DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 降本增效，价值创造与决策赋能。在实际银行落地应用 ，中泰证券研究所 7 n 阿里近期开源的 QwQ-32B 模型基于 320 亿参数规模，在数学推理、代码生成及通用任务中表现亮眼，综合性能对标 DeepSeek-R1 （ 6710 亿参数，激活量 370 亿）。该模型大幅降低部署成本， 支持在消费级显卡（如英伟达 RTX 4090 ）上 本地运行，满足快速响应及数据安全需求。同时， QwQ-32B 集成智能体（ Agent ）能力，可调用工具并基于 ）能力，可调用工具并基于 环境反馈调 整推理逻辑，为定制化 AI 方案提供基础。 图表： QwQ-32B 模型表现 资料来源：阿里，中泰证券研究所 8 性能：开源 QwQ-32B 性能比肩满血 R1 ，再次降低部署成 本 n 通过将 DeepSeek-R1 的推理能力蒸馏到更小的模型中，较小的模型也能具备强大的推理能力。 DeepSeek 开源了从 15 亿 到 700 亿参数的 R1 蒸馏版本。这些模型基于

...................................................................................................32 3.1.3 智能审计决策模块................................................................................... NLP 解析合同条款与会计准则差异，识别潜在 合规风险 3. 建立多维度关联分析引擎，发现隐蔽的舞弊模式（见 下表典型场景） 风险类型 传统检测率 智能体检测率 关键技术 关联交易舞弊 32% 89% 图谱推理+时序分析 风险类型 传统检测率 智能体检测率 关键技术 收入确认异常 45% 93% 贝叶斯网络+规则引 擎 费用分摊失真 28% 76% 聚类分析+异常值检 测 知识沉淀标准化 的组合结构。训练数据需包含历史审计案例 中的异常交易特征，例如： - 输入层维度：根据审计对象动态调整 （如财务审计中科目余额、交易频率、金额分布等） - 隐藏层设 计：3 层 LSTM（128/64/32 单元）配合 20% Dropout - 输出层： Sigmoid 激活函数输出异常概率 训练时采用对抗样本增强技术，注入 10%-15%的已知异常模 式数据以提升泛化能力。模型评估指标需满足：

服务调用 高并发、高可用 企业级鉴权流控 算力投入持续降低 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B R1-Distill-Llama-8B R1-Distill-Qwen-7B R1-Distill-Qwen-1.5B DeepSeek 部署方案 • 全参 +LoRA 双模 式 • 低至 1 卡 A10 DeepSeek 全系 列 R1 、 V3 满血版 R1-Distill-Llama-70B R1-Distill-Qwen-32B R1-Distill-Qwen-14B R1-Distill-Llama-8B R1-Distill-Qwen-7B R1-Distill-Qwen-1.5B DeepSeek 精调方案

色，能够有效处理知识库中的语义信息。训练过程中，采用迁移学 习和微调策略，利用预训练模型的参数，通过知识库数据进一步优 化模型性能。训练时使用 Adam 优化器，学习率设置为 0.0001， 批量大小为 32，训练轮数为 10 轮。 输出层根据任务需求设计不同的输出结构。对于分类任务，输 出层采用 Softmax 函数进行分类；对于生成任务，则使用自回归 模型生成文本。此外，输出层还需包含后处理模块，对模型的输出 法收敛，过低则会导致训练速度过慢。建议采用学习率衰减策略 （如余弦衰减或步进衰减）或自适应学习率方法（如 Adam 优化 器）。批量大小的选择需权衡训练速度和模型性能，通常建议使用 2 的幂次方（如 32、64、128）以提高计算效率。优化器的选择应 根据模型的复杂度进行，对于简单的模型可以使用 SGD，而对于复 杂的深度学习模型，Adam 或 RMSprop 通常更具优势。 正则化系数（如 L2 计进行，但需注意计算资源的限制。 为了高效进行超参数调优，建议采用以下步骤： 1. 定义搜索空间：根据模型和数据集的特征，合理定义每个超参 数的范围。例如，学习率可以在[1e-5, 1e-1]之间搜索，批量 大小可以在[32, 512]之间选择。 2. 选择调优方法： o 网格搜索：适用于超参数数量较少的情况，但计算成本 较高。 o 随机搜索：适合超参数数量较多的情况，能在较短时间 内找到较优解。 o 贝叶

30 3.1 系统总体架构......................................................................................32 3.2 模块划分......................................................................................... 际操作中，可以根据计算资源和时间预算选择合适的方法。  学习率：通常设置为 0.01 到 0.001 之间，通过逐步减小学习 率，观察模型收敛情况。  批量大小：根据数据规模和硬件资源，设定为 32、64 或 128，过大可能导致内存不足，过小可能影响训练稳定性。  正则化系数：用于控制模型复杂度，常用 L1 或 L2 正则化，系 数通常设置为 0.01 到 0.0001 之间。 在 型的训练与推理任 务。例如，NVIDIA A100 GPU 在 FP16 精度下的计算能力可达 312 TFLOPS，能够显著加速模型训练过程。根据实际业务需求，初始 配置可包括 16 至 32 块 GPU，并在后续根据用户规模和数据量逐 步扩展。 存储资源的配置需要兼顾容量与速度。建议采用分层存储架 构，包括高速固态硬盘（SSD）和机械硬盘（HDD）。SSD 用于存 储频繁访问的训练数据和中间结果，HDD

Meta-World[47], BEHAVIOR-1K[48] ALOHA[37], UMI[38], HumanPlus[39], GELLO[40], GC-DA[41] MineDojo[31], VRB[32], Baker 等[33], RoboCLIP[34], Seo 等[35], Han 等[36] 图 1 基于大模型的具身智能工作概览 Fig. 1 Overview of embodied 的大量人类与环境交互的视频更是能提供大规模的、 多样的和真实的行为数据, 用于训练具有广泛性和 通用性行为能力的模型. 但此类视频一般不包含标 签, 如何有效地提取视频中的动作并用于训练是该 方向的重点问题. 文献 [32] 提出了一种名为 VRB 的方法, 通过 利用互联网上的人类行为视频来训练一个视觉可供 性 (Visual affordance) 模型, 该模型能够估计人类 在场景中的可能交互位置和方式, 通过从人类的视 Conference on Com- puter Vision and Pattern Recognition (CVPR). Vancouver, Canada: IEEE, 2023. 32 Baker B, Akkaya I, Zhokhov P, Huizinga J, Tang J, Ecoffet A, et al. Video PreTraining (VPT): Learning

工作流的无缝融合，所有 AI 功能均以插件形式存在，支持企业根据实际需求分阶段启用。通过 建立效果监测看板，管理层可实时追踪 ROI 转化情况，确保技术投 入产生实际业务价值。最终将形成包含 7 大类 32 个标准接口的 AI 能力中台，为后续智能化扩展预留充足空间。 2. 技术可行性分析 在技术可行性分析中，我们首先需要评估 DeepSeek 大模型与 现有 CRM 系统的兼容性。DeepSeek 正负样本比例控制在 3:1 训练参数配置 采用两阶段训练策略： 关键参数设置： - 学习率：初始阶段设为 5e-5，领域适配阶段降至 3e-6 - Batch Size：根据 GPU 显存动态调整，建议 32-128 区间 - 训练轮次：通用微调 3-5 轮，领域适配 8-10 轮 效果验证方法 建立三维评估体系： 评估维度 测试集 达标阈值 意图识别准确率 500 条真实对话 92% ≥ 实体抽取 在金融行业某头部券商的实践中，CRM 系统接入 DeepSeek 大模型后，客户服务效率提升显著。通过分析历史沟通过程数据， 系统可自动生成投资建议初稿，理财顾问的方案撰写时间从平均 45 分钟缩短至 8 分钟，准确率提升 32%。关键数据对比如下： 指标 接入前 接入后 提升幅度 客户需求响应时效 2.3 小时 0.8 小时 65% 服务方案通过率 68% 89% 21% 高净值客户留存率 76% 92% 16%

..31 图 20 省级行政区环境分指数 Top10....................................................................... 32 图 21 省级行政区环境分指数-资源环境 Top10.......................................................33 图 22 省级行政区环境分指数-市场环境 特优势；东部沿海地区则在基础设施建设、人才资源和行业生态建 设方面表现突出。同时，各地区面临着基础设施建设、能源供应、 技术人才等方面的挑战，需要进一步加强合作和协同发展。 综合算力指数 32 来源：中国信息通信研究院 图 20 省级行政区环境分指数 Top10 2.资源环境 我国省级行政区环境分指数-资源环境 Top10 为青海省、内蒙古 自治区、新疆维吾尔自治区、甘肃省、宁夏回族自治区、西藏自治

4 接口设计.............................................................................................32 4. 数据管理.......................................................................................... 同步。这种方法能够显著减少训练时间，尤其是在处理 TB 级数据 时。为了进一步提高训练效率，我们使用混合精度训练（Mixed Precision Training），即同时使用 16 位和 32 位浮点数进行计 算，以减少显存占用并加速训练速度。 模型训练过程中，采用交叉验证技术来评估模型的性能，避免 过拟合。我们将数据集划分为训练集、验证集和测试集，比例为 7:2:1。通过交叉验 保其高效运行和满足业务需求的关键环节。首先，针对银行系统的 实际场景，需要对模型进行轻量化处理。通过剪枝、量化和知识蒸 馏等技术，减少模型的参数量和计算复杂度，从而降低对硬件资源 的消耗。例如，可以将模型的浮点数精度从 FP32 降低到 FP16 或 INT8，在保证性能的同时显著减少计算资源的占用。 其次，为了提高模型的推理速度，可以引入并行计算和分布式 推理技术。通过将模型切分到多个 GPU 或计算节点上并行处理，

...........30 2.3.1 人工智能技术发展......................................................................32 2.3.2 SaaS 平台趋势...........................................................................34 3. 产品设计 GPT-3、BERT 等），这 些技术的演进使得机器在自然语言处理、图像识别、决策支持等方 面展现出了惊人的能力。 根据市场研究机构的数据显示，预计在未来五年内，人工智能 市场的复合年增长率（CAGR）将达到 32%以上。这一增长主要得 益于以下几个方面的技术进步： 1. 算力的提升：随着 GPU 和 TPU 等专用硬件的广泛应用，人工 智能的计算能力得到了极大的提升，特别是在图像和视频处 理、自然语言处理等领域。 码测试、构建和发布的流程。 整体构架可以使用以下 Mermaid 图示进行展示： 在资源配置上，初期将根据访问预估量配置基础的 Kubernetes 集群，包含 3 个节点。每个节点配备 8 核 CPU 和 32GB 内存，以支持初步的模型推理需求。随着用户量及访问量的 增加，我们将在流量监控的基础上进行水平扩展，动态调整集群节 点的数量。 平台定期向用户提供关于模型表现的反馈，结合用户的数据使 用