随着大模型技术蓬勃发展，快速迭代，其性能实现显著跃升。特别是年初DeepSeek模型的突破性发布，大幅降低了AI创新门槛，推动金融行业探索焦点从基础模型转向大模型应用的创新。当前各机构正密集研发适应各个金融业务场景的智能体应用（Agent），掀起大模型应用百花齐放的新局面。

然而在具体实践中，应用效果呈现明显分化。从普通的智能问答场景到涉及金融核心业务场景的探索，要同时满足金融场景的高准确性要求与优质用户体验，仍面临多重挑战，包括：

● 金融企业如何结合自身金融专业领域的业务场景和数据来训练优化基础模型?

● 在算力资源普遍是瓶颈的情况下，如何进一步提升突破推理效率瓶颈?

● 如何更有效地提炼准备高质量的数据要素?

● 智能体应用研发缺乏专业工具平台与领域知识沉淀。

腾讯云副总裁 胡利明

在大模型领域，腾讯践行“AI in ALL”战略，不是发展孤立的单一AI产品，而是将混元/DeepSeek两大模型的能力拆解为可复用的“AI能力原子化”，潜入旗下社交、内容、广告、金融科技等全场景业务矩阵，实现AI大模型技术与场景应用的有机结合。一方面快速的通过AI大模型的场景实践快速迭代解决用户在场景中的实际痛点，另一方面又通过海量数据反哺模型迭代改进。

结合大模型应用在金融行业落地的思考以及腾讯自身实践，我们提出“云-数-模-应用”的飞轮模型：

图1 “云-数-模-应用”飞轮模型

● 云为模型训推提供智算底座，支持模型的训推以及数据湖建设；

● 新一代大数据湖为模型增强提供关键原料，尤其是领域模型；

● 技术领先的大模型为AI应用提供关键支撑，将技术能力转化为业务价值；智能体开发平台助力金融机构高效构建AI应用，落地具体应用场景；

● 而金融AI应用的发展又会促进云智建设，反哺数据积累与模型优化。

四大板块驱动AI跨越数据和场景鸿沟，深度创造价值，并且形成良性的发展飞轮。

腾讯的AI大模型及工具平台能力

在具体的金融大模型应用落地实践路径上，腾讯金融云整合腾讯B端的技术能力和C端丰富生态，形成了针对金融机构的全方位合作解决方案。

图2 腾讯云金融行业AI创新解决方案架构图

1. 为B端提供从智算底座到AI应用的全栈能力

智算底座TCE与大数据平台TBDS：为模型进化和AI应用奠定坚实基础。

大模型层：坚持全链路自研的混元大模型持续演进，同时开放地拥抱DeepSeek等主流开源模型。

一站式训推平台TI：涵盖数据准备、模型训练、模型优化、模型评测到推理部署的全流程支撑。

智能体开发平台TCADP：提供应用构建框架，支持RAG、工作流和agent模式；集成丰富的外部工具和金融场景插件，支持快速构建金融Agent。

2. 为C端用户提供AI原生应用

超级应用元宝快速迭代，在金融、医疗、教育等专业领域，效果越来越好。

广受欢迎的个人知识库ima近期开通共享知识库的“知识库广场”，快速拥有了超过1000万篇公开知识，覆盖投资理财、产业经济、金融市场、财会审计等多门类的金融专业知识库，生态繁荣可期。

另外，我们的微信、QQ、文档、会议、理财通等各产品都接入了大模型能力，广泛的应用场景，正在持续带来模型和体验的迭代进化。

大模型落地金融业的五大高价值场景

腾讯金融云深耕金融全业态数智升级，构建了覆盖银行、泛金融、资管、保险等核心业务场景及金融行业通用场景的智能产品和方案体系。支持金融机构创新，助力众多金融机构实现AI赋能，沉淀出覆盖前中后台的完整大模型金融场景应用矩阵。

图3 金融大模型应用全景图

在金融行业通用场景领域，大部分场景和大模型技术能力比较匹配，相对比较成熟，像办公助手、知识库、智能客服、代码助手等，这些能够快速落地，行业客户应用成效也很显著。

在金融业务流程前中后台的场景应用，还处于快速迭代发展中。一方面我们自主研发信贷尽调助手、智能舆情等高价值场景的优势应用，在大模型金融应用深水区快速建立标杆；更多的是提供工具平台和工程能力，支持金融机构、以及行业生态合作伙伴进行开发，持续深度创新应用。

1. 场景一：金融企业知识库场景

大模型应用的第一个场景是企业知识库。金融行业当前面临知识碎片化严重、检索效率低下，以及安全合规风险高等核心挑战，特别是由于知识管理缺乏公司级的统一机制和平台，各业务部门数据散落在不同的系统中，还有很多业务经验并没有一结构化的形式存储为企业的数据资产，数据资产的使用率不足。

腾讯云通过乐享企业知识库解决方案推动金融机构的知识整合和高效利用。腾讯乐享是开箱即用的企业知识库，能够支持金融行业私有化部署的需求。

● 支持腾讯混元与DeepSeek双模驱动；

● 支持30多种多模态格式，多级分类的灵活管理，彻底解决知识零散、难以查找的难题；

● 在集成便利性上，乐享知识库本身可以作为MCP插件，方便的嵌入到很多企业级应用中，例如企业微信、客服系统等；

● 除了知识库能力之外，乐享还衍生出员工知识助手、员工智能陪练的全套组件，长生人寿基于乐享AI知识库上线了 “AI-长小生”，落地了企业知识库、长生AI小助手、AI陪练这三大智能场景的落地应用。

图4 乐享AI助手示意图

2. 场景二：对公信贷领域的大模型信贷尽调助手

图5 腾讯云大模型信贷尽调助手架构图

银行信贷经理人工编写完成一份企业尽调报告一般需要两到三周的时间，迫切需要有AI工具能够提升效率。

在使用大模型技术实现智能尽调的场景上，还是存在着非常多的技术挑战：

● 首先输入端就有财报，交流流水等大量不同格式的文档，文档的提取、切分等处理场景非常复杂和多样化；

● 需要提取的各类文件高达数千页，直接提取往往会超出模型的上下文参数，信贷尽调是金融严肃场景，有溯源需求；

● 专业术语和场景语境，包括扫描文档中复杂表格，水印等都造成大量干扰。

我们在实践中发现，基于简单的大模型RAG（检索增强生成）技术去实现信贷尽调数据的提取和报告生成，处理性能存在瓶颈，同时幻觉效应严重导致准确率很难提升。这里进行了大量的应用工程优化，对小参数基础模型基于特定领域的数据集进行后训练/全参数微调后，能够大大提升处理效率和准确率，降低幻觉效应。

信贷尽调助手具有覆盖信贷尽调业务端到端的处理能力，支持覆盖95%以上的工作场景：

● 在数据提取输入层，支持多种格式的文档输入、数据接口与互联网搜索召回；

● 在分析层，通过意图识别、KV提取、风险分析等专属模型，实现“识别-提取-分析”全链路覆盖；

● 在报告输出层，大模型智能生成信贷尽调报告与信审结果。

在具体实践中，智能生成的尽调报告在人工审核环节，采纳率保守指标在93%以上。报告生成周期从10天压缩至1小时，合并人工审核1个工作日内完成，整体效率整体提升了10倍。

同时，大模型信贷尽调助手可以基于“小参数领域模型”结合MOE混合专家模型的扩展架构，灵活扩充支持对公信贷领域的细分场景，形成一个完善的“信贷智能体”，实现对贷前、贷中、贷后流程的全覆盖。

图6 信贷全生命周期伴侣-全矩阵信贷智能体

3. 场景三：保险代理人助手，人+AI协同典范

图7 保险代理人助手

在保险领域，特别是寿险的个险团队展业场景，个险代理人团队面临工作负荷高、信息碎片化、能力参差不齐等痛点，亟需智能提效来推动高质量的发展。

AI大模型通过智能助手应用显著优化全天的工作流程，例如：

● 上午基于客户收入、健康情况、已有保障来分析缺口和责任，分钟级生成保障思路和保险计划，让推荐的产品类型、保额和保费一目了然；

● 中午根据核心客群的特点，自动生成精准的营销宣传内容（如针对宝妈客群的朋友圈文案），强化个人IP；

● 下午依托企业知识库高效学习业务知识，并采用AI陪练模拟真实对话（如个人养老金产品的初次推荐场景），确保销售思路清晰，销售用语合规。

在大模型辅助下，代理人可以从低价值的重复工作和信息检索中解放出来，将精力专注于客户经营和学习提升，工作体验和工作效能都能得到大幅提升。

4. 场景四：金融舆情大模型应用场景

图8 金融舆情大模型

在证券行业舆情应用场景中，我们通过大模型技术为监管机构及市场机构提供舆情事件智能推送、智能问答和自动化报告生成等服务，舆情是非结构化数据，是大模型擅长的领域，实现事件发现效率提升30倍、报告生成时效压缩至15分钟的突破性进展。该解决方案基于数据-模型-场景三维体系深度构建：

● 在数据层，联合行业专家持续沉淀高质量媒体与自媒体舆情数据，同步拓展音视频及海外数据源的智能化处理能力；

● 在模型层，采用混元专项增训舆情大模型与DeepSeek模型双模驱动架构，通过工具化API输出智能问答能力，支持金融机构自建智能体系统的多源信息精准召回；

● 在场景层，深度赋能投研分析、风险监控及财富管理等领域，将舆情数据转化为可量化的决策指标，切实提升业务价值。

5. 场景五：大模型在金融风控领域的实践

图9 天御金融风控大模型

第五个场景，大模型应用在金融风控方面非常有价值，腾讯在同黑产和欺诈对抗过程中积累了丰富的数据。包括全知识（有标签知识和无标签识）、全模型（过去服务客户积累的定制建模资产）、全特征（上万维不同类别特征，黑产类、欺诈类、信用类等）。

基于上述知识和挖掘，形成金融风控大模型的训练输入，在专家模型的帮助下，通过自监督和半监督学习完成大模型训练。

这个风控大模型相对传统专家模型足够大，记忆信息多，对以往的模型和特征掌握足够全，所以能够支持基于客户的少量样本进行prompt工程，1-2天就可以低门槛适配一个新的场景需求；同时区分度有20%左右很好的提升。

未来发展趋势：Data+AI，数智结合

图10 Data+AI趋势分析

1. Data+AI领域的核心趋势——它正从“单点技术突破”迈向“产业深度重构”

数据与AI的融合是“双轮驱动”的一体化，企业不再孤立看待数据治理和AI模型开发，而应该把数据治理和AI开发整体来规划，构建端到端的平台。Data+AI有三个方向的趋势。

智能化管理，AI可以在数据的全生命周期，执行自主的规划，分析，优化等任务，深度挖掘数据价值；AI是解锁数据价值的关键钥匙。

一体化，面向传统的数据工程的大数据和面向AI数据科学的数据，在数据湖中一体化存储，可以大大提升数据存储效率，打破数据孤岛；这里面包含结构化数据，非结构化数据，面向AI的向量化数据等等。

创造高价值，把机构私域高质量的数据，用在业务场景应用的领域模型训练里面，往往能产生巨大价值，也是跨越效果鸿沟的关键点；例如传统的Xgboost专家决策模型，融合LLM的数据，统一做决策的智能决策；根据用LLM和多模态来千人千面生成营销内容等。

图11 腾讯金融云Data+AI解决方案架构图

2. 数据是企业的宝贵资产，而AI是解锁数据价值的关键钥匙

腾讯金融云Data+AI解决方案，致力于帮助客户挖掘数据价值，实现数据变现，在金融行业落地了智能问数、智能尽调、智能风控等成熟的AI应用场景。

AI时代，数据应用不再局限于结构化数据，非结构数据的处理和应用也是新一代数据平台必备能力，方案中采用湖仓一体架构，支持结构化、非结构化及向量数据的统一存储，实现在一份数据基础上，支持多种大数据及AI业务负载，帮助企业有效简化架构，提升数据分析效率。

方案采用统一元数据服务和异构资源统一调度能力，通过统一不同引擎的元数据管理能力，保证了多引擎的数据访问权限管理。通过异构资源统一调度能力帮助企业精细化管理资源，实现资源利用率最大化。

方案引入智能问数能力，提升自然语言交互和多模态数据混合检索体验，降低数据平台使用门槛，让业务人员更容易做数据分析。

近几年，人工智能、大数据、区块链等新技术日新月异，大模型创新应用正加速在金融行业落地，成为金融机构数智化发展的新引擎。未来，腾讯云将夯实产品和技术能力，携手金融机构不断探索新技术、新场景、新业态发展，为实体经济高质量发展贡献更多能量。