申万宏源证券金融AI深度报告显示，AI金融行业大模型核心技术相比2023年已产生较大变化。2025年DeepSeek等开源工具实现算法平权后，金融机构不再完全聚焦基础模型，转向RAG、Agent等轻量化架构。金融AI能力正从意图识别向意图执行演进，Chatbot形式单意图识别工具准确率已接近90%，结合Agent能力的意图执行开始大量出现，但智能决策整体仍未成熟。
金融大模型技术底座两年剧变
2023年至今，金融大模型底座发生根本性变化。2023年初以BloombergGPT为代表的预训练路线曾被认为是最优方案，通过自主构建数据集和语料库可获得更强文本生成能力，但成本高昂。2024年后OpenAI o1出现推动强化学习、指令微调、RLHF等后训练范式兴起，改变了模型能力提升的路径。
2025年后DeepSeek等开源工具实现算法平权，金融机构不再完全聚焦基础模型。大量金融机构基础模型选择开源，或与头部大模型厂商合作。海外机构如摩根大通、摩根斯坦利、贝莱德、城堡证券与OpenAI、谷歌等合作；国内招商证券、中金财富与通义千问合作，国泰君安与阶跃星辰合作，北京银行、华泰证券与火山引擎合作。
企业级AI架构设计范式转变
构建高效、可扩展AI系统的标准化架构正迅速发展。2024年美国企业级市场AI架构设计中，RAG以51%的采用率占据主导地位，成为金融机构建设重点。智能体架构采用率从2023年的0%迅速增至12%，是2024年最大突破之一。与之相比，微调的采用率仅为9%。
这一转变反映出金融机构更倾向于通过RAG（检索增强生成）和Agent等轻量化方式接入大模型能力，而非对模型本身进行深度定制。数据工程（RAG为代表）和应用程序（Agent为代表）成为2024年后金融机构的建设重点。
从意图识别到意图执行的金融能力演进
金融AI能力正从意图识别向意图执行演进。目前Chatbot形式为主的单意图识别工具准确率已接近90%，金融机构普遍通过智能客服、知识问答等场景验证了基础能力。结合Agent能力的意图执行开始大量出现，如工行的智能中枢可通过自然语言实现跨系统功能调度。
金融AI应用价值可分为四个层级。提升效率层面（AI编程、账户自动化、合规审核、客服支持）成熟度最高。流程自动化与价值创造层面（投顾助手、个性化推荐、新金融服务产品）中等成熟。深度决策层面（交易机会洞察、资产价格预测、高频交易、流动性/信用风险评估）目前成熟度最低但价值最高，在银行和保险领域案例极少，资管领域单点案例更多。
三类金融AI参与者各具优势
表：金融大模型三类参与模式对比| 研发模式 | 典型代表 | 优势 | 劣势 |
|---|
| 金融机构自研 | 国有大行、头部券商 | 业务理解深刻、贴近场景、私有资源积累 | 技术和经验局限、资源限制、适用范围有限 |
| 金融科技公司 | 恒生电子、赢时胜、讯兔科技、中科金 | 大模型友好、垂直领域know-how | 面临双重挤压、资源有限 |
| 基础大模型供应商 | 百度、智谱、科大讯飞、火山引擎 | 技术实力强、资源丰富、创新能力强 | 业务理解不足、业务整合难度大 |
国内金融机构大模型应用研发参与者包括三类。自研能更好保证数据安全和隐私、实现业务定制化、提升长期竞争壁垒。第三方服务在智能投研技术门槛较高、自研开发成本较高的场景下更具优势，能以较低成本快速获得先进技术和工具，同时具备强大的数据整合能力。银行和保险已上线需求集中于客服作业、营销分析、报告撰写、代码助手等，各行之间场景差距较小；2024年下半年后部分大行开始接入信贷和前端业务，但渗透率仍较低。
