SXM 模组

3 秒看懂

SXM 模组（SXM Module）是 NVIDIA 面向 AI 训练与高性能计算推出的一种非 PCIe 物理封装的 GPU 交付形态。它将 GPU 裸片与高带宽内存（HBM）集成于一块 mezzanine 式板卡上，通过超高密度的板对板连接器直连系统主板，从而获得数倍于 PCIe 形态的 NVLink 互联带宽、更高的供电上限和更紧凑的散热布局。SXM 是 HGX 服务器基板上的“细胞”，它让八个 GPU 直连 NVSwitch 形成无阻塞的全互联域，是大模型并行训练的核心物理载体。

3 分钟产业解释

在搭建千卡甚至万卡级 AI 训练集群时，纯 CPU 服务器无法满足运算密度，GPU 需要更彻底的带宽与功耗解放。PCIe 插卡形式受限于标准金手指的引脚数、走线长度和供电能力，单卡双向带宽限于数十 GB/s，且多卡互联常需外置桥接器，拓扑僵化。

SXM 模组解开了这些束缚：首先，用一块定制 PCB 承载 GPU 芯片与 HBM 堆栈，通过一片专门设计的高密度连接器（引脚数远高于 PCIe，据公开资料估测在数千以上）直接贴合到 HGX 基板。这使供电不再受标准插槽金手指约束，典型单模块可支持 400 W 以上的持续热设计功耗（TDP），新近代际甚至接近或超过 700 W（估算值，具体视型号而定）；同时，模组上的 NVLink 信号以最短路径经主板走线接到 NVSwitch 芯片，让同一个 HGX 底板内的 8 个 GPU 能以数百 GB/s 的单 GPU 总带宽彼此互通，这是目前大型 MoE 模型张量并行和数据并行通信的物理基础。

产业侧，SXM 模组的推出实质上把高性能 GPU 的集成从“插卡组装”推到了“系统级设计”，使得 ODM/OEM 厂商能够围绕标准化的 HGX 基板构建整机，但也让客户无法像 PCIe 卡那样随意插拔更换 GPU，粘性更强。从部署实践看，SXM 形态几乎成为万卡级以上训练集群的唯一选择，而 PCIe 形态则更多保留在中小规模训练、推理以及需要灵活混插的企业场景。

技术原理

SXM 模组的技术栈可以从物理层、互联层和系统层拆解。

物理层
模组主体是一块高多层 PCB，上方焊接 GPU 大型 BGA 封装（内括计算 die 与 6 颗或更多 HBM 堆栈，通过硅中介层或 CoWoS 互联），下方则是专有的 mezzanine 连接器。连接器引脚密度远高于 PCIe x16 金手指，引脚总数据外围估算可达数千，其中大量引脚用于供电和接地，以支撑几百安培的电流。与主板间的信号走线长度被严格控制，以保证 NVLink 的 50 GT/s 乃至 100 GT/s 以上的 PAM4 信号完整性。高引脚数还直接决定 GPU 可引出的 NVLink 端口数，使得 SXM 能提供远超 PCIe 形态的 NVLink 通道数量——例如 A100 SXM4 支持 12 路 NVLink 3.0，而对应 PCIe 版本仅能通过桥接器实现有限互联。

互联层
模组内部，GPU die 与 HBM 通过 1024 位宽以上的接口相连，带宽超过 TB/s（具体数值依 HBM 代际浮动）；模组对外，每个 GPU 引出若干 NVLink 端口。以公开资料为例，SXM4 世代可带 12 个 NVLink 通道，每通道双向约 50 GB/s，聚合双向带宽约 600 GB/s；SXM5 通过把 NVLink 通道数从 12 增至 18，每通道双向仍约 50 GB/s，总带宽约 900 GB/s（均为 NVIDIA 官方发布会公开数字，因检索受限未逐字核查）。这些端口经由母板直连 NVSwitch，再由 NVSwitch 实现 GPU 间全互联。典型 HGX 板内 8 卡拓扑如下 ASCII 示意：

[GPU0] [GPU1] [GPU2] [GPU3]
   |     |     |     |
   +--NVSwitch0--+---NVSwitch3--+  （简化示意）
   |     |     |     |     |
   ...   ...   ...   ...   ...
[GPU4] [GPU5] [GPU6] [GPU7]

NVSwitch 实质是高速 SerDes 交换芯片，将流入的 NVLink 数据包基于目标 GPU 快速转发，使得任意两 GPU 之间对带宽仅受端口数限制，而非拓扑瓶颈。该二层交换结构消除了传统树形 PCIe 交换的根节点拥塞，大幅缩短 AllReduce、All-to-All 等集合通信的步数。

系统层
与 NVSwitch 匹配的还有 GPU 间共享的端到端地址翻译和直接内存访问，使 GPU 可以通过 NVLink 直接存取远端 HBM，在编程模型上呈现为统一地址空间。这大幅简化了 NCCL 等通信库的实现，一个 AllReduce 可以分解为 ReduceScatter 加 AllGather，分别利用 NVSwitch 的无阻塞特性完成。此外，SXM 模组的热设计高度工程化：直接贴合冷板的大面积与高 TDP 设计，使得液冷或高效均温板成为强制选项，但多数 HGX 整机仍使用强风冷配合均温板实现 400–500 W 散热，更高功耗则转向液冷。

在部署万卡集群时，通信延迟与带宽的微小差异会被梯度同步的 AllReduce 循环几何级放大，SXM 模组的意义就在于它把 GPU 互联这个最卡脖子的环节作了硬件级优化。与 PCIe 或 OAM 等其他形态相比，SXM 最核心的差异在于它附着了一套“基板级全互联”思路：不是把多张卡凑到一个服务器里再设法联接，而是在底板上直接设计了一个高速交换网络。对于 MoE 模型那种通信/计算比极端的场景，硬件拓扑的优势会被直接转化为算力利用率（MFU）的提升。

关键参数

评估 SXM 模组的核心指标如下。因即时检索受限，部分代际数值标注出处或注明“据公开资料”。

1. GPU 间聚合双向带宽：决定 AllReduce/All-to-All 通信下限。SXM4（A100）约 600 GB/s，SXM5（H100）约 900 GB/s（均来自 NVIDIA 官方发布）。Blackwell 代际（SXM6）据 GTC 2024 主题演讲宣称每 GPU 提供 1.8 TB/s 双向 NVLink 吞吐，具体规格以最终白皮书为准。
2. TDP 与散热包络：限制持续时钟与算力释放。SXM4 为 400 W，SXM5 为 700 W（典型值），B200 SXM 预计达到 1000 W（据 2024 年 GTC 公开信息）。液冷方案在 700 W 以上已成标配。
3. NVLink 通道数与 NVSwitch 端口数：SXM4 每 GPU 12 路 NVLink 3.0，SXM5 18 路 NVLink 4.0。NVSwitch 芯片代际同步升级，决定交换容量与跳数。NVIDIA 于 2024 年推出 NVLink Switch 新品，单机架 72 GPU 全互联，推动 256 GPU 超级 Pod 至更大规模（官方发布）。
4. HBM 容量与带宽：SXM4 集成 40/80 GB HBM2e，带宽约 1.6/2.0 TB/s；SXM5 配备 80 GB HBM3，带宽约 3.35 TB/s；B200 SXM 预装 192 GB HBM3e，带宽可达 8 TB/s（GTC 2024 披露，待量产确认）。大模型参数和批次大小上限直接受制于这两个值。
5. 引脚/连接器可靠性：数千安培级电流与高速信号对接触电阻、串扰、寿命提出严苛要求。NVIDIA 与连接器供应商定制设计，未公开具体 MTBF 指标。
6. 单位功耗算力效率（TOPS/W）：H100 SXM5 在 INT8 下可超 2000 TOPS，700 W 对应约 2.9 TOPS/W 级别（推算值）。B200 基于新架构和 4nm 制程有望大幅提升该指标，具体仍待厂商公布。

技术路线

SXM 形态伴随 NVIDIA 计算卡的架构迭代逐步进化，其主要代际可归纳如下：

• SXM2（Pascal P100 时代，约 2016 年）：引入 NVLink 1.0，单 GPU 4 条链路，双向总带宽约 160 GB/s（官方数字），奠定了非 PCIe 高带宽模组的雏形。
• SXM3（Volta V100，2017 年）：NVLink 2.0，单链路带宽提升，总带宽约 300 GB/s，首次在模组上搭载 HBM2，内存带宽推进到 900 GB/s 量级。
• SXM4（Ampere A100，2020 年）：NVLink 3.0，聚合双向带宽约 600 GB/s，TDP 提升至 400 W 级（公开规格），开始支持 MIG 多实例切割，模组物理尺寸随散热需求加大。
• SXM5（Hopper H100，2022 年）：NVLink 4.0，总带宽约 900 GB/s，支持 FP8 Transformer Engine，TDP 达到 700 W 级别（据公开资料，某些型号），首次从物理层全面拥抱第三代 NVSwitch，促进 256 卡超级 Pod 的构建。
• SXM6（Blackwell B200/B100，2024 年）：进一步升级的 NVLink 与 HBM3e，双向带宽破 1 TB/s（GTC 2024 宣布每 GPU 1.8 TB/s 双向），引入双 dies 拼接的高速互联，模组的热设计向液冷倾斜，并首次支持机架级液冷参考架构。

每一代 SXM 的演进不仅提升物理带宽，还缩短了 NVSwitch 与 SXM 之间的走线延迟，并增强了板级供电架构的冗余，为未来数千瓦级的 rack-scale 预留了空间。

与其他形态对比
下表基于可获取的公开信息与定性估算，对比 SXM 与其他 GPU 封装形态的关键差异。

此表仅为示意，具体速率、功耗以厂商最终规格书为准。值得关注的是，2024 年成立的 UALink 联盟（AMD、Intel、博通、思科等）试图定义开放的芯片间互联标准，未来可能对 SXM 的封闭体系构成对比选项。

上游

SXM 模组的核心供应链高度集中于少数厂商，具体为：

• 芯片制造与先进封装：台积电先进制程（N7、N5、N4 等）及 CoWoS-S/L/R 封装，将 GPU die 与 HBM 堆栈封装为一体。CoWoS 产能自 2023 年起持续紧张，据台积电公开说明，其先进封装产能扩产计划将延续至 2025 年，直接影响 SXM 模组的产出节奏（来源：台积电季度法说会，2024 年多次提及）。
• HBM 供应商：SK 海力士、三星、美光提供 HBM2e/HBM3/HBM3e 堆栈。SK 海力士在 HBM3 市场份额领先（据 TrendForce 2024 年报告），并于 2024 年初宣布 HBM3e 量产；美光在 2024 年切入 HBM3e 供应。
• 连接器与基板：专有高密度 mezzanine 连接器由安费诺、莫仕等提供；HGX 底板 PCB 通常由景硕、欣兴等生产。高多层板及大尺寸基板工艺能力限制扩充速度。
• NVSwitch 芯片：NVIDIA 自研，与 SXM 深度绑定，代工同样依赖台积电先进制程。

下游

SXM 模组通过与 HGX 基板捆绑，以系统形式流向以下环节：

• 系统集成商（OEM/ODM）：富士康、广达、英业达、超微、戴尔、HPE 等获 NVIDIA 授权生产 HGX 整机，嵌入 SXM 模组。2023‑2024 年间，这些厂商 AI 服务器产线持续满载，例如广达于 2024 年 Q2 法说会表示 AI 服务器营收逐季强劲增长（来源：公司公开简报）。
• 云服务商与大型企业：AWS、微软 Azure、Google Cloud、Meta、xAI、Oracle 等直接采购整机或定制 rack。其中，Meta 于 2024 年初宣布采购 35 万块 H100 GPU（公开博客），主要形式即为 SXM 模组的 HGX 整机；xAI 的 Colossus 集群宣称采用 10 万 H100，亦以 HGX 为单元构建。
• 数据中心基建：液冷/风冷散热方案商，如 CoolIT、Asetek、Vertiv、Chilldyne（未上市）等。随着 SXM TDP 突破 700 W，液冷渗透率快速上升，带动 CDU、冷板、快接头等部件需求。
• 软件栈：NVIDIA 的 CUDA、NCCL、Megatron‑LM 等深度学习框架针对 SXM+NVSwitch 拓扑做通信优化，形成软硬一体生态。

受益公司

SXM 生态内的价值分配高度集中于 NVIDIA 自身，但数个环节亦存在清晰映射：

• NVIDIA：SXM 生态的唯一定义者，从芯片、模组到 NVSwitch 到 HGX 底板参考设计全部自研，拥有绝对定价权。其数据中心业务收入（2025 财年 Q2 达 263 亿美元，同比增长 154%，来源：NVIDIA 财报）绝大部分来自 SXM 形态关联的 HGX 系统。
• HBM 供应商：SK 海力士、三星、美光受益于 SXM 对 HBM 容量的持续推高。HBM 营收在 SK 海力士 2024 年二季度达历史新高，占总 DRAM 营收逾 30%（来源：SK 海力士 2024 年 Q2 财报）。
• 先进封装：台积电 CoWoS 产能直接绑定 SXM 模组出货。台积电 2024 年宣布今年 CoWoS 产能较 2023 年翻倍，仍供不应求，是短期供给瓶颈。
• ODM/散热链：富士康、广达、英业达等 ODM 企业，以及 CoolIT、双鸿、高力等散热供应链，因 HGX 整机价值提升与液冷渗透而获得增量营收，但利润率受竞争格局影响。
• ASIC 替代者：Google TPU、AWS Trainium/Inferentia 等采用自有形态，不依赖 SXM。AMD MI300 系列以 OAM 形态对标，已获微软、Meta 等采用，构成 SXM 的市场分割力量。

注：以上均为产业分析，不构成对任何公司的买卖建议。

市场规模

由于 SXM 模组不单独零售，其市场规模须透过 HGX 系统及 NVIDIA 数据中心收入推估。关键数据点如下：

• NVIDIA 数据中心收入：2024 财年（截止 2024 年 1 月）数据中心收入为 475 亿美元，2025 财年上半年（2024 年 2‑7 月）即达 489 亿美元（来源：NVIDIA 年报及季报）。营收中绝大部分与 SXM 形态的 HGX 系统相关，具体比例未单独拆分，第三方机构如 Omdia、IDC 的估算可作参考。
• AI 服务器出货：据 TrendForce 2024 年 7 月报告，2024 年全球 AI 服务器出货量预计达 167 万台，年增约 39%，其中训练型 AI 服务器仍以 HGX（SXM）为绝对主力，推理型服务器中 PCIe 形态占比较高。该报告未拆分 SXM 模组颗粒，但指出 NVIDIA 在 AI 服务器 GPU 市占率逾 90%。
• HBM 出货折射 SXM 需求：据 TrendForce 统计，2024 年 HBM 位元需求年增近 200%，HBM3 占整体出货比重逾 60%，大量被 SXM5 及后续 SXM6 模组消耗。HBM 的供不应求状态可作为 SXM 出货量的侧面印证。
• 公开资料未见 SXM 模组单独的出货量或金额预测。投资者和研究机构通常以 NVIDIA HGX 平台对应 SKU 出货量（如 A100/H100/B100 系统）结合 NVSwitch 出货量进行交叉验证。未来 Blackwell 代际 SXM6 的渗透速度，以及从 8 卡 HGX 向 72 GPU 机架（NVL72）的升级路径，是影响 2025‑2026 年市场规模的关键变量。

玩家对比

在机架级高带宽 GPU 互联领域，主要玩家与方案对比如下：

• NVIDIA SXM + NVSwitch：封闭生态，成熟度最高。硬件方面拥有 SXM5 900 GB/s、SXM6 1.8 TB/s 双向 NVLink 带宽，结合 NVSwitch 实现 8 GPU 全互联、256 GPU 超级 Pod 乃至 72 GPU 单机架全液冷系统。软件方面有 CUDA、NCCL 深度适配，是当前万卡集群事实标准。
• AMD MI300 系列 + OAM：采用 OC 联盟的开放加速器模块标准，Infinity Fabric 互联。MI300X 单 GPU 互联带宽可达 896 GB/s（双向，据 AMD 2023 年发布会），8 GPU 全互联平台已用于微软、Meta 等客户。优势在于开放性与成本灵活性，但软件生态（ROCm）及大规模部署成熟度仍处追赶阶段。
• Intel Gaudi 系列：Gaudi3 采用 PCIe 形态或自研板载模块，搭载 24 个 200GbE RoCE 端口用于对外互联，倾向于 RDMA‑focal 而非板内高带宽互联，主攻训练与推理的一种差异化路径。公开资料未见其与 SXM 直接对位的 NVSwitch 式拓扑。
• 定制 ASIC 及内部互联：Google TPU v5p 采用自研板卡及 ICI 光学互联，单 Pod 可达 8960 芯片，通信不依赖 SXM 范式；AWS Trainium2 亦以自有形态和 NeuronLink 互联部署。这类方案专属封闭，不与 SXM 直接竞争，但侵蚀通用 GPU 训练市场。
• UALink 联盟：2024 年 5 月成立，成员包括 AMD、Intel、博通、思科、微软、Meta 等，目标制定开放的芯片间互联标准，第一版规范预计 2025 年发布。若成功推广，可能对 NVLink 的封闭性形成长期挑战。

综合而言，SXM 在当下大模型训练领域占主导，但其封闭性和交付模式正在催生阵营分化和开放替代力量。

风险

• 供给集中与产能瓶颈：SXM 模组所需的 CoWoS 封装、HBM 堆栈及高密连接器产能高度集中，任何环节受限均会直接影响出货。历史上 2023 H100 交期延长即与 CoWoS 产能不足密切相关。
• 生态锁定与升级强制性：SXM mezzanine 封装使得新一代 GPU 必须搭配新一代 HGX 基板，客户无法混插，升级即需成套汰换。若开源或标准化互联方案（如 UALink）成熟，用户可能转向更灵活的多供应商方案，削弱 NVIDIA 的定价权和重复采购粘性。
• 功耗与散热挑战：SXM TDP 从 400 W 攀升至 1000 W，强制数据中心转向液冷，带来基建复杂度、成本及可靠性风险。液冷方案的单点失效可能导致整个机架宕机，运维门槛升高。
• 推理市场替代：推理工作负载通常对 GPU 间互联带宽要求较低，SXM 高带宽优势未必能完全转化为竞争力。定制 ASIC（如 Google TPU、AWS Inferentia）及低成本 PCIe GPU 在推理侧可能逐步替代部分 SXM 需求，限制该形态在推理市场的渗透。
• 地缘政治与合规风险：高端 GPU 出口管制（如美国 2023 年 10 月与 2024 年 4 月规则趋严）直接限制 SXM 模组对特定地区的出货，对中国等市场的供给形成政策不确定性，可能催化国产替代或绕过式方案。

误读纠偏

1. “SXM 就是 NVLink 物理接口”
   SXM 是一种包含了供电、机械、散热和信号完整性的完整模组规格，NVLink 只是其上承载的一种高速互联协议。在 PCIe 形态的 GPU 上同样可以通过 NVLink Bridge 提供部分 NVLink 功能，但 SXM 通过板载直连提供更优的信号质量与更高端口密度，才是 SXM 真正的价值差异。

2. “SXM 模组必须上液冷，否则烧毁”
   前几代 SXM4 和 SXM5 的 400 W 级 TDP 在许多部署中仍使用高效风冷（均温板+强力轴流风扇）来散热。液冷的强制需求主要出现在 700 W 以上或高密度上架场景。不同 TDP 档位对应不同散热方案，并非一刀切。

3. “SXM 模块和 OAM 是一回事”
   OAM 是由 OC 联盟推动的开放加速器模块标准，AMD、Intel 等均有采用；SXM 是 NVIDIA 的封闭规格。两者都是板载式高带宽方案，但互相不兼容，管理接口、供电和互联协议均有差异。

4. “SXM 模组仅是物理连接替代，对训练效率影响有限”
   硬件拓扑直接决定了通信步数与梯度同步延迟，尤其在大规模分布式训练中，通信效率的细微差异会被成倍放大。SXM 的 NVSwitch 全互联可避免多跳转发，提升算力利用率，这是单纯升级 PCIe 带宽无法复现的系统级增益。

最新事件

• 2024 年 3 月，NVIDIA GTC 发布 Blackwell 架构及 SXM6 形态：推出 B200 SXM 与 GB200 NVL72 机架方案。B200 SXM 采用双芯粒设计，宣称每 GPU 18TB/s 双向 NVLink 吞吐（需以正式规格书为准），TDP 达 1000 W，全面推荐液冷。NVL72 通过 NVLink Switch 将 72 个 GPU 全互联，实现单一机架内 30 TB 级 HBM 统一内存，该架构计划于 2024 年下半年开始样品出货（来源：GTC 主题演讲）。
• 2024 年 5 月，超大规模集群部署动态：xAI 宣布 Colossus 10 万 H100 集群投入训练（来源：公开报道），Meta 扩编至 35 万 H100（来源：Meta AI 博客）。这些大规模集群绝大多数采用 HGX + SXM 模组。液冷方案在新建集群中占比显著上升。
• 2024 年 5 月，UALink 联盟成立：AMD、Intel 等联合成立 UALink，目标制定开放芯片间互联标准，直面 NVLink 与 SXM 的封闭体系。预计第一版规范 2025 年发布，产业长期格局可能因此重塑。
• 2024 年 Q2，NVIDIA 财报拆分：NVIDIA 2025 财年 Q2 数据中心收入 263 亿美元，同比增长 154%，其中计算 GPU 收入达到 226 亿美元（来源：财报），H200 与 Spectrum‑X 等相关系统开始贡献增量。Blackwell 产品预计 Q3 进行首次生产出货，Q4 起有望规模收入（来源：公司指引）。
• 2024 年下半年，出口管制调整：美国商务部更新对华高端芯片出口管制细则，将某些互联密度及总带宽纳入管制范围，直接触及 SXM 级互联规格，影响对特定地区的供给。国内部分云厂商转向合规版本或国产替代方案。

跟踪指标

跟踪 SXM 模组及生态发展，可定期关注以下指标与信源：

1. NVIDIA 数据中心收入与分项指引（每季度财报及电话会）：关注计算 GPU 收入增速、H200/B200 的 ramp‑up 进展以及 HGX 与液冷系统出货占比变化。
2. CoWoS 与 HBM 产能及价格：台积电每季度法说会披露先进封装产能扩张进度；SK 海力士、三星、美光财报中 HBM ASP 与位元出货趋势；TrendForce、Omdia 的季度供应链追踪报告。
3. NVSwitch 与 NVLink 迭代节点：NVIDIA GTC 及热芯片会议上的互联带宽升级路线图，以及 UALink 等开放标准推进进展。
4. 液冷渗透率与相关公司营收：系统集成商（如超微、广达）及散热方案商（如 CoolIT、Vertiv 等）的季报中液冷产品线营收占比变化；数据中心 PUE 指标改善数据。
5. 万卡集群建设与 GPU 采购公布：主要 CSP 与企业（微软、Meta、xAI、Oracle 等）的资本开支指引及公开 GPU 采购数量，可通过财报、博客、供应商新闻追踪。
6. HBM 总搭载容量与 SKU：每代 SXM 配备的 HBM 容量与带宽跃升速度（如 B200 192 GB HBM3e），直接影响大模型训练容量上限，可在 NVIDIA 白皮书和 GTC 演讲中获取。
7. 出口管制条约与限制性清单：关注美国商务部 BIS 出口管制规则更新，特别是带宽密度、互联总量等门槛，以及中国企业替代方案（如昇腾）的进展。

信源

• NVIDIA HGX Platform 官方技术架构文档（nvidia.com）
• NVIDIA A100 Tensor Core GPU 白皮书，SXM4 技术规格
• NVIDIA H100 Tensor Core GPU 白皮书，SXM5 与 NVLink 4.0
• “NVIDIA Blackwell GPU 架构” GTC 2024 主题演讲及官方新闻稿
• “Megatron‑LM：Training Multi‑Billion Parameter Language Models Using Model Parallelism”，论文中对并行通信的分析
• Open Compute Project (OCP) – NVIDIA HGX Baseboard Specification（如有公开版本）
• 台积电季度法说会（2024 年 Q1‑Q3）先进封装产能相关发言
• TrendForce、Omdia、IDC 等关于 AI 服务器、HBM 市场季度追踪报告（因检索受限，本文引用概览性数据，具体报告期注明来源）
• 主要云计算厂商（微软、Meta、xAI）公开的 GPU 部署数量与资本开支披露
• UALink 联盟成立公告（2024 年 5 月官方新闻稿）
• NVIDIA 季度财报及业绩指引（2025 财年各季度）
• AMD MI300 系列发布资料及 Infinity Fabric 技术文档

（本文因即时检索服务受限，部分传递的具体带宽、功耗数字基于 NVIDIA 既往公开资料及 GTC 2024 发布的内容整理，并非实时核查结果，最新精确规格建议以 NVIDIA 官方发布为准。文内不包含任何投资建议或买卖主张。）