文｜白 鴿

編｜王一粟

當AI大模型已開始走向千行百業之時，備受看好的金融行業，卻似乎陷入了落地瓶頸。

打開手機銀行想查下貸款額度，對著屏幕說了半天，AI客服卻只回復 “請點擊首頁貸款按鈕”；

客戶經理想用大模型生成一份客戶資產配置方案，結果推薦的產品與客戶風險等級完全不符；

風控團隊測試的AI模型，在審批中小企業貸款時頻頻給出“幻覺答案”......

這些看似荒誕的場景，卻是當前AI落地金融行業時的真實困境。

當金融機構滿懷期待地將AI請進門，卻發現它既讀不懂復雜的信貸政策，算不清理財產品的費率結構，更搞不懂不同銀行的“行話體系”。

通用大模型的“聰明”，在嚴肅的金融場景里似乎失靈了，大模型與金融場景之間，也仿佛橫亙著一道看不見的鴻溝。

“企業和產業需要的不是實驗室的技術，而是真正能夠解決真實問題的可信生產力。”螞蟻數科CEO趙聞飆在2025WAIC智能體驅動產業變革論壇上如此說道。

也正因此，面向AI大模型在具體行業中的落地，想要真正釋放AI價值，關鍵就在于要從水平通用轉向垂直專用，只有深度理解行業的大模型，才能懂行話，做行活兒，創造真實的業務價值。

金融行業的AI落地，更是如此。

因此，構建專業的金融大模型是推進金融與AI深度融合的必然路徑，未來，金融大模型的應用深度將成為金融機構競爭力的關鍵要素。

大會上，螞蟻數科正式發布了一款專為金融領域打造的金融推理大模型Agentar-Fin-R1，其基于Qwen3研發的垂直行業大模型，包括32B和8B參數兩個版本，在FinEval1.0、FinanceIQ等權威金融大模型評測基準上表現出色，超越DeepSeek-R1等同尺寸開源通用大模型及金融大模型。

同時，螞蟻數科還推出基于百靈大模型的MOE架構模型，獲得更優推理速度。此外，還有非推理版本的14B和72B參數大模型，以滿足金融機構在多樣化場景下的部署需求。

“螞蟻數科主要專注于金融板塊，這也意味著把過去所積累的，對客戶、對場景以及對解決方案的了解，能更深入地提取并實現向垂直專用的轉變。”螞蟻數科CTO王維說道，“而一個好的垂直大模型，特別是具備強大推理能力的那種，才能成為智能體可控、可信賴并且易于優化的核心組件。”

螞蟻數科的金融推理大模型，還將通過Expertise、Efficiency、Evolution三大理念，實現金融大模型的深度專業能力和高效迭代，為金融AI應用構建起 “可靠、可控、可優化” 的智能中樞。

那么，為什么AI落地金融行業這么難？螞蟻數科又是怎么解決這些難題的？

金融不是“題海戰術”，得有專業的“課程表”

金融行業的特殊性在于，每個細分領域都有自己的 “知識密碼”：

銀行的對公業務要分析企業三表（資產負債表、利潤表、現金流量表），證券的投研需要理解K線形態與宏觀政策的關聯，保險的核保要掌握數百條健康告知細則等等。

而通用大模型的 “通識教育” ，在金融行業顯然是不夠用。

更為重要的一點在于，金融行業很多政策都是在實時變化的。

如去年LPR（貸款市場報價利率）調整后，有銀行的AI客服還在按舊利率計算還款額；新的資管新規出臺，模型推薦的理財產品突然成了“不合規產品”

因此，很多靜態的大模型，根本追不上金融行業的 “政策跑速”。

想要解決這些問題，懂行，且能“實時充電”的垂直大模型成為關鍵。

事實上，想要訓練行業大模型，就需要對行業知識進行系統化地學習，其關鍵在于一個科學、專業的任務數據體系作為“課程大綱”。

基于長期深耕金融業務的經驗，螞蟻數科給 AI 量身定制一套金融專業 “課程體系”。其梳理出覆蓋銀行、證券、保險、基金、信托的6大類66小類任務，從 “信用卡逾期風險預測” 到 “基金持倉調整建議”，每個任務都像一門專業課，讓模型逐個攻克。

“教材”已經有了，但更關鍵的則是 “教材” 的質量，畢竟，只有高質量的數據，才能“喂養”出高質量的AI大模型效果。

因此，螞蟻數科以該金融任務體系為框架，從千億級交易、風控和財富等場景中積累的真實原始數據出發、經過嚴格的質量評估、再經過專門設計的可信數據合成和CoT數據精標鏈路，構建了迄今已知最專業最全面的金融領域訓練數據集。

此外，通過加入原則類合成數據，確保大模型在所有任務中都遵循金融業的安全合規要求，以應對例如身份類、合規性、數據安全等問題，提升大模型的安全合規性。

這種 “金融思維鏈” 訓練，讓AI不僅能給出答案，更能說清 “為什么這么判斷”。

與此同時，在訓練層面，螞蟻數科也做了很多功課，如通過創新的加權訓練算法，提高大模型對復雜金融任務的學習效率與性能。在后續業務應用中，可顯著減少二次微調的數據需求與算力消耗，有效降低大模型在企業落地的門檻與成本等。

“本質上，任何一個軟件或大模型訓練，一定要對數據或者訓練的算法有更好的工程化能力。”王維說道，“所以我們也結合對數據訓練的實踐結果，對包括課程學習、差錯歸因分析、微調過程中算力和數據更好比例配方，如何進行調整權重等算法進行了改良。”

螞蟻數科的金融推理大模型Agentar-Fin-R1，將這種專業訓練發揮到極致，經過專業體系數據集訓練的金融大模型，能夠達到“出廠即專家”。

此外，螞蟻數科還給模型裝上了 “進化引擎”。

一方面通過RAG技術實時抓取最新政策文件、市場動態，就像給AI開通了“金融資訊VIP通道”；另一方面，模型會定期“體檢”，通過Finova評測基準自查能力缺口。比如發現對 “個人養老金賬戶稅收優惠” 理解不到位，就會自動生成相關訓練數據，完成針對性升級。

這種自主進化能力，讓某股份制銀行的智能投顧在新規落地當天就更新了產品推薦邏輯，避免了合規風險，“金融AI不能是‘一次性買賣’，得像金融專家一樣持續學習。”

因此，Agentar-Fin-R1能夠實現不斷更新迭代，吸收最新的金融政策、市場動態等關鍵信息，并通過配套評測工具進行針對性優化，讓模型能力在真實業務場景中不斷進化。

以保險行業為例，當新的保險法規出臺，對某些險種的理賠條件或費率計算方式做出調整時，Agentar-Fin-R1能迅速捕捉到這些變化，自動更新相關知識，并在后續處理保險業務時，按照新的規則進行準確操作，確保保險機構的業務始終符合法規要求 。

無疑，垂直行業大模型的能力問題已經解決，但最終還是要讓AI能夠真正嵌入業務流程。

從“能說話”到“會做事”，智能體架起最后一座橋

如果說金融推理大模型是金融AI落地的大腦，那么智能體就是給這個大腦裝上了手腳，成為AI大模型落地企業業務場景中最關鍵的形態。

“智能體的價值，不在于解決1000個淺層問題，而在于攻克行業深層痛點。”趙聞飆說，“智能體要圍繞場景出發，適應企業業務場景，才能在專業知識領域價值最大化。”

事實上，智能體的核心就是將模型大腦與自動化工具結合，完成從對話到執行的躍升，這也成為智能體在產業落地的關鍵。

今年4月，螞蟻數科發布智能體開發平臺Agentar，為金融機構提供一站式、全棧的智能體開發工具，基于該智能體平臺，螞蟻數科整把AI從“聊天機器人”變成“業務多面手”。

如螞蟻數科助力上海某銀行打造的AI手機銀行，創新“對話即服務”模式，用戶通過自然對話即可獲取各類金融服務，這種 “對話即服務” 的模式，讓老年客戶滿意度提升顯著，月活用戶同比增長25%。目前，螞蟻數科累計已服務100%的國有銀行和股份制銀行、超60%的地方性商業銀行、數百家金融機構。

而這背后就得益于螞蟻數科聯合上海銀行共同打造的AI客服智能體，“可以說重塑了服務的本質，通過AI實現了服務的宜人化。”趙聞飆說道。

無疑，智能體成為AI大模型從 “能說話” 到 “會做事”的關鍵橋梁。

這背后，是螞蟻數科智能體把大模型能力與金融業務系統無縫對接，就像給AI配備了“工具箱”，需要算收益時調用計算器，需要查征信時對接征信系統，需要寫報告時調用文檔生成工具。

當然，“智能體背后不僅是大模型的能力，更重要的是專業度，要把專業的數據激活，所以在像金融這一類行業中，我們能夠把螞蟻的經驗輸出出來，這將是非常有價值的事情，且能夠給行業帶來更多智能體標桿應用案例。”王維說道。

相比于其他行業，金融AI落地進展并不迅速，但實際上整個金融AI和金融智能體已經重塑了很多金融類的企業級流程，其也正從copilot的輔助角色，慢慢變成一個決策者角色。

“智能體其實是改寫了軟件的底層規則，基于其泛化能力和可以自主編程代碼能力，我們也相信智能體會越來越在企業級復雜場景中大放異彩。”王維說道。

不過，金融智能體這件事情只有進行時，沒有完成時，所以Everything還在繼續。

或許在不久的將來，當我們再用AI處理金融業務時，會忘記它是“人工智能”，只覺得它是一位懂業務、守規矩、會變通的“老金融人”——這大概就是AI落地金融的最高境界。