KPI 考核分数 *70% （ 70 分） ① 月度考试成绩（ 10 分） ② 培训参与率（ 6 分） ③ 培训期活跃程度（ 4 分） ① 工时利用率（ 4 分） ② 团队协作能力（ 3 分） ③ 执行力及配合度（ 3 分） 业绩排名达成率 *70%+ 培 训考核成绩 *20%+ 直属 上 级和同组员工评议 360 度 评议 *10% 建立员工认证体系→设定认证标准→进行培训→进行认证→进行绩效评估→定期评估 2. 推广及销售工作暂停 ; 3. 各大组其他人数不超过 6 个； 4. 借调人员、行政文员、客服组长上线 [ 除看场和巡场组长 外 5. 资源规划团队公布各班次提前延后加班 ，值班组长跟进落 实执行； 1. 严格控制其他人数（小休、事后、培训、外拨等） ； 2. 安排组长巡场并定位话务突增原因 ，反馈相应团队； 3. 观察各技能线排队情况 ，根据线上人力需求 ，灵活调控技 能线； 2. 00-24 ： 00 每 2 小时话务水平微信 推送 • 话务低于预警线， 自动进行提示和工作安 排 • 每时段策略执行结果显示 应用效果： • 问题导向明显 • 追踪目标清晰 • 各问题团队可快速响应 • 团队执行力考核依据 高峰时段服务水平 以下 （ 9 ： 00-18 ： 00) 高峰时段服务水平 以下 （ 9 ： 00-18 ：

冻结账户 风险处置流程采用闭环管理： 合规审计方面，智能体实现：  全流程操作留痕，支持监管要求的 7×24 小时追溯查询  自动生成反洗钱报告，可疑交易识别准确率提升 40%  每月执行压力测试，模拟 200+极端风险场景 该模块已通过商业银行风险管理系统等保三级认证，在试点应 用中实现：  信贷审批违规率下降 62%  合规检查耗时从 45 分钟/单缩短至 2 分钟 上下文管理采用对话状态跟踪(DST)技术，维持最长 20 轮对话 记忆 2. 智能决策引擎 3. 业务执行子系统  交易处理模块：封装 300+银行 API 接口，支持实时查询、转 账、理财购买等操作  工单系统对接：自动生成服务工单，关键字段填充准确率达 98.7%  采用双通道执行模式： o 自动通道：处理标准化业务（如余额查询） o 人工审核通道：触发大额交易等高风险操作 基线指标 优化后 提升幅度 吞吐量 32 QPS 89 QPS 178% 错误率 6.2% 1.8% 71% 合规检查 手动 自动 100% 5. 持续学习机制 部署在线学习管道，每日凌晨自动执行：  客户反馈分析（正负样本标注）  新产品知识注入  异常对话检测与模型热更新 通过差分隐私训练确保数据安 全，更新包大小控制在 200MB 以内，支持分钟级模型迭代。 该方案

边缘服务器 本地一体机部署 私有云 公有云 来源：沙利文、头豹研究院 中国推理算力：定义与服务覆盖范围 关键发现 推理算力主要负责AI模型的推理任务，主要用于处理和执行已经训练好的模型进行实 际应用。这包括执行推理任务、处理实时数据和提供预测结果。推理过程通常对计算 资源需要快速响应，对实时性要求较高。 市场研读 2025/08 使用新数据推理出各种结论。  推理芯片的目标是在已经训练好 的模型上执行任务，推理芯片不 需要进行复杂的学习过程，其设 计重点是在保持高效计算的同时， 尽可能减少功耗。  因此，推理芯片比较关注低延时、 低功耗。可配置使用优化的推理 硬件，高效能的服务器和网络设 备如GPU、NPU或FPGA，这些硬件 能够高效执行模型推理任务，以 确保快速响应时间和稳定的服务。 但不一定需要与训练时相同的硬 研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、 竞争格局变化、政策法规颁布、市场调研深入，保持不断更新与优化。  研究院秉承匠心研究，砥砺前行的宗旨，从战略的角度分析行业，从执行的层面 阅读行业，为每一个行业的报告阅读者提供值得品鉴的研究报告。 法律声明  本报告著作权归头豹所有，未经书面许可，任何机构或个人不得以任何形式翻版、 复刻、发表或引用。若征得头豹同意进行引用、刊发的，需在允许的范围内使用，

AI 大模型 x 硬件的两条思路 从 22 年 11 月 OpenAI 推出 ChatGPT 至今，我们看到 Chatbot 应用的能力 不断增强，从最初的文字问答，迅速向具有自主记忆、推理、规划和执行的 全自动能力的 AI Agent 发展。我们认为端侧智能是大模型发展的重要分支。 建议投资人沿着：1）大模型如何赋能终端，2）终端如何解决大模型普及难 点两条思路，寻找硬件的落地机会。我们看好 1）Apple 1）Apple Intelligence 推动苹 果用户换机，2）交互能力提升推动轻量级 AR 开始普及，3）隐私保护需求 推动办公用 PC AI 化等三大机会。 具备记忆、推理、规划、执行能力的 AI Agent 可能是大模型的最终形态 大模型的应用能力最初功能仅限于文字问答，此后逐渐引入图像理解、文生 图功能，并通过 GPT Store 拓展功能，形成了 AI Agent 雏形，近期 GPT-4o ChatGPT 的 PC+移动端独立访客数达到 3 亿，在全球所有网站中排名第 22。 我们认为大模型的演进方向是智能化和自动化程度逐渐提升，最终形态是 AI Agent，具有自主记忆、推理、规划和执行的全自动能力。 观点#1：Apple Intelligence 推动苹果用户换机，利好产业链业绩增长 6/11, 苹果 WWDC 2024 大会推出由苹果自研的端侧大模型、云端大模型、 以及

通常用于金融文档的理解、摘要和解释。 侧重实现金融场景，例如信贷风控、投资 决策、保险销售等。 更注重推理过程，核心是如何更好地实现 金融业务场景。 用户理解+金融领域知识库（资源消耗小） 更适用于需要执行金融特定领域场景的 应用，如金融知识图谱构建、自动化决 策等。 目标 侧重点 技术 适用任务 行业知 识小白 行业人员，如信 贷经理、理财专 家、保险销售等 拥有众多技 能的金融行 商业银行智能监管规则库 规则定义 规则推理 规则适配 规则评估 杂乱繁金融监管文本 金融监管规则定义语言 一致性验证 完备性刻画 模拟仿真 小样本场景迁移 形式化验证 数字化监 管规则可 执行 跨场景跨 任务可适 配 监管规则 语言可定 义 监管规则 效能可评 估 痛 点 目 标 成 效 规则生成 场景适配 形式化验证 2 1 3 4 针对金融监管规则缺乏统一的监管 理引擎，将金 融监管文本转译成金融监管规则可执行代码（例如SQL），最终生成可执行监管规则，建设商业银行智能监管规则库。 项目支持：国家重点研发计划“商业银行智能监管与联动预警关键技术研究”项目 研究实践7：监管规则智能推理 监管规则理解难 监管规则执行难 规则类目分类 代码转换映射 监管术语问答 规则理解难 规则识读难 规则执行难 《金融机构客户身份识别和客户身 份资料及交易记录保存管理办法》

备供应单位，优化方案设计、确保项目质量、保障项目运营效率。 在项目实施过程中建立健全全程监控，确保本项目不出现任何 人为的纰漏，在竣工验收中配合质检、安检、财政、信息化产业的 等相关部门严格执行国家规定的验收标准，以确保质量安全，杜绝 运营的安全隐患。并积极、及时、足额落实建设资金，使本项目能 够早日开工建设、投入运行，充分发挥其社会功能和效益。 8 经济开发区“智慧园区”项目项目建议书 常设咨询机构，由各领域专家和咨询机构专家组成。审议“智慧 园区”项目的相关技术方案和行动计划方案；参加项目中重大建设项 目的检查、评估和验收工作；对技术路线选择、设备选型等重大技 术问题进行专题论证，提出咨询意见；对项目执行中出现的问题提 9 经济开发区“智慧园区”项目项目建议书 出修正、终止意见等。 3、管理协调组 由开发区党政办工作人员、咨询机构、监理机构组成，负责项 目建设过程中的项目管理和协调工作。 题， 信息数据时代下，园区管委会是整合开放的平台，是一个大数据共 享平台， 它建立了企业与管委会间的沟通渠道，通过在线交互让企 业成为政务流程的节点，透明政务，让园区内企业参与到政务制定 与执行、效果评估和监督之中，使企业成为园区管理的参与者。推 进园区内信息资源进一步开放，实时信息开发利用效率倍增，促进 园区经济质量快速发展。 实现数据融合，打造智慧园区。 本次智慧园区建设真正跨越园区内部管理协同的鸿沟，大大提高

是一个从文本到图像的生成式 AI 模型，参数达到 11 亿，计算 量是智能手机上运行的典型工作负载大小的 10 倍以上，主要限于在云端运行。高 通技术团队使用高通 AI 软件栈（Qualcomm AI Stack）执行全栈 AI 优化，使用高 通 AI 模型增效工具包(AIMET)对模型进行量化，Hugging Face 的 FP32version1-5 开源模型开始，通过量化、编译和硬件加速进行优化，在搭载 Snapdragon 模型可以解决的。微软亚洲研究院曾在 Github 上 开 源 过 一 个 叫 做 Jarvis 的 项 目 ， 该 系 统 由 LLM 作 为 控 制 器 和 许 多 来 自 HuggingFace Hub 的 AI 模型作为协作执行者组成，该系统让 LLM 充当控制器来管 理现有的 AI 模型，使用语言作为通用接口来调用外部模型，解决实际任务。 图27：钢铁侠和 Jarvis 图28：微软亚洲研究院的 Jarvis 项目 资料来源：漫威，国信证券经济研究所整理 等大语言模型 分析用户请求，了解用户意图，并将其拆解成可解决的任务；2）模型选择，为了 解决计划的任务，ChatGPT 根据描述选择托管在 Hugging Face 上的 AI 模型；3） 任务执行，调用并执行每个选定的模型，并将结果返回给 ChatGPT。4）生成响应， 最后使用 ChatGPT 整合所有模型的预测，生成 Response。未来，智能音箱、家用 中控屏、甚至于手机、MR 都有可能成为“贾维斯”式管家的交互入口，及时性、

元。相比于其他模型性能和定价，该模型具有更优的模型性能 / 价格比例。 请务必阅读正文之后的免责声明及其项下所有内容 DeepSeek-V3 发布，性能对齐海外领军闭源模 型 图： DeepSeek-V3 等模型执行不同推理任务性能对比 图： DeepSeek-V3 具有更优的模型性能 / 价格比例 图： DeepSeek-V3 等模型多项评测成绩对比 资料来源： DeepSeek 官网，国信证券经济研究所 整理 的效果。 请务必阅读正文之后的免责声明及其项下所有内容 DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版 图： DeepSeek 蒸馏小模型等执行不同推理任务性能对比 图： DeepSeek-R1 等模型执行不同推理任务性能对比 资料来源： DeepSeek 官网，国信证券经济研究所 整理 资料来源： DeepSeek 官网，国信证券经济研究所 整理 l DeepSeek- 混合精度训练技术，不仅极大地加快了训练速度，还大幅降低了 GPU 内存的消耗。基于低精度训练领域的成熟经验，开发人员构建了一个适用于 FP8 训 练 的混合精度框架，其中大部分计算密集型任务以 FP8 精度执行，而关键操作则保持原有精度，以确保数值稳定性和训练效率之间的平衡。结合 FP8 训练框架， 能够将 缓存激活值和优化器状态压缩至低精度格式，进一步减少了内存占用和通信负载。 DeepSeek-V3

压力驱动向内生动力转化；金融机构和交易市场则为 ESG实践提供资本、工具与市场化激励，使企业的行动 能够与经济回报挂钩；第三方机构通过标准化服务、专 业培训和评价工具来提升企业ESG行动的执行力和可复 制性；教育与传播体系通过课程、媒体与社会活动培养 公众认知和责任感；国际合作则为上海提供对标和借 鉴，使各类主体能够在全球规则体系中更精准地找到自 身定位。 通过这一系统化的行动网络，上海的ESG发展有 可持续发展目标转化为具体的绩效指标和风险管理工 具。根据经合组织的《ESG Investing: Practices, Progress and Challenges》报告，ESG框架为环境和社会因素的金 融决策提供了“可执行且可衡量”的操作结构。世界经 济论坛发布的《Stakeholder Capitalism Metrics》报告 进一步强调，ESG体系提升了非财务信息的可比性、透 明度和责任追究，成为连接宏观可持续目标与企业微观 在美国，ESG议题一度被部分 政治力量视作意识形态化的政策符号，部分州政府甚至 通过“反ESG法案”，使企业和基金管理人对该概念的 使用趋于谨慎；在欧洲，尽管可持续金融与碳关税等机 制持续深化，但监管机构也在适度调整执行节奏，从强 调“合规约束”转向更关注“可操作性”与“转型可负 担性”。同时，全球多家国际会议与组织正在以“可持 续性披露”或“转型金融”等更具包容性的表述替代 ESG。这种再审视并非是对ESG理念的否定，而是体现

辅助区温度、相对湿 度 （停机时） 5~35℃、20％~80％ 不间断电源系统电 池室温度 20~30℃ 注：主机房的温、湿度应执行 A 级，基本工作间可根据设备要求按 A、B 两级执行，其它辅助房间应按工艺要求确定。 2） 通信机房正压要求 主机房宜维持正压。主机房与其它房间、走廊间的压差不宜小于 5Pa，与室外静压 差不宜小于 10Pa。 3） 50084-2017 《建筑设计防火规范》GB 50016-2014（2018 年版） 《建筑灭火器配置设计规范》GB 50140-2005 《数据中心设计规范》GB 50174-2017 其他应执行的国家或地方规范标准等。 7.2 设计范围 给水系统、排水系统、消防给水系统、灭火器配置以及气体灭火系统等。 7.3 给水系统 7.3.1 水源 本工程水源采用城镇自来水，园区分为南北地块，北侧地块拟从地块周边市政道路 地存储、 脱网运行、独立报警能力，网络故障时现场监控层各设备仍能正常运行。现场监控层 需要能够集成各类监控设备的数据信息，具有强大的集成功能。设计中预留相应的监 控功能接口，为今后的扩展提供完全可执行的方案。 现场设备以系统为单位配置现场管理设备（控制器），一套系统配置一个控制器， 不混用。 （4） 管理层：管理层要求具备双机冗余热备功能，负责各现场监控层的统一管理，将数据 进行分析，完成