一、项目背景及目标

随着全球金融行业的快速数字化转型，人工智能技术在金融领域的应用已成为推动行业创新和效率提升的核心动力。特别是大型语言模型（LLM）在自然语言处理、数据分析和智能决策支持方面的强大能力，为金融行业的智能化升级提供了重要机遇。然而，当前主流大模型多依赖于海外开源数据和算力平台，90%以上训练数据为外文或来自境外，存在严重的意识形态问题、数据隐私风险及合规性挑战，难以满足中国金融行业对高安全性和强监管的要求。此外，国内金融数据资源分散、质量参差不齐，数据格式不统一，难以直接用于大模型训练。同时，国产化算力平台在性能和资源方面与国际先进水平存在差距，现有模型在适配国产芯片、操作系统和框架时面临训练效率低、性能偏差等问题。

为应对上述挑战，本课题依托国产化人工智能创新联合体，基于国产AI芯片、飞桨深度学习框架、文心大模型、千帆大模型平台及银河麒麟操作系统，研发全栈国产化的金融行业大模型。通过突破多维度金融数据智能过滤、高可信混合式金融指令数据生成、基于分位数量化和块内量化的低资源低秩分解训练等关键技术，构建了适配国产化环境的金融行业大模型，并在智能合规、智能信贷、财报分析等场景实现端到端应用。本课题不仅填补了国内金融行业大模型全栈国产化的技术空白，还为金融行业数字化、智能化转型升级提供了安全、高效、可控的解决方案。

二、创新点

（1） 技术架构创新：全栈国产化软硬件深度适配与协同优化

项目打破大模型对国外基础软硬件的依赖，构建起从国产AI芯片、银河麒麟操作系统、飞桨深度学习框架，到文心大模型与千帆平台的端到端全栈国产化技术栈，实现全链路自主可控，填补了金融行业大模型全栈国产化的技术空白。同时针对国产芯片架构特性研发专属融合算子，结合FP16/BF16混合精度计算与动态损失缩放技术，显著缓解算力资源不足问题，算力吞吐量提升1.5至2倍；并通过可解耦插件式硬件接入与大规模分布式推理技术，实现模型在多样化国产软硬件环境下的灵活高效部署。

（2） 模型算法创新：面向国产算力的低资源高效训练策略

围绕金融场景高精度需求与国产算力、显存受限的矛盾，提出一系列轻量化高效算法方案。创新将MoE混合专家模型应用于金融大模型，利用稀疏激活机制大幅降低计算成本，并设计动态门控与专家异构结构，解决专家选择偏差问题；采用分位数量化、块内量化结合LoRA低秩分解训练，使微调显存占用降低70%以上，支持在有限算力下完成百亿级模型增量预训练与指令微调；使用DPO直接偏好优化替代传统RLHF，省去独立奖励模型训练，在降低资源消耗的同时提升模型合规性与回答可信度。

（3） 数据工程创新：高可信金融数据治理与指令生成

针对金融数据私密性强、质量参差不齐、合规要求严苛等痛点，构建多维度智能数据治理体系。通过启发式规则过滤、困惑度评分、SimHash级联去重及信息熵质量筛查，有效剔除低质量、违规及有害数据；研发高可信混合式金融指令生成技术，完成种子指令扩张、多类型指令混杂与RAG风格生成，构建300万条高质量金融指令集，显著减少模型幻觉、提升回答忠实度；结合大模型与版面分析技术，实现PDF、跨页表格等复杂金融文档的精准结构化解析。

（4） 应用模式创新：知识增强与智能体协同的业务闭环

项目突破通用大模型在金融专业场景的适配局限，深度融合业务场景。将RAG检索增强与知识图谱结合，实现财报分析、内外规对比等复杂任务精准推理，问答精度超90%；搭建具备工具调用、任务规划、长短期记忆能力的Agent智能体协同引擎，在智能财报、合规审查等场景实现全流程自动化处理；并在应用层部署安全沙箱机制，对Agent工具调用与代码执行进行隔离运行，保障金融业务系统在引入大模型后的安全性与鲁棒性。

三、项目技术方案

本项目的主要技术方案包括以下几个方面：

（1）整体架构研究。围绕金融行业大模型设计应用全流程，设计囊括数据、训练、能力工具、应用系统、安全沙箱的体系架构，确保各环节协调配合，同时为证券、期货、保险、基金、银行等各类金融机构预留对接特色数据、特殊工具、特定安全规范要求的入口。

（2）数据建设。国产化环境下金融数据工程全流程工具适配，形成持续的多模态金融数据采集、金融预训练数据处理和指令数据生成体系，完成金融大模型预训练数据集和指令集。开发融合互联网开放新闻、行情、行研、百科数据和银行内部业务数据的行业知识库，并在其基础上构建能够服务于多任务的知识增强问答引擎。

（3）模型构建。结合国产芯片、操作系统、飞桨框架等国产化环境，基于金融行业数据，在文心大模型的基础上实施增量预训练和指令微调与性能优化，构建金融行业大模型。

（4）推进国产化金融大模型应用示范落地。基于纯国产化环境开发基于大模型的示范应用，包括基于大模型的银行业智能合规应用、基于大模型的银行业智能信贷应用、基于大模型的财报助手应用等，在安全沙箱环境中模拟各种可能的场景和风险事件，测试应用系统的健壮性和应对能力，提前发现潜在问题并制定应对措施，以验证国产化金融行业大模型的实际应用能力。

图 技术方案示意图

四、运营情况

项目成果在北京银行的智能合规、智能信贷、财报分析场景中成功应用，验证了其在实际业务中的高效性和稳定性。智能合规应用通过法规知识库和检索增强技术，提升了合规检查效率20%以上；智能信贷应用通过多渠道数据采集和思维链推理，优化了贷前贷后尽调流程；财报分析应用实现了自动化财务指标分析，显著提升了分析效率。这些成果可进一步推广至证券、期货、保险、基金等金融机构，满足多样化的业务需求。

成果转化方面，项目已形成1项发明专利申请，并计划与更多金融机构合作，推动技术在行业内的规模化应用。

五、项目成效

（1） 降低技术投入成本，提升算力利用效能

实现从芯片、系统到应用的全栈国产化替代，摆脱国外软硬件垄断，降低核心技术采购及运维成本；通过专属算子优化、混合精度计算及低资源训练技术，算力吞吐量提升，模型微调显存占用降低，年均节省算力及运维成本数千万元，实现百亿级金融大模型在国产算力环境下高效稳定运行。

（2） 优化业务运营流程，实现降本增效

依托智能体协同与知识增强技术，实现财报分析、合规审查、金融文档解析等核心业务自动化处理，金融合规审查效率提升，复杂文档解析耗时缩减，人工投入减少，大幅降低人力成本与业务失误损失，全面提升金融机构运营效率。

（3） 赋能业务创新升级，拓展增值空间

打造金融场景智能化服务新模式，助力智能风控、智能投顾、智能客服等业务提质增效，提升客户服务质量与市场竞争力，有效支撑金融机构数字化转型，推动技术创新转化为实际业务价值，实现业务规模与效益稳步提升。

（4） 保障国家金融安全，筑牢科技安全屏障

构建全链路自主可控技术体系，解决核心技术“卡脖子”问题，杜绝国外技术带来的数据泄露、安全后门等隐患，搭配应用层安全沙箱机制，全方位守护金融数据与客户信息安全，维护金融行业稳定运行。

六、经验总结

国产化算力平台的性能和内存限制仍对复杂场景的模型推理效率构成挑战，特别是在高并发、多模态任务中，推理延迟需进一步优化；金融数据的动态更新机制需进一步完善，以应对快速变化的监管政策和市场环境。

项目在数据处理中发现，高质量金融数据的获取和清洗需投入大量资源，未来可通过自动化工具进一步提升效率；在国产化适配中，软硬件协同优化是关键，需加强与国产芯片和操作系统的深度适配测试。