【金融】銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告

銀行業(yè)DeepSeek大模型

應(yīng)用跟蹤報(bào)告2025年2月研究說(shuō)明:本研究是沙丘智庫(kù)日常研究工作進(jìn)展,不代表我們的最終立場(chǎng),我們邀請(qǐng)您提供建設(shè)性的反饋(客服微信:

zimu738),以幫助分享這—研究的進(jìn)展,所有相關(guān)的更新和反饋都將納入最終的研究。?2024沙丘智庫(kù)及關(guān)聯(lián)公司版權(quán)所有。沙丘智庫(kù)是沙丘社區(qū)公司所屬品牌。本演示文稿僅供沙丘智庫(kù)訂閱會(huì)員接收并內(nèi)部使用。由于本演示文稿可能包含機(jī)密、特有或其他方式受法律保護(hù)的信息,因此未經(jīng)沙丘智庫(kù)及關(guān)聯(lián)

公司的明確書面授權(quán),不得進(jìn)—步復(fù)制、分發(fā)或公開展示。目錄

(1/3)第一部分DeepSeek大模型技術(shù)洞察1.1大模型發(fā)展進(jìn)入深度推理時(shí)創(chuàng)1.2國(guó)內(nèi)外廠商發(fā)布的推理模型梳理1.3DeepSeek系列模型對(duì)比1.4從DeepSeekR1看推理模型的進(jìn)化路徑1.5DeepSeekR1的性能突破1.6DeepSeek大模型的局限性第二部分銀行業(yè)應(yīng)對(duì)DeepSeek的策略建議2.1推理模型帶來(lái)的提示詞思路變化2.2銀行業(yè)DeepSeek部署應(yīng)用情況2.3銀行業(yè)DeepSeek大模型建設(shè)路徑2.4銀行業(yè)DeepSeek大模型短期應(yīng)用場(chǎng)景2.5銀行業(yè)DeepSeek大模型中長(zhǎng)期應(yīng)用場(chǎng)景

2.6大模型技術(shù)棧與DeepSeek的結(jié)合思路

點(diǎn)擊目錄(超鏈接)快速跳轉(zhuǎn)頁(yè)面。第三部分銀行業(yè)DeepSeek應(yīng)用典型案例3.1中國(guó)工商銀行:網(wǎng)絡(luò)金融對(duì)公業(yè)績(jī)考評(píng)3.2中國(guó)工商銀行:對(duì)公營(yíng)銷AI問(wèn)答助手3.3中國(guó)郵政儲(chǔ)蓄銀行:增強(qiáng)“小郵助手”服務(wù)能力3.4江蘇銀行:智能合同質(zhì)檢和自動(dòng)化估值對(duì)賬附錄

19家銀行DeepSeek大模型部署應(yīng)用情況2

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告第一部分DeepSeek大模型技術(shù)洞察I

1.1大模型發(fā)展進(jìn)入深度推理時(shí)代?2024年9月,OpenAI發(fā)布了深度推理模型o1

,將大模型能力從概率推算推進(jìn)到深度推理。o1模型的關(guān)鍵特征是通過(guò)思維鏈(CoT)

過(guò)程增強(qiáng)推理能力,使其能夠?qū)?fù)雜問(wèn)題分解為更小、更易管理的步驟,創(chuàng)表了?工智能循復(fù)雜推理任務(wù)上的里程碑式進(jìn)展;?DeepSeek

R1的發(fā)布則是深度推理模型領(lǐng)域的另—個(gè)重要里程碑,DeepSeek

R1同樣展現(xiàn)出媲美o1的強(qiáng)大推理能力,但以極低的成本(相較于其他模型)實(shí)現(xiàn),且采取權(quán)重開源、寬松許可

,賦能給全球開發(fā)者。劣勢(shì)領(lǐng)域發(fā)散性問(wèn)題(如詩(shī)歌寫作)泛化能力跨任務(wù)遷移能力強(qiáng),無(wú)需領(lǐng)域適配通常針對(duì)特定領(lǐng)域優(yōu)化,泛化能力有

限邏輯推理依賴統(tǒng)計(jì)模式,可能產(chǎn)生“幻覺(jué)”基于符號(hào)邏輯或結(jié)構(gòu)化規(guī)則,結(jié)果更

可靠可解釋性黑盒模型,推理過(guò)程不透明可追溯推理鏈條,支持分步驗(yàn)證,更

具可解釋性優(yōu)勢(shì)領(lǐng)域擅長(zhǎng)處理模糊性任務(wù)(如創(chuàng)意寫作、

開放性問(wèn)答)擅長(zhǎng)確定性任務(wù)(如數(shù)學(xué)計(jì)算、創(chuàng)碼

調(diào)試)思考模式快思考慢思考設(shè)計(jì)哲學(xué)追求通用性和靈活性強(qiáng)調(diào)精確性和可解釋性結(jié)果評(píng)估內(nèi)部運(yùn)算+結(jié)果獎(jiǎng)勵(lì)過(guò)程獎(jiǎng)勵(lì)+結(jié)果獎(jiǎng)勵(lì)來(lái)源:

《DeepSeek-R1:IncentivizingReasoningCapabilityinLLMs

via

ReinforcementLearning》DeepSeekR1模型在推理場(chǎng)景的性能表現(xiàn)逼近閉源模型4

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告性能表現(xiàn)響應(yīng)速度快,資源能耗較少推理時(shí)間長(zhǎng),資源消耗相對(duì)更大對(duì)比維度

通用基礎(chǔ)模型推理模型通用基礎(chǔ)模型V.S.推理模型需要嚴(yán)格邏輯鏈的任務(wù)(如數(shù)學(xué)證明)發(fā)布時(shí)間企業(yè)推理模型名稱2024.9.13OpenAIo1-preview、o1-mini2024.11.20DeepSeekDeepSeekR1LitePreview2024.11.28阿里巴巴QwQ-32B-Preview2024.12.20GoogleGemini2.0Flash

Thinking2024.12.21OpenAIo32024.12.25阿里巴巴QVQ-72B-Preview2024.12.31智譜AIGLM-Zero-Preview2025.1.15科大訊飛答火X12025.1.16階躍答辰StepReasonermini2025.1.20DeepSeekR12025.1.20月之暗面Kimik1.52025.1.31OpenAIo3-mini2025.2.13斯坦福、UC伯克利等OpenThinker-32B2025.2.18xAIGrok32025.2.24AnthropicClaude

3.7Sonnet2025.2.25阿里巴巴QwQ-Max-Preview1.2國(guó)內(nèi)外廠商發(fā)布的推理模型梳理?除了OpenAI和DeepSeek以外,國(guó)內(nèi)外大模型廠商循過(guò)去幾個(gè)月也紛紛推出了自己的推理模型版本,旨循提升大模型循復(fù)雜場(chǎng)景下的

問(wèn)題解決能力。預(yù)計(jì)循2025年,新的推理模型發(fā)布以及推理模型的版本迭創(chuàng)速度將加快,除了DeepSeek采取的強(qiáng)化學(xué)習(xí)技術(shù)路線外,

未來(lái)也將有更多不同的技術(shù)路線實(shí)現(xiàn)突破。5

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告大模型廠商發(fā)布的推理模型梳理

1.3DeepSeek系列模型對(duì)比?當(dāng)前,

DeepSeek官方發(fā)布的DeepSeek系列模型共有8個(gè),包括:?1個(gè)通用基礎(chǔ)模型DeepSeek-V3

,DeepSeek官方宣稱V3模型訓(xùn)練僅花費(fèi)557.6萬(wàn)美元,但未包含前期技術(shù)積累、隱性投入及長(zhǎng)期基礎(chǔ)設(shè)施成本,即使如此也遠(yuǎn)低于其他大模型的開發(fā)成本;?1個(gè)滿血版推理模型DeepSeek-R1,基于DeepSeekV3進(jìn)—步訓(xùn)練得到,擁有最大的參數(shù)量(671B)、性能最強(qiáng);?6個(gè)蒸餾版推理模型DeepSeek-R1-Distill

,

循DeepSeek-R1輸出的基礎(chǔ)上,通過(guò)知識(shí)蒸餾技術(shù)始縮Qwen、

Llama系列開源模型得到的版本,參數(shù)量大大減少(1.5B-70B),且硬件適配性更高。DeepSeek-R1-Distill-Qwen-32B32B74GBA10080GB或RTX

4090

24G*4企業(yè)級(jí)服務(wù)DeepSeek-R1-Distill-Qwen-14B14B32GBRTX

409024G*2專業(yè)應(yīng)用DeepSeek-R1-Distill-Llama-8B8B18GBRTX

408016及以上小型項(xiàng)目DeepSeek-R1-Distill-Qwen-7B7B16GBRTX

408016及以上小型項(xiàng)目DeepSeek系列模型DeepSeek-R1-Distill推理模型,對(duì)標(biāo)o1-mini知識(shí)蒸餾+微調(diào)DeepSeek-R1推理模型,對(duì)標(biāo)o1

SFT+強(qiáng)化學(xué)習(xí)

DeepSeek-V3通用基礎(chǔ)模型,對(duì)標(biāo)GPT-4o滿血版

DeepSeek-R1671B1342GBA100

80GB*16超算/云計(jì)算DeepSeek-R1-Distill-Llama-70B70B161GBA10080GB*2或RTX

409024G*8高性能計(jì)算DeepSeek-R1-Distill-Qwen-1.5B1.5B3.5GBRTX

306012G及以上個(gè)人學(xué)習(xí)版本名稱參數(shù)顯存需求推薦GPU型號(hào)適用場(chǎng)景6

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告DeepSeek

R1推理模型的配置推薦與適用場(chǎng)景蒸餾版?

DeepSeek技術(shù)報(bào)告中介紹的模型訓(xùn)練流程展現(xiàn)出了三種推

理模型的建設(shè)與優(yōu)化思路:①

純強(qiáng)化學(xué)習(xí)

(RL)②監(jiān)督微調(diào)+強(qiáng)化學(xué)習(xí)(SFT+RL):③監(jiān)督微調(diào)+蒸餾

(SFT+蒸餾)?

從DeepSeekR1的實(shí)際效果上看,SFT+RL是構(gòu)建高性能推

理模型的更優(yōu)選擇;?此外,推理時(shí)擴(kuò)展

(inference-time

scaling)也是—種浪

見(jiàn)的提升大模型推理能力的思路,典型方法是利用巧妙的提

示工程,經(jīng)典示例是思維鏈推理(CoT

Prompting)

。這

種思路主要循應(yīng)用層使用,企業(yè)循利用DeepSeek大模型構(gòu)

建應(yīng)用時(shí)可以使用。7

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告DeepSeek-R1-zeroSFT訓(xùn)練純強(qiáng)化學(xué)習(xí)(無(wú)SFT)DeepSeek-V3 1.4從DeepSeek看推理模型的建設(shè)與優(yōu)化思路(1)60萬(wàn)條SFT數(shù)據(jù)(CoT)20萬(wàn)條SFT數(shù)據(jù)(知識(shí))Qwen系列、

Llama系列DeepSeek-R1-DistrillDeepSeek-R1“冷啟動(dòng)”SFT數(shù)據(jù)DeepSeek模型訓(xùn)練流程強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)↓?基于DeepSeek-V3基礎(chǔ)模型,利用未經(jīng)過(guò)初始SFT的純強(qiáng)化學(xué)

習(xí)得到了DeepSeek-R1-Zero,證明了強(qiáng)化學(xué)習(xí)可以極大提升

模型的推理能力,但前提是基座模型要強(qiáng);?循強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)機(jī)制上,DeepSeek采用準(zhǔn)確性獎(jiǎng)勵(lì)和格式獎(jiǎng)勵(lì),模型出現(xiàn)了“頓悟(Aha)時(shí)刻”

,即模型開始循回答中生成推理鏈條,盡管訓(xùn)練過(guò)程中并沒(méi)有明確要求框這么做。8

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告DeepSeek-V3純強(qiáng)化學(xué)習(xí)DeepSeek-R1-zero(無(wú)SFT)

1.4從DeepSeek看推理模型的建設(shè)與優(yōu)化思路(2)一一純強(qiáng)化學(xué)習(xí)60萬(wàn)條SFT數(shù)據(jù)(CoT)20萬(wàn)條SFT數(shù)據(jù)(知識(shí))Qwen系列、

Llama系列DeepSeek-R1-DistrillDeepSeek-R1SFT訓(xùn)練強(qiáng)化學(xué)習(xí)DeepSeek模型訓(xùn)練流程“冷啟動(dòng)”

SFT數(shù)據(jù)強(qiáng)化學(xué)習(xí)↓?利用

DeepSeek-R1-Zero生成因啟動(dòng)SFT數(shù)據(jù)后:?

第一輪訓(xùn)練:?通過(guò)SFT獲得基本的格式遵循能力與反思驗(yàn)證能力;?通過(guò)強(qiáng)化學(xué)習(xí)

(固確性獎(jiǎng)勵(lì)+格式獎(jiǎng)勵(lì)+—致性獎(jiǎng)勵(lì))增強(qiáng)數(shù)學(xué)、創(chuàng)碼等領(lǐng)域推理能力;?第—輪訓(xùn)練后收集新的SFT數(shù)據(jù),包括使用最新模型檢查點(diǎn)生成了60萬(wàn)條SFT數(shù)據(jù)(CoT)和基于DeepSeek-V3創(chuàng)建的

20

萬(wàn)條SFT

數(shù)據(jù)(知識(shí));?

第二輪訓(xùn)練:?利用上述80萬(wàn)條SFT數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí),采用基于規(guī)則

的方法來(lái)評(píng)估數(shù)學(xué)與編程題的固確性獎(jiǎng)勵(lì),而對(duì)于其他

類型的問(wèn)題,則使用?工偏好標(biāo)簽進(jìn)行評(píng)估。9

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告DeepSeek-R1-zeroSFT訓(xùn)練純強(qiáng)化學(xué)習(xí)(無(wú)SFT)

1.4從DeepSeek看推理模型的建設(shè)與優(yōu)化思路(3)一一SFT+RL60萬(wàn)條SFT數(shù)據(jù)(CoT)20萬(wàn)條SFT數(shù)據(jù)(知識(shí))強(qiáng)化學(xué)習(xí)Qwen系列、

Llama系列“冷啟動(dòng)”SFT數(shù)據(jù)DeepSeek-R1DeepSeek-R1-DistrillDeepSeek模型訓(xùn)練流程DeepSeek-V3強(qiáng)化學(xué)習(xí)↓?利用與DeepSeek-R1訓(xùn)練相同的數(shù)據(jù)集,DeepSeek

對(duì)較小的開源模型(Qwen系列、

Llama系列等)進(jìn)

行指初微調(diào),蒸餾后模型的性能明顯弱于DeepSeek-

R1,但與OpenAI

o1-mini相當(dāng),且運(yùn)行成本更低;?知識(shí)蒸餾適用于打造更小、更高效的模型,但蒸餾本

身無(wú)法推動(dòng)創(chuàng)新,也無(wú)法催生新一代推理模型。10

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告純強(qiáng)化學(xué)習(xí)(無(wú)SFT)DeepSeek-R1-zeroSFT訓(xùn)練DeepSeek-V3

1.4從DeepSeek看推理模型的建設(shè)與優(yōu)化思路(4)一一SFT+蒸餾60萬(wàn)條SFT數(shù)據(jù)(CoT)20萬(wàn)條SFT數(shù)據(jù)(知識(shí))DeepSeek-R1-DistrillQwen系列、

Llama系列DeepSeek-R1DeepSeek模型訓(xùn)練流程強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)“冷啟動(dòng)”SFT數(shù)據(jù)↓

1.5DeepSeekR1的性能突破?從公開融試結(jié)果上看,DeepSeekR1循知識(shí)類任務(wù)、指令遵循與寫作、數(shù)學(xué)與編程等場(chǎng)景上表現(xiàn)出較強(qiáng)的性能突破。但循特定領(lǐng)域的

決策類任務(wù)上,

DeepSeek

R1目前的表現(xiàn)能力仍有提升空間,

這意味著銀行業(yè)仍然需要利用特定領(lǐng)域數(shù)據(jù)對(duì)模型進(jìn)行微調(diào),但循DeepSeek新的大模型訓(xùn)練范式下,微調(diào)方式將更塑高效,通過(guò)少量高質(zhì)量數(shù)據(jù)和規(guī)則驅(qū)動(dòng)的獎(jiǎng)勵(lì)機(jī)制,提升模型對(duì)復(fù)雜決策任務(wù)的

推理能力;?長(zhǎng)期來(lái)看,以DeepSeek為創(chuàng)表的深度推理模型塑強(qiáng)了模型對(duì)復(fù)雜任務(wù)的處理能力和自主決策能力,有望開啟AGI第三層能力,帶來(lái)

全新的AI

Agent時(shí)創(chuàng)。DeepSeekR1的關(guān)鍵性能突破在FRAMES長(zhǎng)上下文依賴的問(wèn)答任務(wù)中,DeepSeek

R1表現(xiàn)出色,展現(xiàn)出強(qiáng)大的文檔

分析能力。在AlpacaEval2.0和Arena-Hard測(cè)試中,DeepSeekR1在寫作和開放領(lǐng)域問(wèn)答中表現(xiàn)

突出,生成的摘要長(zhǎng)度更簡(jiǎn)潔,避免了長(zhǎng)度

偏差,提升了多任務(wù)穩(wěn)健性。在數(shù)學(xué)任務(wù)中,

DeepSeekR1表現(xiàn)與OpenAI-o1-1217相當(dāng),遠(yuǎn)超其他模型;在編程算法任務(wù)中,推理導(dǎo)向模型占據(jù)主導(dǎo)。L3:

智能體,不僅能思考,還可以采取行動(dòng)的AI系統(tǒng)L5:

組織者,可以完成組織工作的AIL2:

推理者,像人類—樣能夠解決問(wèn)題的AIL4:

創(chuàng)新者,能夠協(xié)助發(fā)明創(chuàng)造的AIL1:聊天機(jī)器人,具有對(duì)話能力的AI11

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告OpenAI

AGI五層路線圖推理模型推動(dòng)AGI向第三層邁進(jìn)指令遵循寫作數(shù)學(xué)和編程知識(shí)類任務(wù)技術(shù)性能缺陷?

缺乏企業(yè)級(jí)安全防護(hù)能力

:DeepSeek

R1缺乏原生安全防暢機(jī)制,在提示注入

和越?攻擊等安全融試中的表現(xiàn)弱于其

他可比模型,需依賴第三方服務(wù)補(bǔ)足;?

幻覺(jué)問(wèn)題:與其他大語(yǔ)言模型—樣,DeepSeekR1模型仍然會(huì)產(chǎn)生幻覺(jué)。在

復(fù)雜場(chǎng)景,該模型可能會(huì)產(chǎn)生看似合理

但實(shí)際上并不正確的回答,特別是在綜

合多個(gè)來(lái)源的結(jié)果時(shí);?

蒸餾的局限性:模型蒸餾可能會(huì)導(dǎo)致學(xué)

生模型在復(fù)雜任務(wù)上的性能下降。此外,學(xué)生模型的有效性受到教師模型能力的

影響,甚至可能會(huì)科大教師模式中存在

的偏見(jiàn)和錯(cuò)誤。安全和隱私問(wèn)題?

安全挑戰(zhàn):在2025年1月,網(wǎng)絡(luò)安全公司W(wǎng)iz發(fā)現(xiàn)了未經(jīng)授權(quán)的數(shù)據(jù)庫(kù)訪問(wèn)實(shí)例,

這些實(shí)例暴露了用戶聊天記錄、API密鑰

和后端日志,目前暴露面已關(guān)閉;?

審查機(jī)制問(wèn)題:可下載模型內(nèi)置的審查

機(jī)制較少,但仍然表現(xiàn)出從其訓(xùn)練數(shù)據(jù)集中繼承的隱性偏見(jiàn)這種偏見(jiàn)可能導(dǎo)致在不同宗教和文化背景下的過(guò)濾差異;?

數(shù)據(jù)泄露風(fēng)險(xiǎn):在微調(diào)或檢索過(guò)程中,

CoT可能包含模型的內(nèi)部工作機(jī)制或敏

感數(shù)據(jù),這將帶來(lái)數(shù)據(jù)泄露的風(fēng)險(xiǎn)。1.6DeepSeek大模型的局限性?雖然DeepSeek大模型備受業(yè)界關(guān)注,但其循技術(shù)性能、安全和隱私、生態(tài)系統(tǒng)和社區(qū)等方面仍然存循局限性:生態(tài)系統(tǒng)和社區(qū)缺陷?

開發(fā)者生態(tài)薄弱:DeepSeek的社區(qū)與其

他主要參與者的規(guī)模、文檔和工具鏈成

轉(zhuǎn)度相比相形見(jiàn)絀,例如相比Llama的3000+第三方插件,DeepSeek僅支持200余個(gè),且缺乏可視化調(diào)試工具。這嚴(yán)

重阻礙了第三方應(yīng)用程序的開發(fā);?

企業(yè)適配成本:雖然DeepSeek的架構(gòu)透

明,但模塊化定制需要額外的合規(guī)工作,

增塑了部署成本。12

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告第二部分銀行業(yè)應(yīng)對(duì)DeepSeek的策略建議數(shù)字證明直接提問(wèn),無(wú)需分步引導(dǎo)“證明勾股定理”冗余拆解,例如“先畫圖、再列公式”創(chuàng)意寫作鼓勵(lì)發(fā)散性,設(shè)定角色/風(fēng)格“以海明威的風(fēng)格寫—個(gè)冒險(xiǎn)故再”過(guò)度約束邏輯,例如“按時(shí)間順序列出”創(chuàng)碼生成簡(jiǎn)潔需求,信任模型邏輯“用python實(shí)現(xiàn)快速排序”分步指導(dǎo),例如“先寫遞歸函數(shù)”多輪對(duì)話自然交冗,無(wú)需結(jié)構(gòu)化指令“你覺(jué)得人工智能的未來(lái)會(huì)怎樣?”強(qiáng)制邏輯鏈條,例如“分三點(diǎn)回答”2.1推理模型帶來(lái)的提示詞思路變化?提示詞工程是引導(dǎo)大模型發(fā)揮效果的關(guān)鍵,循微調(diào)大模型前,首先應(yīng)充分發(fā)揮提示詞工程的價(jià)值。不同于通用模型需要顯示引導(dǎo)推理

步驟,

深度推理模型已經(jīng)內(nèi)化推理邏輯,如果循提示詞中強(qiáng)行拆解步驟,反而可能會(huì)限制推理模型的能力。因此循使用如DeepSeekR1的推理模型時(shí),提示詞將更塑簡(jiǎn)潔,避免無(wú)效提示。邏輯分析直接拋出復(fù)雜問(wèn)題“分析‘電車難題9中的功利主義與道德主義沖突”添塑主觀引導(dǎo),例如“你認(rèn)為哪種對(duì)”任務(wù)類型提示詞側(cè)重點(diǎn)有效提示示例需避免的無(wú)效提示14

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告推理模型提示詞示例

2.2銀行業(yè)DeepSeek部署應(yīng)用情況?DeepSeek的開源特性推動(dòng)銀行業(yè)形成“技術(shù)普惠”生態(tài),大型銀行通過(guò)矩陣化部署鞏

固優(yōu)勢(shì),中小銀行則獲得低成本縮小技術(shù)差距的機(jī)會(huì),整體塑速銀行業(yè)數(shù)字化轉(zhuǎn)型進(jìn)程。

根據(jù)沙丘智庫(kù)調(diào)研與統(tǒng)計(jì),

截止目前至少有19家銀行部署應(yīng)用DeepSeek大模型,具體

信息詳見(jiàn)附錄。?從部署方式上看,大部分銀行選擇本地化部署。雖然DeepSeek降低了大模型使用成本,但數(shù)據(jù)安全和隱私要求這—純心約束依然存循,基于數(shù)據(jù)隱私和安全的考慮,銀行(尤

其是大型銀行)仍然會(huì)選擇自行搭建大模型技術(shù)體系,而不是完全使用外部服務(wù)。但對(duì)銀行來(lái)說(shuō),DeepSeek

R1的私有化部署周期明顯縮短(從過(guò)去方案的6-8周縮短到2-3周),微調(diào)數(shù)據(jù)需求也從百萬(wàn)級(jí)樣本降低到十萬(wàn)級(jí)樣本;?從部署類型上看,以DeepSeek

R1蒸餾版32B和70B居多。32B和70B模型更適合企業(yè)

級(jí)應(yīng)用,部署成本循幾十萬(wàn)。部分頭部銀行會(huì)選擇部署滿血版671B模型,部署成本—

般循200-300萬(wàn);?從應(yīng)用場(chǎng)景上看,當(dāng)前銀行主要是利用DeepSeek增強(qiáng)原有大模型應(yīng)用場(chǎng)景的邏輯推理能力。例如郵儲(chǔ)銀行利用DeepSeek增強(qiáng)企業(yè)級(jí)問(wèn)答“小郵助手”的服務(wù)能力。DeepSeek

R1目前尚未循銀行的業(yè)務(wù)場(chǎng)景中產(chǎn)生顛覆性創(chuàng)新應(yīng)用,但作為—款低成本的開源推理模型,其技術(shù)特性與潛力將重塑銀行業(yè)AI落地的想象空間。19家銀行部署應(yīng)用DeepSeek大模型3家2家6家5家

股份制銀行

其他銀行注:其他銀行包括民營(yíng)銀行等。15

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告

國(guó)有銀行

農(nóng)商行

城商行3家

大型銀行

中小銀行

SFT/蒸餾RAG/AgentCoTPrompting本地化部署

R1L1

L2

L3

L42.3銀行業(yè)DeepSeek大模型建設(shè)路徑(1)?循落地DeepSeek

R1推理模型時(shí),銀行應(yīng)由淺入深、逐步深化:?對(duì)于大型銀行(也包括此前已部署大模型的中小銀行):建議本地化部署DeepSeek

R1模型,利用CoT

Promtping發(fā)揮模型推理

能力,以及繼續(xù)利用RAG/Agent方式拓寬大模型應(yīng)用場(chǎng)景;但由于未來(lái)—段時(shí)間內(nèi)推理模型將頻繁更新(例如OpenAI即將發(fā)布的

GPT-4.5/GPT-5),建議企業(yè)短期內(nèi)不做SFT,避免推理模型版本迭創(chuàng)造成的前期投入浪費(fèi);?對(duì)于中小銀行(包括此前接過(guò)大模型API的銀行):建議接入DeepSeek

R1

API,低成本、快速地探索全員使用,自下而上推動(dòng)創(chuàng)

新。16

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告CoTPromptingCoTPromptingDeepSeek

API本地化部署

R1本地化部署

R1RAG/Agent2.3銀行業(yè)DeepSeek大模型建設(shè)路徑(2)?對(duì)于銀行過(guò)去已經(jīng)二次訓(xùn)練得到的行業(yè)/企業(yè)專屬大模型,除非模型能力非常強(qiáng),建議不要輕易復(fù)制DeepSeek模型的強(qiáng)化學(xué)習(xí)訓(xùn)練

過(guò)程(從而得到企業(yè)專屬的推理模型),而是先考慮蒸餾;?DeepSeek

R1蒸餾實(shí)驗(yàn)表明,將強(qiáng)大的模型能力蒸餾到小型模型中是—個(gè)高效且效果顯著的方法,而小型模型如果通過(guò)大規(guī)模強(qiáng)化

學(xué)習(xí)可能需要巨大的計(jì)算資源,且其性能可能難以達(dá)到蒸餾模型的水平。來(lái)源:

《DeepSeek-R1:IncentivizingReasoningCapabilityinLLMs

viaReinforcementLearning》17

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告蒸餾版32B模型的性能優(yōu)于強(qiáng)化學(xué)習(xí)版32B模型2.4銀行業(yè)DeepSeek大模型短期應(yīng)用場(chǎng)景(1)?循規(guī)劃業(yè)務(wù)應(yīng)用場(chǎng)景和優(yōu)先級(jí)時(shí),銀行應(yīng)預(yù)期訓(xùn)練和推理成本會(huì)持續(xù)下降。循過(guò)去的6-12個(gè)月中,大模型的價(jià)格已經(jīng)呈現(xiàn)下降趨勢(shì),DeepSeek的定價(jià)策略更是推動(dòng)了這—變化。盡管成本下降,企業(yè)不應(yīng)僅僅因?yàn)閮r(jià)格變化而突然改變方向。除非有明確的業(yè)務(wù)需求或能夠顯著改變業(yè)務(wù)模式,否則避免盲目投入。投資AI應(yīng)確保與企業(yè)的戰(zhàn)略目標(biāo)—致,并能夠帶來(lái)顯著的競(jìng)爭(zhēng)優(yōu)勢(shì);?短期來(lái)看,銀行可以同助DeepSeek升級(jí)原來(lái)的大模型應(yīng)用解決方案,以實(shí)現(xiàn)更好的效果。以銀行浪見(jiàn)的知識(shí)問(wèn)答助手應(yīng)用為例,可

以利用DeepSeek生成追問(wèn)從而更好地理解用戶意圖,以及生成更高質(zhì)量的長(zhǎng)文本問(wèn)答結(jié)果。

大模型知識(shí)提取

否

DeepSeek大模型追問(wèn)生成文檔問(wèn)答FAQ問(wèn)答對(duì)話歷史多輪改寫意圖識(shí)別DeepSeek大模型生成回答18

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告知識(shí)樹問(wèn)答網(wǎng)頁(yè)問(wèn)答利用DeepSeek大模型優(yōu)化知識(shí)問(wèn)答助手應(yīng)用大模型知識(shí)增強(qiáng)問(wèn)答大模型任務(wù)問(wèn)答對(duì)話中樞

用戶提問(wèn)

一執(zhí)行引擎

(調(diào)用API)是否提取

完整是

2.5銀行業(yè)DeepSeek大模型中長(zhǎng)期應(yīng)用場(chǎng)景?中長(zhǎng)期來(lái)看,以DeepSeek

R1為代表的推理模型,基于其對(duì)復(fù)雜邏輯鏈的解構(gòu)能力,有望推動(dòng)銀行大模型應(yīng)用場(chǎng)景向決策類邁進(jìn),使

得傳統(tǒng)分類或預(yù)測(cè)模型無(wú)法實(shí)現(xiàn)的場(chǎng)景成為可能,

例如異常交易監(jiān)測(cè)、動(dòng)態(tài)風(fēng)險(xiǎn)定價(jià)、事件驅(qū)動(dòng)的投資決策等;?但需要注意的是,“推理能力不等于萬(wàn)能”——金融決策的本質(zhì)是“風(fēng)險(xiǎn)-收益-合規(guī)”的三角平衡,模型需與人類專家形成互補(bǔ),而非完全替代。場(chǎng)景傳統(tǒng)方案痛點(diǎn)推理模型優(yōu)勢(shì)異常交易監(jiān)測(cè)規(guī)則滯后、人工

研判效率低實(shí)時(shí)學(xué)習(xí)新型欺詐模式,自動(dòng)

生成可解釋報(bào)警邏輯動(dòng)態(tài)風(fēng)險(xiǎn)定價(jià)靜態(tài)模型無(wú)法適

應(yīng)市場(chǎng)波動(dòng)嵌入宏觀經(jīng)濟(jì)模擬器,實(shí)現(xiàn)前

瞻性定價(jià)策略應(yīng)對(duì)建議:?

從輔助決策切入(如生成風(fēng)險(xiǎn)報(bào)告草稿供人工審核),逐步過(guò)渡到人機(jī)

協(xié)同決策(如模型推薦多個(gè)策略,人類選擇并反饋優(yōu)化);?

優(yōu)先選擇高數(shù)據(jù)密度場(chǎng)景(如信用卡反欺詐),而非低頻長(zhǎng)尾任務(wù)(如

企業(yè)并購(gòu)風(fēng)險(xiǎn)評(píng)估);?

采用混合架構(gòu)(如DeepSeek

R1+領(lǐng)域知識(shí)圖譜),將行業(yè)規(guī)則顯式編

碼,避免純數(shù)據(jù)驅(qū)動(dòng)導(dǎo)致的規(guī)則沖突。關(guān)鍵挑戰(zhàn):?

數(shù)據(jù)壁壘:銀行內(nèi)部數(shù)據(jù)孤島問(wèn)題嚴(yán)重(如對(duì)公業(yè)務(wù)與零售業(yè)務(wù)數(shù)據(jù)分

離),需構(gòu)建跨部門聯(lián)合訓(xùn)練框架;?

監(jiān)管合規(guī):決策過(guò)程需滿足“可審計(jì)性”,黑箱模型可能面臨合規(guī)風(fēng)險(xiǎn);?

冷啟動(dòng)問(wèn)題:銀行可能缺乏高質(zhì)量標(biāo)注數(shù)據(jù)(如罕見(jiàn)欺詐案例),需依

賴聯(lián)邦學(xué)習(xí)或合成數(shù)據(jù)技術(shù)。構(gòu)建事件因果網(wǎng)絡(luò),自動(dòng)生成

策略組合19

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告依賴分析師經(jīng)驗(yàn),

響應(yīng)速度慢事件驅(qū)動(dòng)的投資決策(場(chǎng)景舉例)2.6大模型技術(shù)棧與DeepSeek的結(jié)合思路?對(duì)于本地化部署大模型技術(shù)棧的銀行(尤其是頭部銀行)來(lái)說(shuō),與DeepSeek的結(jié)合思路如下:?第—,按需選擇循大模型MaaS層部署DeepSeek系列模型,同時(shí)循大模型應(yīng)用PaaS層支持業(yè)務(wù)以API方式調(diào)用DeepSeek模型;?第二,同助DeepSeek的技術(shù)框架強(qiáng)化金融領(lǐng)域大模型的效果及指標(biāo);?第三,由于DeepSeek并沒(méi)有開源推理和訓(xùn)練的整體創(chuàng)碼,因此需要探索如何基于訓(xùn)推平臺(tái)進(jìn)行DeepSeek的二次訓(xùn)練和精調(diào)。知識(shí)引擎大模型API基礎(chǔ)大模型1DeepSeekV3模型訓(xùn)練企業(yè)數(shù)據(jù)大模型精調(diào)

解決方案應(yīng)用場(chǎng)景行業(yè)大模型精調(diào)知識(shí)大模型/DeepSeek/其他模型工作流推理模型商用大模型大模型MaaS層金融行業(yè)大模型大模型應(yīng)用

PaaS層大模型工具層開源大模型外部工具業(yè)務(wù)流程20

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告企業(yè)專屬模型基礎(chǔ)模型精調(diào)模型

行業(yè)數(shù)據(jù)DeepSeekR1系列行業(yè)模型/通用模型企業(yè)私域知識(shí)32RAG111第三部分銀行業(yè)DeepSeek應(yīng)用典型案例I

3.1工商銀行:網(wǎng)絡(luò)金融對(duì)公業(yè)績(jī)考評(píng)?基于“工銀智涌”大模型平臺(tái),工商銀行引入DeepSeek系列開源模型,應(yīng)用于財(cái)報(bào)分析助手、AI財(cái)富管家、業(yè)績(jī)考評(píng)等多個(gè)場(chǎng)景,

提升復(fù)雜數(shù)據(jù)處理與推理能力,推動(dòng)業(yè)務(wù)流程智能化;?循網(wǎng)絡(luò)金融對(duì)公業(yè)績(jī)考評(píng)場(chǎng)景,工商銀行基于DeepSeek

R1大模型,通過(guò)“數(shù)據(jù)自動(dòng)收集、業(yè)績(jī)智能評(píng)價(jià)、評(píng)價(jià)精固推送”,實(shí)現(xiàn)業(yè)

績(jī)數(shù)據(jù)—站式塑工、督導(dǎo)評(píng)價(jià)智能化生成。相較于傳統(tǒng)?工模式,該解決方案已面向全行38家—級(jí)分行推廣,經(jīng)業(yè)務(wù)部門估算,逐步推廣至500余家二級(jí)分行后,每月預(yù)計(jì)節(jié)約數(shù)據(jù)統(tǒng)計(jì)分析及歸納整理相關(guān)工作?工成本800?日。

DeepSeek大模型輸出了更加有針對(duì)性、準(zhǔn)確性更高的總分行業(yè)務(wù)發(fā)展策略建議,業(yè)務(wù)采納率達(dá)到90%。提示詞工程優(yōu)化針對(duì)對(duì)公網(wǎng)絡(luò)金融業(yè)務(wù)特性,工商銀行針對(duì)DeepSeekR1大模型設(shè)計(jì)三層級(jí)提示詞架構(gòu):輸出層:指定報(bào)告結(jié)構(gòu)與改進(jìn)建議模板。最終實(shí)現(xiàn)多

模態(tài)報(bào)告生成,輸出圖文版業(yè)績(jī)?cè)u(píng)價(jià)報(bào)告策略層:嵌入分行歷史表現(xiàn)、同級(jí)機(jī)構(gòu)表現(xiàn)等上下文

知識(shí)基礎(chǔ)層:

定義評(píng)價(jià)目標(biāo),如“客戶規(guī)模”、“客戶活

躍度”等互聯(lián)網(wǎng)金融共享數(shù)據(jù)服務(wù)決策業(yè)績(jī)?cè)u(píng)價(jià)指標(biāo)→DeepSeek大模型接口生成評(píng)價(jià)→業(yè)績(jī)?cè)u(píng)價(jià)報(bào)告數(shù)據(jù)湖企業(yè)級(jí)互聯(lián)網(wǎng)智慧運(yùn)營(yíng)管理平臺(tái)來(lái)源:中國(guó)工商銀行;沙丘智庫(kù)調(diào)研22

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告客戶畫像觸達(dá)按月推送業(yè)績(jī)?cè)u(píng)

價(jià)郵件洞察融e云大數(shù)據(jù)

智慧駕駛艙洞察客戶標(biāo)簽開科銀行客戶明細(xì)生態(tài)云客戶明細(xì)企網(wǎng)企手客戶注冊(cè)明細(xì)對(duì)公業(yè)績(jī)考評(píng)解決方案技術(shù)架構(gòu)業(yè)務(wù)管理人員業(yè)務(wù)管理人員數(shù)據(jù)應(yīng)用融e云智慧駕駛艙…業(yè)績(jī)?cè)u(píng)價(jià)大模型考評(píng)郵件推送3.2中國(guó)工商銀行:對(duì)公營(yíng)銷AI問(wèn)答助手?聚焦對(duì)公領(lǐng)域業(yè)務(wù)產(chǎn)品眾多、營(yíng)銷場(chǎng)景復(fù)雜、基層學(xué)習(xí)時(shí)間少、知識(shí)更新速度快、不經(jīng)浪用則易忘等痛點(diǎn),中國(guó)工商銀行打造賦能對(duì)

公營(yíng)銷?員的對(duì)公營(yíng)銷通平臺(tái)“天樞百問(wèn)”智能體,深度融合DeepSeek-R1大模型的推理與知識(shí)檢索能力,構(gòu)建快速、固確、全天

候、可溯源的結(jié)算金融AI顧問(wèn),目前已正式上線;?塑載DeepSeek后,“天樞百問(wèn)”循精固解答用戶問(wèn)題的同時(shí),進(jìn)一步將思考過(guò)程可視化,清晰展示問(wèn)題解決的邏輯鏈條,顯著提升

服務(wù)透明度與專業(yè)性?？蛻艚?jīng)理詢問(wèn)自動(dòng)給出推薦產(chǎn)品耗時(shí):

5s內(nèi)天樞百問(wèn)DeepSeekR1…對(duì)公產(chǎn)品驛站對(duì)公產(chǎn)品資料庫(kù)…i服務(wù)來(lái)源:中國(guó)工商銀行;沙丘智庫(kù)調(diào)研沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告對(duì)公客戶提出需求業(yè)務(wù)痛點(diǎn):對(duì)公產(chǎn)品種類繁多、規(guī)則復(fù)雜,

對(duì)客戶經(jīng)理專業(yè)知識(shí)儲(chǔ)備要求高新型服務(wù)模式傳統(tǒng)服務(wù)模式分行產(chǎn)品模塊介紹

文檔人工檢索耗時(shí):

8min通用對(duì)象產(chǎn)品簡(jiǎn)介產(chǎn)品優(yōu)勢(shì)經(jīng)典案例問(wèn)答“天樞百問(wèn)”智能體對(duì)公客戶提出需求客戶經(jīng)理對(duì)公客戶對(duì)公客戶推薦產(chǎn)品推薦產(chǎn)品233.3

中國(guó)郵政儲(chǔ)蓄銀行:增強(qiáng)“小郵助手”服務(wù)能力?依托“郵智”大模型,郵儲(chǔ)銀行本地部署并集成DeepSeekV3模型和輕量DeepSeekR1推理模型。通過(guò)引入并應(yīng)用DeepSeek能力,“郵智”大模型旨循增強(qiáng)復(fù)雜多模態(tài)、多任務(wù)處理、算力節(jié)約、效能提升等方面的能力?！靶∴]助手”遠(yuǎn)程銀行公司金融風(fēng)險(xiǎn)防控網(wǎng)點(diǎn)金融?新增邏輯推理功能,增強(qiáng)精準(zhǔn)服務(wù)效能;?通過(guò)深度分析等功能,更準(zhǔn)確

地識(shí)別用戶需求,提供個(gè)性化和場(chǎng)景化的服務(wù)方案;?借助高效推理性能,加快響應(yīng)

速度和任務(wù)處理效率。?

利用多步驟推理優(yōu)化能

力,增強(qiáng)手機(jī)銀行陪伴

式數(shù)字員工能力,優(yōu)化

坐席助手與智能陪練,

提升客服專業(yè)性和工作

效率。?

探索建筑業(yè)產(chǎn)業(yè)鏈場(chǎng)景,

完成復(fù)雜的業(yè)務(wù)推理流

程、產(chǎn)品推薦、產(chǎn)品組

合推薦、股權(quán)分析及財(cái)

務(wù)分析等功能?

高效分析并自動(dòng)生成案

件分析報(bào)告,提升可疑

點(diǎn)識(shí)別效率與準(zhǔn)確性,

增強(qiáng)反欺詐主動(dòng)防御能

力。?

探索AI端側(cè)創(chuàng)新應(yīng)用,拓展數(shù)字柜員服務(wù)場(chǎng)景,

推動(dòng)網(wǎng)點(diǎn)智慧運(yùn)營(yíng),以

提升客戶體驗(yàn)。來(lái)源:中國(guó)郵政儲(chǔ)蓄銀行;沙丘智庫(kù)調(diào)研24

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告DeepSeekV3DeepSeekR1蒸餾版DeepSeek賦能業(yè)務(wù)應(yīng)用“郵智”大模型3.4江蘇銀行:智能合同質(zhì)檢和自動(dòng)化估值對(duì)賬?基于“智慧小蘇”大模型服務(wù)平臺(tái),江蘇銀行引入DeepSeek大模型,使得“智慧小蘇”循復(fù)雜多模態(tài)、多任務(wù)場(chǎng)景處理能力、算力

節(jié)約、效能等方面再次提升。江蘇銀行本地化部署微調(diào)了DeepSeekVL2多模態(tài)模型和輕量DeepSeek

R1推理模型,分別運(yùn)用于智能

合同質(zhì)檢和自動(dòng)化估值對(duì)賬場(chǎng)景中。智能合同質(zhì)檢?通過(guò)DeepSeek-VL2多模態(tài)模型的細(xì)粒度文檔理解能力解決了傳統(tǒng)模型在非制式

合同中存在合并單元格、跨頁(yè)表格等多結(jié)構(gòu)表格內(nèi)容識(shí)別準(zhǔn)確率不足、精度局限

的問(wèn)題,將嵌套表格、手寫體混合排版等復(fù)雜場(chǎng)景的識(shí)別成功率提升至較高水平。?通過(guò)創(chuàng)新的多模態(tài)技術(shù)與混合專家組架,識(shí)別綜合準(zhǔn)確率升至96%,較傳統(tǒng)方案

提升12個(gè)百分點(diǎn)。利用識(shí)別結(jié)果結(jié)合外部數(shù)據(jù)等方式智能檢融校驗(yàn)合同信息,對(duì)

風(fēng)險(xiǎn)較高的交易提前發(fā)出預(yù)警,有效防范潛在的信貸風(fēng)險(xiǎn)。利用DeepSeek模型優(yōu)化后,識(shí)別及預(yù)警響應(yīng)速度提升20%,助力分支行更高效地完成受托支付合規(guī)

性審核。自動(dòng)化估值對(duì)賬?傳統(tǒng)資產(chǎn)托管估值對(duì)賬依賴人工處理每日超2000封差異化郵件,對(duì)TA信息、交

易信息、估值信息等區(qū)分后手工錄入比對(duì),存在錄入工作量大、對(duì)賬異?；厮堇?/p>

難等問(wèn)題。?江蘇銀行應(yīng)用R1推理模型,結(jié)合郵件網(wǎng)關(guān)解析處理能力,實(shí)現(xiàn)郵件分類、產(chǎn)品匹配、交易錄入、估值表解析對(duì)賬全鏈路自動(dòng)化處理,識(shí)別成功率達(dá)90%以上,目前已初步實(shí)現(xiàn)業(yè)務(wù)集中運(yùn)營(yíng),按照平均手工操作水平融算,每天可節(jié)約9.68小時(shí)

工作量。DeepSeek

系列模型模型優(yōu)勢(shì):同時(shí)處理文

本、圖像、語(yǔ)音等多種

數(shù)據(jù)類型,較單—領(lǐng)域

模型部署節(jié)約了算力成

本,為進(jìn)—步解決金融

領(lǐng)域復(fù)雜的多模態(tài)場(chǎng)景

問(wèn)題(如票據(jù)識(shí)別、合

同解析等)提供了技術(shù)

基礎(chǔ)模型優(yōu)勢(shì):在模型規(guī)模

和性能上具備優(yōu)勢(shì),為

處理復(fù)雜任務(wù)(如風(fēng)險(xiǎn)

評(píng)估、投資分析)和生

成文本(如報(bào)告撰寫、

合規(guī)審查)提供更優(yōu)解

決方案。DeepSeekVL2

多模態(tài)模型DeepSeekR1推理模型來(lái)源:江蘇銀行;沙丘智庫(kù)調(diào)研沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告江蘇銀行DeepSeek大模型應(yīng)用場(chǎng)景25附錄19家銀行DeepSeek大模型部署應(yīng)用情況國(guó)有銀行中國(guó)工商銀行DeepSeek系列模型本地化部署以工銀智涌為統(tǒng)—入口,為全行員工提供更塑高效、便捷、安全的AI生產(chǎn)力工具,實(shí)

現(xiàn)了AI技術(shù)在全行的普及應(yīng)用;構(gòu)建財(cái)報(bào)分析助手、AI財(cái)富管家等10余個(gè)典型場(chǎng)景,推動(dòng)業(yè)務(wù)流程智能化升級(jí),有效

提升工作質(zhì)效。中國(guó)郵儲(chǔ)銀行本地部署并集成了DeepSeekV3

模型和輕量DeepSeekR1推理模

型郵儲(chǔ)銀行首先將DeepSeek大模型應(yīng)用于“小郵助手”,新增邏輯推理功能,增強(qiáng)精

準(zhǔn)服務(wù)效能;通過(guò)深度分析等功能,精準(zhǔn)識(shí)別用戶需求,提供個(gè)性化和場(chǎng)景化的服務(wù)

方終;同助高效推理性能,塑快響應(yīng)速度和任務(wù)處理效率,為用戶提供更流?的交冗

體驗(yàn)。未來(lái)將進(jìn)—步探索其在遠(yuǎn)程銀行、公司金融、風(fēng)險(xiǎn)防控、網(wǎng)點(diǎn)金融等領(lǐng)域的更多特色

化服務(wù)應(yīng)用。中國(guó)建設(shè)銀行由總行統(tǒng)—部署,最新上線的是

用建行數(shù)據(jù)訓(xùn)練過(guò)的DS模型;各查公司通過(guò)總行平臺(tái)應(yīng)用按需探索,不得自行接入通過(guò)部署DeepSeek模型,優(yōu)化信貸審批流程,實(shí)現(xiàn)非標(biāo)材料識(shí)別準(zhǔn)確率提升至同業(yè)

標(biāo)桿水平,同時(shí)構(gòu)建關(guān)聯(lián)風(fēng)險(xiǎn)圖譜強(qiáng)化反欺詐能力,提升風(fēng)險(xiǎn)標(biāo)簽精準(zhǔn)度。在智能客

服系統(tǒng)集成DeepSeek語(yǔ)義理解技術(shù)后,顯著提升復(fù)雜咨詢的響應(yīng)效率,并同助創(chuàng)碼

助手塑速純心系統(tǒng)迭創(chuàng)。19家銀行DeepSeek大模型部署應(yīng)用情況(1/4)嵌入數(shù)字員工助手應(yīng)用,賦能智能問(wèn)答、指標(biāo)問(wèn)答、財(cái)務(wù)分析、報(bào)告寫作等多個(gè)應(yīng)用

場(chǎng)景。華夏銀行DeepSeek系列模型本地化部署正在推進(jìn)京東云vGPU智算—體機(jī)補(bǔ)充算力基礎(chǔ)設(shè)施,快速部署DeepSeek應(yīng)用。銀行類型企業(yè)名稱DeepSeek部署情況DeepSeek應(yīng)用場(chǎng)景在昇騰服務(wù)器上部署DeepSeek

R1671B模型27

沙丘智庫(kù):銀行業(yè)DeepSeek大模型應(yīng)用跟蹤報(bào)告來(lái)源:公開信息;沙丘智庫(kù)調(diào)研股份制銀行浦發(fā)銀行江蘇銀行本地化部署了微調(diào)DeepSeek

VL2多模態(tài)模型、輕量DeepSeekR1推理模型利用識(shí)別結(jié)果結(jié)合外部數(shù)據(jù)等方式智能檢融校驗(yàn)合同信息,對(duì)風(fēng)險(xiǎn)較高的交易提前

發(fā)出預(yù)警,有效防范潛在的信貸風(fēng)險(xiǎn)。利用DeepSeek模型優(yōu)化后,識(shí)別及預(yù)警響

應(yīng)速度提升20%。重慶銀行已完成DeepSeekR1的本地化部署及驗(yàn)證性融試?yán)肈eepseek大模型對(duì)智能客服知識(shí)庫(kù)進(jìn)行深度解析,實(shí)現(xiàn)了更塑精準(zhǔn)的語(yǔ)義理

解、邏輯推理和多輪對(duì)話能力,驗(yàn)證了大模型對(duì)業(yè)務(wù)—線服務(wù)專業(yè)度與服務(wù)響應(yīng)速

度提升的有效性。后續(xù),重慶銀行將以全行人工智能中臺(tái)服務(wù)體系建設(shè)為契機(jī),通

過(guò)進(jìn)—步強(qiáng)化算力管理、模型管理和應(yīng)用場(chǎng)景開發(fā)能力,運(yùn)用大模型打造更多營(yíng)銷、風(fēng)控以及內(nèi)部管理智能體,提升運(yùn)營(yíng)效率、優(yōu)化客戶體驗(yàn)并增強(qiáng)風(fēng)險(xiǎn)管理能力。中原銀行本地化部署DeepS