免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 电子 AI：大模型掘金金融行业数据富矿 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com 金融行业坐拥数据富矿，有望成为 AI 大模型率先落地的垂直领域之一 近期，多家金融机构、金融服务机构发布其 AI 大模型：彭博发布支持金融 领域的自然语言处理（NLP）任务的 BloombergGPT，中国农业银行推出类 ChatGPT 的大模型应用 ChatABC，中国工商银行发布了基于昇腾 AI 的金 融行业通用模型。我们认为垂直行业的高价值量数据对于 AI 大模型的训练 和垂直领域应用至关重要，金 和垂直领域应用至关重要，金融行业数字化程度领先，拥有数据富矿，有望 成为 AI 大模型率先落地的垂直领域之一。应用端，我们看到生成式和理解 式大模型在银行、保险、资管、投研、投顾等多个细分领域正在落地或拥有 潜在落地场景，帮助金融机构降本增效。 银行：大模型助力数据洞察能力提升，赋能高质量顾问式金融服务 在银行领域，理解式大模型可以用在信贷风险管理、智能获客和产品识别等 场景，通过提升银行的数据洞察理解能力，来更好地识别客户需求以及评估

AI 为主角 、人为助手的协作模式 微众银行： 黄叶飞 02 大模型在研发效能上的初步探索 05 Multi-Agents 实现研发流程提效 03 大模型辅助研发遇到的困难 04 Agent 离不开的 RAG 让 AI 成为主角的人机交互方式 研发流程面临的主要问题 目 录 复杂 内部研发效率主要体现在其复杂性上： 人员 、产品 、监管事情应接不暇。 研发流程面临的主要问题？ 不同岗位工作内容的复杂性占用不少研发成本 大模型在研发效能上的初步探索 o o o 版本发布 接口测试 性能测试 Bugs 设计稿 线上运维 系统监控 测试环境 交互稿 产品文档 功能测试 测试 运维 产品 架构文档 接口文档 联调 单测 初试 在 ChatGPT 出来后， 大模型似乎能辅助研发效能的提升。 大模型在研发效能上的初步探 索 大模型在研发效能上的初步探索 ，在开发过程中便于模型能理解 公司内部的基本组件并知道如何使用； 同时将公共组件调用生成问答对更进 准的让模型理解 代码解释及关联代码 首先把所有代码把无注释的代码先生成一份代码注释 、然后将代码注释及代 码用于做微调 大模型在研发效能上的初步探索 o o o 单元测试案例及代码 提取代码中的单元测试案例 、以及单元测试的代码， 更精准的做代码微 调 微调模型的试验之路是否可行

�����0 ��� 大模型赋能智慧城市建设的路径与策略研究 魏天呈 郭真 杨云龙 (中国联合网络通信有限公司智能城市研究院,北京 100080) 摘要:近年来,人工智能技术特别是大模型(Large Language Models, LLMs)的突破性进展,正深刻重塑 全球产业格局和社会治理模式。 作为新一轮科技革命和产业变革的核心驱动力,大模型凭借其强大的 通用理解、生成、推理和交互能力 通用理解、生成、推理和交互能力,为智慧城市构建开辟了全新路径。 通过解析大模型与智慧城市的深 度融合机制,重点探讨大模型对城市治理体系现代化、公共服务智能化、产业经济高效化的赋能作用,分 析其关键驱动因素如算法创新、算力支撑、数据要素流通及政策环境,旨在为城市管理者和政策制定者 提供前瞻性参考和实践指引。 关键词:大模型;智慧城市;数据要素;城市治理 中图分类号:F49;F299. 2;TP18 引用格式:魏天呈, 郭真, 杨云龙 . 大模型赋能智慧城市建设的路径与策略研究[J]. 信息通信技术与 政策, 2025,51(8):91-96. DOI:10. 12267/ j. issn. 2096-5931. 2025. 08. 013 0 引言 在《国务院关于印发新一代人工智能发展规划的 通知》进一步明确将大模型列为重点发展方向后,大模 型在城市治理、产业升级、民生服务等领域的创新应用

项目编号： 可信数据空间 AI 大模型服务平台 建 设 方 案 目录 一、项目概述.............................................................................5 1.1 项目背景 ............................................................... ................41 五、AI 模型部署与管理............................................................44 5.1 大模型选择与部署.........................................................44 5.2 模型训练与优化.................... .........................................46 5.3 模型生命周期管理.........................................................49 六、可信管控与安全保障.........................................................51 6.1 可信计算与认证

某某银行大模型客服助手解决方案 01 客服领域场景概述 02 大模型技术概述 03 大模型在客服领域的应用场景 04 某某银行的大模型客服助手实践 05 未来的发展方向 目录 CONTENTS 客户服务 通过电话、手机 APP 等渠道接入 , 为客户提供业务咨询、业务办 理、产品营销等银行服务 ，以语 音服务、文本服务、视频服务为 02 大模型技术概述 03 大模型在客服领域的应用场景 04 某某银行的大模型客服助手实践 05 未来的发展方向 目录 CONTENTS 大模型的基本概念 本报告的大模型特指类似 ChatGPT 的大型语言 模 型（ Large Language Models ， LLM ） ，是 一种由包含百亿以上参数的深度神经网络构建的 自然语言模型。 简单来说 ，大模型就像是一个拥有巨大知识库的 02 、大模型技术概 述 对话式交互会成为下一个具有超级增长点的交互方式 随着技术的发展 ，人机交互正不可逆转地向人更习惯的方式靠近。可以预见的是 ，接下来是强人工智能时代 ，过去成百上 千个 App 会逐渐演化成未来的成百上千个 Chatbot 。就像 Android 和 iOS 系统为手机赋能一样 ， Chatbot 将会逐渐成为 新的操作系统 ，逐渐为各行业赋能。 02 、大模型技术概

AI+ 金融大模型的两条技术路线 证券研究报告 当前 AI 与金融的结合主要有两条技术路径：①通用模型 + 金融语料训练金融大模型 ，②金融垂类大模型。 1 ）双方优劣具有相对性。通用大模 型 优势：泛用性强、灵活性和利用率高、可迁移性强。劣势：特定领域深度较浅、模型复杂、训练时间长；金融垂类模型优势：领域专业性、针 对 性的解决方案、高精度和合规性。劣势：适应性限制、更新和维护复杂度、数据利用率低。 护复杂度、数据利用率低。 2 ）通用大模型通过金融语料训练超越金融垂类模 型 可能性较小。通用大模型在行业数据量 ，性价比 ，精确性、适用性、实时性、推理速度 ，合规性和风险控制等方面表现欠佳。 通用大模型“ 百模大战 ” ， 头部模型国外领先较大 ， 平均水平国内外差距较小 ， 中文上国内表现更优。 1 ） 国外通用 GPT4-Turbo 遥遥领 先。 OpenAI 震撼发布 震撼发布 GPT4-Turbo ，开启新一代人工智能模型的大门； 谷歌将在谷歌云上部署 Claude ，并于推出自研的大模型 LaMDA 的聊 天机器人 Bard ； AWS 推出自有基础模型 Titan 和 AIGC 服务 Bedrock ，以及 AI 编程助手 Amazon CodeWhisperer 。 Anthropic 推出 Claude ，是最接近 ChatGPT 的商业竞品；

Agent 是大模型面向应用端发展的下 一阶段 联邦学习与联邦 大模型 WeBank AI Agent 目录 2 2. 通用大模型不具备专业知识 通用大模型如直接用于各行各业，模型表现 得专业知识不足，并不能满足业务要求； 需要利用本地数据训练垂类行业大模型，大 幅度提升模型性能 • 大模型生成的回复违背了用户输 入中的任务指示或者任务输入； • 大模型生成的回复出现了自我矛 大模型生成的回复出现了自我矛 盾； • 大模型生成的回复与公认的事实 知识出现了冲突。 • 需要不断增加高质量的标注数据， 优化模型加以解决 3. 保护数据要素隐私 训练垂类行业模型时，面临 保护各类本地数据隐私的问 题。包括，训练数据，本地 模型，提示词等。 多个数据源联合训练一个大 模型时极有可能会暴露每个 数据源的用户隐私和影响信 息安全。 例子： 问：请总结以下新能源车的介绍， 千公里。 机器学习 模型实现 2% 数据标注 25% 数据整合 10% 数据清洗 25% 通用大模型不能直接应用 对数据相关的处理过程可占据 超过 80% 的时间，其中数据标 注环节的耗时占比可达 25% 1. 通用大模型存在幻觉问 题 机器学习项目中不同环节耗费 时间结构比重 机器学习 模型训练 10% 数据识别 5% 机器学习 模型调参 5% 机器学习

48 22 容量电费 44.00 23 其他收益 储能财务评价模型（2025年6月） pcs容量 月（≤12个月） 元/kWh 元/kWh 万元/年 元/kWh 万元/年 在“其他收益录入表中” 分年度单独填报 备注：1.应用场景：发生销售行为，有实际的现金流交易，考虑了营业税、增值税、所得税等税收；2.本模型的收 换/不更换均可使用；4.城建税、教育附加（含地方）均为5%；5 财务评价模型（2025年6月） pcs容量 元/kWh 元/kWh 元/kWh 元/kWh 项目投资财务内部收益率(所得税前) 项目投资财务内部收益率(所得税后) 项目投资财务净现值(所得税前) 项目投资财务净现值(所得税后) 项目投资回收期(所得税前) 项目投资回收期(所得税后) 项目资本金回收期(所得税后) 元/kWh 税、所得税等税收；2.本模型的收益模式：充放电套利及其他各种补贴收益；3 贴收益；3.本次升级后，电芯更 项目全投资基本内部收益率，税后设定为6%，税前设定为7%，资本金基本内部收益率设定为8%（ 偿还利息净现值-固定资产余值净现值）/累计总发电量净现值”计算；7.本模型适用于对投资收益初步估 电话18889007032，欢迎探讨、交流！ 其他收益 3 4 5 6 其他收益录入表（除充放电套利外的其他收益） 运营期 7 8 9 10 11 12 13 运营期

项目编号： 股票量化交易基于 DeepSeek AI 大模型 应用场景 设 计 方 案 目 录 1. 引言....................................................................................................................................... ...........................................................................................39 5.3 模型训练与优化模块............................................................................................ 7. 模型开发..................................................................................................................................................................................55 7.1 模型选择与设计

项目编号： 智能语音讲解公共服务基于 DeepSeek AI 大模型 应 用 方 案 目 录 1. 项目背景与目标.................................................................................................................................. .................................................................................10 1.3 DeepSeek 大模型的核心优势.............................................................................................. .....25 3. DeepSeek 大模型技术适配...........................................................................................................................................27 3.1 模型选型与定制化训练...............