科技行業先鋒系列報告261：Hugging FaceAI領域的GitHub-230525（24頁）.pdf

《科技行業先鋒系列報告261：Hugging FaceAI領域的GitHub-230525（24頁）.pdf》由會員分享，可在線閱讀，更多相關《科技行業先鋒系列報告261：Hugging FaceAI領域的GitHub-230525（24頁）.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、請務必閱讀末頁的免責條款和聲明科技先鋒系列科技先鋒系列報告報告261Hugging Face：AI領域的領域的GitHub陳俊云陳俊云 前前瞻研究首席分析師瞻研究首席分析師許英博許英博 科技產業首席分析科技產業首席分析師師賈凱方賈凱方 前瞻研究分析師前瞻研究分析師中信證券研究部 前瞻研究2023年5月25日資料來源：Hugging Face官網2 2 2 2 Hugging Face是一家總部位于紐約的初創公司。起初，該公司打算專注于聊天機器人領域，然而在其業務發展過程中，他們創造出的一款名為Transformers的開源庫在機器學習社區引發了廣泛關注，致力于成為機器學習屆的GitHub。其開

2、放的Hugging Face Hub平臺擁有超過20萬個模型、3萬個數據集和5萬個演示，使得全球的機器學習社區成員可以輕松協作完成他們的工作流程。其中，Hugging Face的Transformers庫為NLP領域提供了大量的先進預訓練語言模型架構及其調用框架，至今已被下載超過一百萬次，GitHub上的星級評價超過24000個。Hugging Face官網官網資料來源：Hugging Face官網Hugging Face發展階段發展階段聊天機聊天機器人器人機器學習屆的機器學習屆的GitHubPytorch-BERT201620182019Pytorch-Transformers 公司介紹公司

3、介紹資料來源：Hugging Face官網，中信證券研究部PZ8ZvVgVkWoMtRmR8OaObRtRpPtRoNjMrRqNkPoMtNaQrRxONZrNrMuOsPtQ3 3 3 3公司介紹公司介紹 運營層面：運營層面：采用了社群驅動的方式，其領英關注者數量超過200,000人。為了保持模型SOTA和推動AI進步，需要整個領域的專家來共同參與構建了Hugging Face社區和Transformers庫，科研人員把模型集成到Transformers庫或者基于Transformer庫構建模型。落地和易用性層面：落地和易用性層面：通過做了一層抽象，屏蔽了Tensorflow和Pytorc

4、h的復雜性。Tensorflow工業部署能力強，吸引了偏向產業界的開發者。Pytorch易用性強，吸引了偏學術的開發者，解決了科研到工程落地的鴻溝。成就：成就：Hugging Face的Transformers庫幾乎開始成為了NLP SOTA的標準，形成了平臺效應，一方面科研想把模型集成到Transformers庫，將科研成果用于實踐；另一方面，工程人員可以相對低門檻地用上整理好的模型庫。同時Transformers庫的引流，帶動了文本數據集的擴充，初步形成了NLP界的GitHub。模型過去模型過去30天的天的Top20下載下載資料來源：Hugging Face官網語音模型過去語音模型過去30

5、天的天的Top20下載下載資料來源：Hugging Face官網4 4 4 4 創始團隊：創始團隊：Hugging Face創始初期由 ClmentDelangue、JulienChaumond、Thomas Wolf聯合創辦，2021年之前全為機器學習領域的工程師。根據公司官網，目前公司團隊共有177人，重點分布在法國。公司團隊公司團隊公司介紹公司介紹 融資歷程：融資歷程：Hugging Face在5輪融資中共籌集了1.602億美元的資金，估值達到20億美元。其早期投資機構包括Addition、Lux Capital、A.capital、Betaworks、SV angel，以及眾多開源領域

6、的個人投資者，為Hugging Face帶來了豐富的產業背景支持和資金支持。融資歷程融資歷程資料來源：Hugging Face官網資料來源：Hugging Face官網5 5 5 5主營業務框架主營業務框架 作為一個開源社群，Hugging Face Hub擁有超過20萬個模型、3萬個數據集和5萬個演示應用程序（Spaces）的平臺，所有這些都是開源和公開的，在這個在線平臺上，人們可以輕松合作并共同構建ML。作為一個社群場所，任何人都可以分享、探索、發現和實驗開源的機器學習。模型、數據集和Space都以Git倉庫（repo）的形式托管在Hugging Face Hub上，倉庫可以存儲代碼和資產

7、的地方，用于備份工作，與社區分享，并在團隊中協作。公司所運營的社群內容包含基于這個倉庫基礎上的開源模型、數據集、demo平臺Spaces，并提供一系列解決方案。公司業務框架公司業務框架資料來源：Hugging Face官網6 6 6 6產品業務產品業務模型模型 Hugging Face為不同的機器學習任務提供了許多預訓練好的機器學習模型來使用，這些模型就存儲在模型倉庫中。其目前社群共有超過20萬個開源模型可供使用，由Hugging Face、OpenAI、谷歌、微軟、Facebook、清華以及很多優秀社區和個人用戶上傳，支持多種預訓練模型，如BERT、GPT-2、RoBERTa等。從分類來看，

8、可以按照任務類型分為多模態模型、計算機視覺模型、自然語言處理模型、語音模型、表格模型、強化學習模型。對于每一個模型，其指示文檔中會有模型介紹、使用目的、限制、模型的訓練方法、模型評估等，切實有效降低了用戶的調用難度。模型分類模型分類模型社區模型社區資料來源：Hugging Face官網資料來源：Hugging Face官網7 7 7 7產品業務產品業務模型模型 以BERT based model為例，其模型操作包括三個方面：Model card、Files and versions、Community。Model card中是詳細的模型介紹、使用方法、模型限制、訓練數據、訓練流程、結果評估。模

9、型的版本文件則存放于Files and versions中，類似GitHub的操作界面，用戶可以通過添加和修改進行相應的貢獻。Community中則包含了針對于該模型的討論和請求。Hosted inference API：用戶可以通過簡單的 HTTP 請求免費測試和評估超過 80，000 個可公開訪問的機器學習模型或私有模型，并在 Hugging Face 共享基礎設施上托管快速推理。BERT-base-uncased模型卡片模型卡片Hosted Inference API資料來源：Hugging Face官網資料來源：Hugging Face官網8 8 8 8產品業務產品業務模型模型 模型主

10、要部署形式有四種：1）使用Hugging Face提供的API在本地運行模型。2）通過推理端節點將模型部署在專用的、完全管理的基礎設施上。3）使用AWS SegeMaker進行部署。4）使用Gradio的從推理API中加載功能在Hugging Face的Spaces中進行部署。API部署與部署與Space部署的界面部署的界面Inference Endpoint部署流程部署流程資料來源：Hugging Face官網資料來源：Hugging Face官網9 9 9 9產品業務產品業務數據集數據集 Hugging Face 歸集了超過36000個數據集，涵蓋100多種語言，可用于多模態模型、自然語言

11、處理、計算機視覺和音頻等廣泛領域的任務。除了數據集卡中包含的信息外，許多數據集，如GLUE，還包括一個數據集預覽，以展示數據。Hugging Face提供一個輕量級的數據集框架，具備：1）一行代碼加載數據集；2）快速、易用的數據預處理類庫等功能。目前提供音頻、視覺、NLP數據集以供不同目的的模型訓練，每個數據集中都包含Dataset Cards以查閱數據集的使用信息和方式。數據集界面數據集界面支持數據集種類與數據集卡支持數據集種類與數據集卡資料來源：Hugging Face官網資料來源：Hugging Face官網10101010產品業務產品業務數據集數據集 數據集使用流程：1）從Hub中加載

12、數據集：可以使用 load_dataset_builder()函數加載數據集構建器并檢查數據集的屬性，隨后使用 load_dataset()加載。2）數據預處理：Datasets提供一組多樣化的預處理函數，將數據集轉換為適當的格式，以便使用機器學習框架進行訓練?？赡馨〝祿擞?、音頻數據采樣、應用數據增強等。3）數據評測：Datasets提供各種常見和特定于 NLP 的指標，以用來衡量模型性能，包括“GLUE”、“MRPC”等。4）創建數據集：如果使用自己的數據集則存在創建數據集的需求，Datasets提供低代碼的方式創建，包括Folder-based的創建和from_方法從本地創建。5）共享

13、數據集到Hub：可以通過Hub界面進行上傳，也可以通過Python進行上傳.Folder-based創建的方式案例創建的方式案例創建創建dataset的倉庫的倉庫資料來源：Hugging Face官網資料來源：Hugging Face官網11111111產品業務產品業務Spaces Hugging Face Space提供了一種直接托管 ML demo的方法，目前有5萬多個demo。用戶可以在上面創建 ML 產品組合，并與 ML 生態系統中的其他人協作。除了代碼托管外，構建、部署和運行也包括在 Space 的功能中。用戶只需要寫好代碼，提交到Space（用Git），后續的構建、部署和運行都是自

14、動化的，然后就可以在自己的 Space 主頁看到自己的應用程序。Hub提供四個SDK選項：Gradio、Streamlit、Docker和static HTML。Gradio和Streamlit可以在幾分鐘內用Python完成程序建立，對于更多的自定義Demo，可以使用JavaScript和HTML創建static Space，或者可以托管一個Arbritary Docker文件。Spaces界面界面Chat-GPT-LangChain托管界面托管界面資料來源：Hugging Face官網資料來源：Hugging Face官網12121212產品業務產品業務Spaces 創造Space時，Hu

15、b提供四個SDK選項：Gradio、Streamlit、Docker和static HTML。在后臺，Spaces 會將代碼存儲在 Git 存儲庫中。每個Spaces環境默認限制為16GB內存、2個CPU內核和50Gb（非持久性）磁盤空間，可以免費使用，也可以升級到更好的硬件，包括各種GPU加速器。Gradio:提供了一個簡單直觀的界面，可以從輸入列表中運行一個模型，并以圖像、音頻、3D對象等格式顯示輸出?？梢杂肕atplotlib、Bokeh和Plotly創建數據可視化。Streamlit：用Python以reactive的方式構建一個全功能的網絡應用。Streamlit適合做數據可視化，支

16、持如Bokeh、Plotly和Altair等圖表庫。Docker：允許用戶超越以前標準SDK所能做到的極限，從FastAPI和Go端點到Phoenix應用和ML Ops工具，Docker Spaces可以在許多不同的設置中提供幫助。Space環境配置環境配置使用使用Docker托管托管Argilla資料來源：Hugging Face官網資料來源：Hugging Face官網13131313產品業務產品業務解決方案解決方案Expert Acceleration Program 為客戶提供定制化的機器學習方案建議，目前已有多家公司參與到其中，Hugging Face主要有三方面優勢：1）專業支持：

17、一位專門的機器學習工程師將指導用戶團隊實施最先進的Transformer模型。2）技術知識：從研究到生產，Hugging Face的專家根據需要回答問題并找到解決方案。3）靈活溝通：提供不同的溝通渠道，使用戶在最方便的時間和地點輕松地尋求專家指導?？梢詭椭脩艚獯鹉Ｐ臀⒄{、模型優化降低延遲、優化生成環境、在SageMaker使用Transformers、檢測和減少數據集和模型中的偏差等的問題。合作組織和專家團隊合作組織和專家團隊Hugging Face的優勢的優勢資料來源：Hugging Face官網資料來源：Hugging Face官網14141414產品業務產品業務解決方案解決方案 Inf

18、erence Endpoints Inference Endpoints是Hugging Face提供的推理解決方案。使用Inference Endpoints，可以輕松部署Transformers、Diffusers或任何模型到專用、完全托管的基礎設施上。它是一個安全、合規和靈活的生產解決方案，可以讓成本保持低廉。Endpoints運行在私有的Hugging Face子網上，不能通過互聯網訪問，只能通過用戶的AWS或Azure賬戶中的一個私有連接來使用，可以滿足最嚴格的合規要求。部署主要分為四步：1）選擇模型；2）選擇云；3）選擇安全類型，可以分為受保護端點、公共端點、私有端點；4）創造en

19、dpoint，定義自動縮放，訪問日志和監控，設置自定義指標路線，用API/CLI程序化地管理端點等。Inference Endpoint配置配置Inference Endpoint部署流程部署流程資料來源：Hugging Face官網資料來源：Hugging Face官網15151515產品業務產品業務解決方案解決方案 AutoTrain AutoTrain是Hugging Face提供的自動訓練和部署最先進的機器學習模型的工具，與Hugging Face生態系統無縫集成。AutoTrain是一個無代碼工具，用于訓練自然語言處理（NLP）任務、計算機視覺（CV）任務、語音任務甚至表格任務的最先

20、進模型。它構建在Hugging Face團隊開發的出色工具之上，旨在易于使用。用戶的訓練數據保留在公司服務器中，所有的數據傳輸都有加密保護。AutoTrain支持的機器學習任務包括：文本分類、文本回歸、摘要、問答、翻譯和表格。支持語言：英語、德語、法語、西班牙語、印地語、荷蘭語、阿拉伯語、中文等。AutoTrain界面界面AutoTrain使用流程使用流程創建項目創建項目加載數據加載數據開始自訓練開始自訓練AutoTrain自動為你的數據找到最佳模型追蹤模型追蹤模型使用模型使用模型資料來源：Hugging Face官網資料來源：Hugging Face官網，中信證券研究部16161616產品業

21、務產品業務解決方案解決方案 Hardware Hugging Face Hardware是一個機器學習硬件優化工具包，可加速Transformer在最先進的硬件上的運行，公司正在與領先的AI硬件加速器合作。Optimum：Hugging Face Optimum是一個針對生產性能的ML優化工具箱，是硬件優化工具包Hardware的一部分，可在目標硬件上以最大效率訓練和運行模型。實現功能：1）Quantize：利用英特爾神經壓縮器的訓練后量化、量化感知訓練和動態量化，使模型的速度更快，對精度的影響最小。2）Prune：使用英特爾神經壓縮器去除模型的權重，使模型更小，對精度的影響最小，配置簡單易用

22、。3）Train：利用最新一代人工智能專用硬件Graphcore智能處理單元（IPU）訓練模型，利用內置的IPUTrainer API訓練或Fine-tuning Transformer模型。硬件合作商硬件合作商Optimum的軟件包種類的軟件包種類資料來源：Hugging Face官網資料來源：Hugging Face官網17171717模型托管情況模型托管情況 Hugging Face Spaces中模型托管數量在2023年后迎來大幅提升，其中2023年5月新模型數量較2022年同比上升1400%。受用戶關注度最高的模型還是用于圖像文本轉換的Stable Diffusion 2.1 Dem

23、o、DALL Emini以及用OpenAI GPT-3.5和LangChain實現的對話代理GPT+WolframAlpha。Spaces中上新的模型數量中上新的模型數量Spaces最受歡迎的模型最受歡迎的模型4880100200300400500600資料來源：Hugging Face官網，中信證券研究部資料來源：Hugging Face官網18181818商業化商業化 目前公司商業化仍處于早期階段，截至2022年9月，Hugging Face目前已有超過10,000家公司在使用他們提供的產品和服務，其中付費用戶超過1000家。其商業化模式主要分為兩類：服務提供，包括模型托管、專家咨詢等；訂

24、閱服務，即Pro賬戶的訂閱。Inference Endpoints Inference Endpoints提供了一個安全的生產解決方案，可以在專用和自動縮放的基礎設施上輕松部署任何ML模型。在任務的過程中，需要為部署模型的CPU&GPU計算資源付費。階形套餐：根據是否采用GPU加速，推理的文本字符總數量限制，設立不同的套餐。不同的CPU以及GPU規格有不同的收費標準，取決于所用架構、xCPUs和Memory能力。Inference Endpoints的的CPU收費標準收費標準Inference Endpoints的的GPU收費標準收費標準資料來源：Hugging Face官網資料來源：Hugg

25、ing Face官網19191919商業化商業化 Space Hardware Space是與世界分享ML應用和demo的最流行方式之一，可以按需定制的硬件來升級Space的配置Space提供的硬件資源升級配置提供的硬件資源升級配置資料來源：Hugging Face官網20202020商業化商業化 AutoTrain 無需代碼即可創建強大的人工智能模型。AutoTrain是一種新的方式，只需上傳數據即可自動訓練、評估和部署SOTA的機器學習模型。目前支持的任務包括圖像分類、文本分類、分詞分類、翻譯等。收費模式：根據創建的訓練數據和模型變體的數量，向用戶發送計算成本和支付鏈接，低至每項工作10美

26、元。Expert Acceleration Program 基于座位的定價，個人和企業都可以通過年度合約獲得專家服務，具體報價需與公司溝通。AutoTrain收費標準收費標準資料來源：Hugging Face官網21212121商業化商業化 Pro Account Pro賬戶可以提供更高的Inference API限制，以及AutoTrain更多免費的權限。目前價格為9美元每月，企業版服務則需要協商定價。Pro 賬戶訂閱標準賬戶訂閱標準企業版收費標準企業版收費標準資料來源：Hugging Face官網資料來源：Hugging Face官網感謝您的信任與支持！感謝您的信任與支持！THANK YO

27、U許英博許英博（科技產業首席分析科技產業首席分析師師）執業證書編號：S1010510120041陳俊云陳俊云（前前瞻瞻研究研究首席首席分析分析師師）執業證書編號：S1010517080001賈凱方賈凱方（前前瞻研究分析瞻研究分析師師）執業證書編號：S1010522080001免責聲明免責聲明23分析師聲明分析師聲明主要負責撰寫本研究報告全部或部分內容的分析師在此聲明：（i）本研究報告所表述的任何觀點均精準地反映了上述每位分析師個人對標的證券和發行人的看法；（ii）該分析師所得報酬的任何組成部分無論是在過去、現在及將來均不會直接或間接地與研究報告所表述的具體建議或觀點相聯系。一般性聲明一般性聲明

28、本研究報告由中信證券股份有限公司或其附屬機構制作。中信證券股份有限公司及其全球的附屬機構、分支機構及聯營機構（僅就本研究報告免責條款而言，不含CLSA group ofcompanies），統稱為“中信證券”。本研究報告對于收件人而言屬高度機密，只有收件人才能使用。本研究報告并非意圖發送、發布給在當地法律或監管規則下不允許向其發送、發布該研究報告的人員。本研究報告僅為參考之用，在任何地區均不應被視為買賣任何證券、金融工具的要約或要約邀請。中信證券并不因收件人收到本報告而視其為中信證券的客戶。本報告所包含的觀點及建議并未考慮個別客戶的特殊狀況、目標或需要，不應被視為對特定客戶關于特定證券或金融工

29、具的建議或策略。對于本報告中提及的任何證券或金融工具，本報告的收件人須保持自身的獨立判斷并自行承擔投資風險。本報告所載資料的來源被認為是可靠的，但中信證券不保證其準確性或完整性。中信證券并不對使用本報告或其所包含的內容產生的任何直接或間接損失或與此有關的其他損失承擔任何責任。本報告提及的任何證券或金融工具均可能含有重大的風險，可能不易變賣以及不適合所有投資者。本報告所提及的證券或金融工具的價格、價值及收益可跌可升。過往的業績并不能代表未來的表現。本報告所載的資料、觀點及預測均反映了中信證券在最初發布該報告日期當日分析師的判斷，可以在不發出通知的情況下做出更改，亦可因使用不同假設和標準、采用不同

30、觀點和分析方法而與中信證券其它業務部門、單位或附屬機構在制作類似的其他材料時所給出的意見不同或者相反。中信證券并不承擔提示本報告的收件人注意該等材料的責任。中信證券通過信息隔離墻控制中信證券內部一個或多個領域的信息向中信證券其他領域、單位、集團及其他附屬機構的流動。負責撰寫本報告的分析師的薪酬由研究部門管理層和中信證券高級管理層全權決定。分析師的薪酬不是基于中信證券投資銀行收入而定，但是，分析師的薪酬可能與投行整體收入有關，其中包括投資銀行、銷售與交易業務。若中信證券以外的金融機構發送本報告，則由該金融機構為此發送行為承擔全部責任。該機構的客戶應聯系該機構以交易本報告中提及的證券或要求獲悉更詳

31、細信息。本報告不構成中信證券向發送本報告金融機構之客戶提供的投資建議，中信證券以及中信證券的各個高級職員、董事和員工亦不為（前述金融機構之客戶）因使用本報告或報告載明的內容產生的直接或間接損失承擔任何責任。評級說明評級說明投資建議的評級標準投資建議的評級標準評級評級說明說明報告中投資建議所涉及的評級分為股票評級和行業評級（另有說明的除外）。評級標準為報告發布日后6到12個月內的相對市場表現，也即：以報告發布日后的6到12個月內的公司股價（或行業指數）相對同期相關證券市場代表性指數的漲跌幅作為基準。其中：A股市場以滬深300指數為基準，新三板市場以三板成指（針對協議轉讓標的）或三板做市指數（針對

32、做市轉讓標的）為基準；香港市場以摩根士丹利中國指數為基準；美國市場以納斯達克綜合指數或標普500指數為基準；韓國市場以科斯達克指數或韓國綜合股價指數為基準。股票評級買入相對同期相關證券市場代表性指數漲幅20%以上增持相對同期相關證券市場代表性指數漲幅介于5%20%之間持有相對同期相關證券市場代表性指數漲幅介于-10%5%之間賣出相對同期相關證券市場代表性指數跌幅10%以上行業評級強于大市相對同期相關證券市場代表性指數漲幅10%以上中性相對同期相關證券市場代表性指數漲幅介于-10%10%之間弱于大市相對同期相關證券市場代表性指數跌幅10%以上證券研究報告證券研究報告2023年年05月月25日日免

33、責聲明免責聲明24特別聲明特別聲明在法律許可的情況下，中信證券可能（1）與本研究報告所提到的公司建立或保持顧問、投資銀行或證券服務關系，（2）參與或投資本報告所提到的公司的金融交易，及/或持有其證券或其衍生 品 或 進 行 證 券 或 其 衍 生 品 交 易，因 此，投 資 者 應 考 慮 到 中 信 證 券 可 能 存 在 與 本 研 究 報 告 有 潛 在 利 益 沖 突 的 風 險。本 研 究 報 告 涉 及 具 體 公 司 的 披 露 信 息，請 訪 問https:/ Limited（于中國香港注冊成立的有限公司）分發；在中國臺灣由CL Securities Taiwan Co.,Lt

34、d.分發；在澳大利亞由CLSA Australia Pty Ltd.（商業編號：53 139 992 331/金融服務牌照編號：350159）分發；在美國由CLSA（CLSA Americas,LLC除外）分發；在新加坡由CLSA Singapore Pte Ltd.（公司注冊編號：198703750W）分發；在歐洲經濟區由CLSA Europe BV分發；在英國由CLSA（UK）分發；在印度由CLSA India Private Limited分發（地址：8/F,Dalamal House,Nariman Point,Mumbai 400021；電話：+91-22-66505050；傳真：+

35、91-22-22840271；公司識別號：U67120MH1994PLC083118）；在印度尼西亞由PT CLSA Sekuritas Indonesia分發；在日本由CLSA Securities Japan Co.,Ltd.分發；在韓國由CLSA Securities Korea Ltd.分發；在馬來西亞由CLSA Securities Malaysia Sdn Bhd分發；在菲律賓由CLSA Philippines Inc.（菲律賓證券交易所及證券投資者保護基金會員）分發；在泰國由CLSA Securities(Thailand)Limited分發。針對不同司法管轄區的聲明針對不同司法

36、管轄區的聲明中國大陸：中國大陸：根據中國證券監督管理委員會核發的經營證券業務許可，中信證券股份有限公司的經營范圍包括證券投資咨詢業務。中國香港：中國香港：本研究報告由CLSA Limited分發。本研究報告在香港僅分發給專業投資者（證券及期貨條例（香港法例第571 章）及其下頒布的任何規則界定的），不得分發給零售投資者。就分析或報告引起的或與分析或報告有關的任何事宜，CLSA客戶應聯系CLSALimited的羅鼎，電話：+852 2600 7233。美國：美國：本研究報告由中信證券制作。本研究報告在美國由CLSA（CLSA Americas,LLC除外）僅向符合美國1934年證券交易法下15a

37、-6規則界定且CLSA Americas,LLC提供服務的“主要美國機構投資者”分發。對身在美國的任何人士發送本研究報告將不被視為對本報告中所評論的證券進行交易的建議或對本報告中所述任何觀點的背書。任何從中信證券與CLSA獲得本研究報告的接收者如果希望在美國交易本報告中提及的任何證券應當聯系CLSAAmericas,LLC（在美國證券交易委員會注冊的經紀交易商），以及 CLSA 的附屬公司。新加坡：新加坡：本研究報告在新加坡由CLSA Singapore Pte Ltd.，僅向（新加坡財務顧問規例界定的）“機構投資者、認可投資者及專業投資者”分發。就分析或報告引起的或與分析或報告有關的任何事宜

38、，新加坡的報告收件人應聯系CLSA Singapore Pte Ltd，地址：80 Raffles Place,#18-01,UOB Plaza 1,Singapore 048624，電話：+65 6416 7888。因您作為機構投資者、認可投資者或專業投資者的身份，就CLSA Singapore Pte Ltd.可能向您提供的任何財務顧問服務，CLSA Singapore Pte Ltd豁免遵守財務顧問法（第110章）、財務顧問規例以及其下的相關通知和指引（CLSA業務條款的新加坡附件中證券交易服務C部分所披露）的某些要求。MCI（P）085/11/2021。加拿大：加拿大：本研究報告由中信

39、證券制作。對身在加拿大的任何人士發送本研究報告將不被視為對本報告中所評論的證券進行交易的建議或對本報告中所載任何觀點的背書。英國英國：本研究報告歸屬于營銷文件，其不是按照旨在提升研究報告獨立性的法律要件而撰寫，亦不受任何禁止在投資研究報告發布前進行交易的限制。本研究報告在英國由CLSA（UK）分發，且針對由相應本地監管規定所界定的在投資方面具有專業經驗的人士。涉及到的任何投資活動僅針對此類人士。若您不具備投資的專業經驗，請勿依賴本研究報告。對于英國分析員編纂的研究資料，其由CLSA（UK）制作并發布。就英國的金融行業準則，該資料被制作并意圖作為實質性研究資料。CLSA（UK）由（英國）金融行為

40、管理局授權并接受其管理。歐洲經濟區：歐洲經濟區：本研究報告由荷蘭金融市場管理局授權并管理的CLSAEurope BV 分發。澳大利亞：澳大利亞：CLSA Australia Pty Ltd(“CAPL”)(商業編號：53 139 992 331/金融服務牌照編號：350159)受澳大利亞證券與投資委員會監管，且為澳大利亞證券交易所及CHI-X的市場參與主體。本研究報告在澳大利亞由CAPL僅向“批發客戶”發布及分發。本研究報告未考慮收件人的具體投資目標、財務狀況或特定需求。未經CAPL事先書面同意，本研究報告的收件人不得將其分發給任何第三方。本段所稱的“批發客戶”適用于公司法（2001）第761

41、G條的規定。CAPL研究覆蓋范圍包括研究部門管理層不時認為與投資者相關的ASX All Ordinaries 指數成分股、離岸市場上市證券、未上市發行人及投資產品。CAPL尋求覆蓋各個行業中與其國內及國際投資者相關的公司。印度：印度：CLSA India Private Limited，成立于 1994 年 11 月，為全球機構投資者、養老基金和企業提供股票經紀服務（印度證券交易委員會注冊編號：INZ000001735）、研究服務（印度證券交易委員會注冊編號：INH000001113）和商人銀行服務（印度證券交易委員會注冊編號：INM000010619）。CLSA 及其關聯方可能持有標的公司的債務。此外，CLSA及其關聯方在過去 12 個月內可能已從標的公司收取了非投資銀行服務和/或非證券相關服務的報酬。如需了解CLSAIndia“關聯方”的更多詳情，請聯系 Compliance-I。未經中信證券事先書面授權未經中信證券事先書面授權，任何人不得以任何目的復制任何人不得以任何目的復制、發送或銷售本報告發送或銷售本報告。中信證券中信證券2023版權所有版權所有，保留一切權利保留一切權利。