师。根据公司官网，目前公司团队共有177人，重点分布在法国。公司团队公司团队公司介绍公司介绍 融资历程：融资历程：Hugging Face在5轮融资中共筹集了1.602亿美元的资金，估值达到20亿美元。其早期投资机构包括Addition、Lux Capital、A.capital、Betaworks、SV angel，以及众多开源领域

6、的个人投资者，为Hugging Face带来了丰富的产业背景支持和资金支持。融资历程融资历程资料来源：Hugging Face官网资料来源：Hugging Face官网5 5 5 5主营业务框架主营业务框架 作为一个开源社群，Hugging Face Hub拥有超过20万个模型、3万个数据集和5万个演示应用程序（Spaces）的平台，所有这些都是开源和公开的，在这个在线平台上，人们可以轻松合作并共同构建ML。作为一个社群场所，任何人都可以分享、探索、发现和实验开源的机器学习。模型、数据集和Space都以Git仓库（repo）的形式托管在Hugging Face Hub上，仓库可以存储代码和资产

7、的地方，用于备份工作，与社区分享，并在团队中协作。公司所运营的社群内容包含基于这个仓库基础上的开源模型、数据集、demo平台Spaces，并提供一系列解决方案。公司业务框架公司业务框架资料来源：Hugging Face官网6 6 6 6产品业务产品业务模型模型 Hugging Face为不同的机器学习任务提供了许多预训练好的机器学习模型来使用，这些模型就存储在模型仓库中。其目前社群共有超过20万个开源模型可供使用，由Hugging Face、OpenAI、谷歌、微软、Facebook、清华以及很多优秀社区和个人用户上传，支持多种预训练模型，如BERT、GPT-2、RoBERTa等。从分类来看，

8、可以按照任务类型分为多模态模型、计算机视觉模型、自然语言处理模型、语音模型、表格模型、强化学习模型。对于每一个模型，其指示文档中会有模型介绍、使用目的、限制、模型的训练方法、模型评估等，切实有效降低了用户的调用难度。模型分类模型分类模型社区模型社区资料来源：Hugging Face官网资料来源：Hugging Face官网7 7 7 7产品业务产品业务模型模型 以BERT based model为例，其模型操作包括三个方面：Model card、Files and versions、Community。Model card中是详细的模型介绍、使用方法、模型限制、训练数据、训练流程、结果评估。模

9、型的版本文件则存放于Files and versions中，类似GitHub的操作界面，用户可以通过添加和修改进行相应的贡献。Community中则包含了针对于该模型的讨论和请求。Hosted inference API：用户可以通过简单的 HTTP 请求免费测试和评估超过 80，000 个可公开访问的机器学习模型或私有模型，并在 Hugging Face 共享基础设施上托管快速推理。BERT-base-uncased模型卡片模型卡片Hosted Inference API资料来源：Hugging Face官网资料来源：Hugging Face官网8 8 8 8产品业务产品业务模型模型 模型主

10、要部署形式有四种：1）使用Hugging Face提供的API在本地运行模型。2）通过推理端节点将模型部署在专用的、完全管理的基础设施上。3）使用AWS SegeMaker进行部署。4）使用Gradio的从推理API中加载功能在Hugging Face的Spaces中进行部署。API部署与部署与Space部署的界面部署的界面Inference Endpoint部署流程部署流程资料来源：Hugging Face官网资料来源：Hugging Face官网9 9 9 9产品业务产品业务数据集数据集 Hugging Face 归集了超过36000个数据集，涵盖100多种语言，可用于多模态模型、自然语言

11、处理、计算机视觉和音频等广泛领域的任务。除了数据集卡中包含的信息外，许多数据集，如GLUE，还包括一个数据集预览，以展示数据。Hugging Face提供一个轻量级的数据集框架，具备：1）一行代码加载数据集；2）快速、易用的数据预处理类库等功能。目前提供音频、视觉、NLP数据集以供不同目的的模型训练，每个数据集中都包含Dataset Cards以查阅数据集的使用信息和方式。数据集界面数据集界面支持数据集种类与数据集卡支持数据集种类与数据集卡资料来源：Hugging Face官网资料来源：Hugging Face官网10101010产品业务产品业务数据集数据集 数据集使用流程：1）从Hub中加载

12、数据集：可以使用 load_dataset_builder()函数加载数据集构建器并检查数据集的属性，随后使用 load_dataset()加载。2）数据预处理：Datasets提供一组多样化的预处理函数，将数据集转换为适当的格式，以便使用机器学习框架进行训练。可能包括数据标记、音频数据采样、应用数据增强等。3）数据评测：Datasets提供各种常见和特定于 NLP 的指标，以用来衡量模型性能，包括“GLUE”、“MRPC”等。4）创建数据集：如果使用自己的数据集则存在创建数据集的需求，Datasets提供低代码的方式创建，包括Folder-based的创建和from_方法从本地创建。5）共享

13、数据集到Hub：可以通过Hub界面进行上传，也可以通过Python进行上传.Folder-based创建的方式案例创建的方式案例创建创建dataset的仓库的仓库资料来源：Hugging Face官网资料来源：Hugging Face官网11111111产品业务产品业务Spaces Hugging Face Space提供了一种直接托管 ML demo的方法，目前有5万多个demo。用户可以在上面创建 ML 产品组合，并与 ML 生态系统中的其他人协作。除了代码托管外，构建、部署和运行也包括在 Space 的功能中。用户只需要写好代码，提交到Space（用Git），后续的构建、部署和运行都是自

14、动化的，然后就可以在自己的 Space 主页看到自己的应用程序。Hub提供四个SDK选项：Gradio、Streamlit、Docker和static HTML。Gradio和Streamlit可以在几分钟内用Python完成程序建立，对于更多的自定义Demo，可以使用JavaScript和HTML创建static Space，或者可以托管一个Arbritary Docker文件。Spaces界面界面Chat-GPT-LangChain托管界面托管界面资料来源：Hugging Face官网资料来源：Hugging Face官网12121212产品业务产品业务Spaces 创造Space时，Hu

15、b提供四个SDK选项：Gradio、Streamlit、Docker和static HTML。在后台，Spaces 会将代码存储在 Git 存储库中。每个Spaces环境默认限制为16GB内存、2个CPU内核和50Gb（非持久性）磁盘空间，可以免费使用，也可以升级到更好的硬件，包括各种GPU加速器。Gradio:提供了一个简单直观的界面，可以从输入列表中运行一个模型，并以图像、音频、3D对象等格式显示输出。可以用Matplotlib、Bokeh和Plotly创建数据可视化。Streamlit：用Python以reactive的方式构建一个全功能的网络应用。Streamlit适合做数据可视化，支

16、持如Bokeh、Plotly和Altair等图表库。Docker：允许用户超越以前标准SDK所能做到的极限，从FastAPI和Go端点到Phoenix应用和ML Ops工具，Docker Spaces可以在许多不同的设置中提供帮助。Space环境配置环境配置使用使用Docker托管托管Argilla资料来源：Hugging Face官网资料来源：Hugging Face官网13131313产品业务产品业务解决方案解决方案Expert Acceleration Program 为客户提供定制化的机器学习方案建议，目前已有多家公司参与到其中，Hugging Face主要有三方面优势：1）专业支持：

17、一位专门的机器学习工程师将指导用户团队实施最先进的Transformer模型。2）技术知识：从研究到生产，Hugging Face的专家根据需要回答问题并找到解决方案。3）灵活沟通：提供不同的沟通渠道，使用户在最方便的时间和地点轻松地寻求专家指导。可以帮助用户解答模型微调、模型优化降低延迟、优化生成环境、在SageMaker使用Transformers、检测和减少数据集和模型中的偏差等的问题。合作组织和专家团队合作组织和专家团队Hugging Face的优势的优势资料来源：Hugging Face官网资料来源：Hugging Face官网14141414产品业务产品业务解决方案解决方案 Inf

18、erence Endpoints Inference Endpoints是Hugging Face提供的推理解决方案。使用Inference Endpoints，可以轻松部署Transformers、Diffusers或任何模型到专用、完全托管的基础设施上。它是一个安全、合规和灵活的生产解决方案，可以让成本保持低廉。Endpoints运行在私有的Hugging Face子网上，不能通过互联网访问，只能通过用户的AWS或Azure账户中的一个私有连接来使用，可以满足最严格的合规要求。部署主要分为四步：1）选择模型；2）选择云；3）选择安全类型，可以分为受保护端点、公共端点、私有端点；4）创造en

19、dpoint，定义自动缩放，访问日志和监控，设置自定义指标路线，用API/CLI程序化地管理端点等。Inference Endpoint配置配置Inference Endpoint部署流程部署流程资料来源：Hugging Face官网资料来源：Hugging Face官网15151515产品业务产品业务解决方案解决方案 AutoTrain AutoTrain是Hugging Face提供的自动训练和部署最先进的机器学习模型的工具，与Hugging Face生态系统无缝集成。AutoTrain是一个无代码工具，用于训练自然语言处理（NLP）任务、计算机视觉（CV）任务、语音任务甚至表格任务的最先

20、进模型。它构建在Hugging Face团队开发的出色工具之上，旨在易于使用。用户的训练数据保留在公司服务器中，所有的数据传输都有加密保护。AutoTrain支持的机器学习任务包括：文本分类、文本回归、摘要、问答、翻译和表格。支持语言：英语、德语、法语、西班牙语、印地语、荷兰语、阿拉伯语、中文等。AutoTrain界面界面AutoTrain使用流程使用流程创建项目创建项目加载数据加载数据开始自训练开始自训练AutoTrain自动为你的数据找到最佳模型追踪模型追踪模型使用模型使用模型资料来源：Hugging Face官网资料来源：Hugging Face官网，中信证券研究部16161616产品业

21、务产品业务解决方案解决方案 Hardware Hugging Face Hardware是一个机器学习硬件优化工具包，可加速Transformer在最先进的硬件上的运行，公司正在与领先的AI硬件加速器合作。Optimum：Hugging Face Optimum是一个针对生产性能的ML优化工具箱，是硬件优化工具包Hardware的一部分，可在目标硬件上以最大效率训练和运行模型。实现功能：1）Quantize：利用英特尔神经压缩器的训练后量化、量化感知训练和动态量化，使模型的速度更快，对精度的影响最小。2）Prune：使用英特尔神经压缩器去除模型的权重，使模型更小，对精度的影响最小，配置简单易用

22、。3）Train：利用最新一代人工智能专用硬件Graphcore智能处理单元（IPU）训练模型，利用内置的IPUTrainer API训练或Fine-tuning Transformer模型。硬件合作商硬件合作商Optimum的软件包种类的软件包种类资料来源：Hugging Face官网资料来源：Hugging Face官网17171717模型托管情况模型托管情况 Hugging Face Spaces中模型托管数量在2023年后迎来大幅提升，其中2023年5月新模型数量较2022年同比上升1400%。受用户关注度最高的模型还是用于图像文本转换的Stable Diffusion 2.1 Dem

23、o、DALL Emini以及用OpenAI GPT-3.5和LangChain实现的对话代理GPT+WolframAlpha。Spaces中上新的模型数量中上新的模型数量Spaces最受欢迎的模型最受欢迎的模型4880100200300400500600资料来源：Hugging Face官网，中信证券研究部资料来源：Hugging Face官网18181818商业化商业化 目前公司商业化仍处于早期阶段，截至2022年9月，Hugging Face目前已有超过10,000家公司在使用他们提供的产品和服务，其中付费用户超过1000家。其商业化模式主要分为两类：服务提供，包括模型托管、专家咨询等；订

24、阅服务，即Pro账户的订阅。Inference Endpoints Inference Endpoints提供了一个安全的生产解决方案，可以在专用和自动缩放的基础设施上轻松部署任何ML模型。在任务的过程中，需要为部署模型的CPU&GPU计算资源付费。阶形套餐：根据是否采用GPU加速，推理的文本字符总数量限制，设立不同的套餐。不同的CPU以及GPU规格有不同的收费标准，取决于所用架构、xCPUs和Memory能力。Inference Endpoints的的CPU收费标准收费标准Inference Endpoints的的GPU收费标准收费标准资料来源：Hugging Face官网资料来源：Hugg

25、ing Face官网19191919商业化商业化 Space Hardware Space是与世界分享ML应用和demo的最流行方式之一，可以按需定制的硬件来升级Space的配置Space提供的硬件资源升级配置提供的硬件资源升级配置资料来源：Hugging Face官网20202020商业化商业化 AutoTrain 无需代码即可创建强大的人工智能模型。AutoTrain是一种新的方式，只需上传数据即可自动训练、评估和部署SOTA的机器学习模型。目前支持的任务包括图像分类、文本分类、分词分类、翻译等。收费模式：根据创建的训练数据和模型变体的数量，向用户发送计算成本和支付链接，低至每项工作10美

26、元。Expert Acceleration Program 基于座位的定价，个人和企业都可以通过年度合约获得专家服务，具体报价需与公司沟通。AutoTrain收费标准收费标准资料来源：Hugging Face官网21212121商业化商业化 Pro Account Pro账户可以提供更高的Inference API限制，以及AutoTrain更多免费的权限。目前价格为9美元每月，企业版服务则需要协商定价。Pro 账户订阅标准账户订阅标准企业版收费标准企业版收费标准资料来源：Hugging Face官网资料来源：Hugging Face官网感谢您的信任与支持！感谢您的信任与支持！THANK YO

27、U许英博许英博（科技产业首席分析科技产业首席分析师师）执业证书编号：S1010510120041陈俊云陈俊云（前前瞻瞻研究研究首席首席分析分析师师）执业证书编号：S1010517080001贾凯方贾凯方（前前瞻研究分析瞻研究分析师师）执业证书编号：S1010522080001免责声明免责声明23分析师声明分析师声明主要负责撰写本研究报告全部或部分内容的分析师在此声明：（i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；（ii）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。一般性声明一般性声明

28、本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含CLSA group ofcompanies），统称为“中信证券”。本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工

29、具的建议或策略。对于本报告中提及的任何证券或金融工具，本报告的收件人须保持自身的独立判断并自行承担投资风险。本报告所载资料的来源被认为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可跌可升。过往的业绩并不能代表未来的表现。本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同

30、观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详

31、细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及中信证券的各个高级职员、董事和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。评级说明评级说明投资建议的评级标准投资建议的评级标准评级评级说明说明报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A股市场以沪深300指数为基准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对

32、做市转让标的）为基准；香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准；韩国市场以科斯达克指数或韩国综合股价指数为基准。股票评级买入相对同期相关证券市场代表性指数涨幅20%以上增持相对同期相关证券市场代表性指数涨幅介于5%20%之间持有相对同期相关证券市场代表性指数涨幅介于-10%5%之间卖出相对同期相关证券市场代表性指数跌幅10%以上行业评级强于大市相对同期相关证券市场代表性指数涨幅10%以上中性相对同期相关证券市场代表性指数涨幅介于-10%10%之间弱于大市相对同期相关证券市场代表性指数跌幅10%以上证券研究报告证券研究报告2023年年05月月25日日免

33、责声明免责声明24特别声明特别声明在法律许可的情况下，中信证券可能（1）与本研究报告所提到的公司建立或保持顾问、投资银行或证券服务关系，（2）参与或投资本报告所提到的公司的金融交易，及/或持有其证券或其衍生 品 或 进 行 证 券 或 其 衍 生 品 交 易，因 此，投 资 者 应 考 虑 到 中 信 证 券 可 能 存 在 与 本 研 究 报 告 有 潜 在 利 益 冲 突 的 风 险。本 研 究 报 告 涉 及 具 体 公 司 的 披 露 信 息，请 访 问https:/ Limited（于中国香港注册成立的有限公司）分发；在中国台湾由CL Securities Taiwan Co.,Lt

34、d.分发；在澳大利亚由CLSA Australia Pty Ltd.（商业编号：53 139 992 331/金融服务牌照编号：350159）分发；在美国由CLSA（CLSA Americas,LLC除外）分发；在新加坡由CLSA Singapore Pte Ltd.（公司注册编号：198703750W）分发；在欧洲经济区由CLSA Europe BV分发；在英国由CLSA（UK）分发；在印度由CLSA India Private Limited分发（地址：8/F,Dalamal House,Nariman Point,Mumbai 400021；电话：+91-22-66505050；传真：+

35、91-22-22840271；公司识别号：U67120MH1994PLC083118）；在印度尼西亚由PT CLSA Sekuritas Indonesia分发；在日本由CLSA Securities Japan Co.,Ltd.分发；在韩国由CLSA Securities Korea Ltd.分发；在马来西亚由CLSA Securities Malaysia Sdn Bhd分发；在菲律宾由CLSA Philippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；在泰国由CLSA Securities(Thailand)Limited分发。针对不同司法管辖区的声明针对不同司法

36、管辖区的声明中国大陆：中国大陆：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。中国香港：中国香港：本研究报告由CLSA Limited分发。本研究报告在香港仅分发给专业投资者（证券及期货条例（香港法例第571 章）及其下颁布的任何规则界定的），不得分发给零售投资者。就分析或报告引起的或与分析或报告有关的任何事宜，CLSA客户应联系CLSALimited的罗鼎，电话：+852 2600 7233。美国：美国：本研究报告由中信证券制作。本研究报告在美国由CLSA（CLSA Americas,LLC除外）仅向符合美国1934年证券交易法下15a

37、-6规则界定且CLSA Americas,LLC提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书。任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericas,LLC（在美国证券交易委员会注册的经纪交易商），以及 CLSA 的附属公司。新加坡：新加坡：本研究报告在新加坡由CLSA Singapore Pte Ltd.，仅向（新加坡财务顾问规例界定的）“机构投资者、认可投资者及专业投资者”分发。就分析或报告引起的或与分析或报告有关的任何事宜

38、，新加坡的报告收件人应联系CLSA Singapore Pte Ltd，地址：80 Raffles Place,#18-01,UOB Plaza 1,Singapore 048624，电话：+65 6416 7888。因您作为机构投资者、认可投资者或专业投资者的身份，就CLSA Singapore Pte Ltd.可能向您提供的任何财务顾问服务，CLSA Singapore Pte Ltd豁免遵守财务顾问法（第110章）、财务顾问规例以及其下的相关通知和指引（CLSA业务条款的新加坡附件中证券交易服务C部分所披露）的某些要求。MCI（P）085/11/2021。加拿大：加拿大：本研究报告由中信

39、证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。英国英国：本研究报告归属于营销文件，其不是按照旨在提升研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在英国由CLSA（UK）分发，且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士。涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验，请勿依赖本研究报告。对于英国分析员编纂的研究资料，其由CLSA（UK）制作并发布。就英国的金融行业准则，该资料被制作并意图作为实质性研究资料。CLSA（UK）由（英国）金融行为

40、管理局授权并接受其管理。欧洲经济区：欧洲经济区：本研究报告由荷兰金融市场管理局授权并管理的CLSAEurope BV 分发。澳大利亚：澳大利亚：CLSA Australia Pty Ltd(“CAPL”)(商业编号：53 139 992 331/金融服务牌照编号：350159)受澳大利亚证券与投资委员会监管，且为澳大利亚证券交易所及CHI-X的市场参与主体。本研究报告在澳大利亚由CAPL仅向“批发客户”发布及分发。本研究报告未考虑收件人的具体投资目标、财务状况或特定需求。未经CAPL事先书面同意，本研究报告的收件人不得将其分发给任何第三方。本段所称的“批发客户”适用于公司法（2001）第761

41、G条的规定。CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASX All Ordinaries 指数成分股、离岸市场上市证券、未上市发行人及投资产品。CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司。印度：印度：CLSA India Private Limited，成立于 1994 年 11 月，为全球机构投资者、养老基金和企业提供股票经纪服务（印度证券交易委员会注册编号：INZ000001735）、研究服务（印度证券交易委员会注册编号：INH000001113）和商人银行服务（印度证券交易委员会注册编号：INM000010619）。CLSA 及其关联方可能持有标的公司的债务。此外，CLSA及其关联方在过去 12 个月内可能已从标的公司收取了非投资银行服务和/或非证券相关服务的报酬。如需了解CLSAIndia“关联方”的更多详情，请联系 Compliance-I。未经中信证券事先书面授权未经中信证券事先书面授权，任何人不得以任何目的复制任何人不得以任何目的复制、发送或销售本报告发送或销售本报告。中信证券中信证券2023版权所有版权所有，保留一切权利保留一切权利。