9 月 8 日，蚂蚁集团在外滩大会上正式发布工业级金融大模型（AntFinGLM) ，同时开放了金融专属任务评测集「Fin-Eval」。

该测试集从五大维度（认知、生成、专业知识、专业逻辑、安全性）28 类金融专属任务评估了金融大模型能力，结果大幅超过当前主流通用大模型。在「研判观点提取」、「金融意图理解」、「金融事件推理」任务上，金融大模型已经达到专家平均水平。

金融大模型蓄势已发

今年5月，奇富科技率先宣布推出自研的金融行业通用大模型——奇富GPT，这在业内被称为“国内首个金融行业通用大模型”。奇富科技称，其所支持的产品级应用预计会在今年年内推出，面向金融机构开放使用。

度小满紧跟其后，推出国内垂直金融行业的开源大模型“轩辕”。据介绍，轩辕大模型是基于庞大的1760亿参数的Bloom大模型进行训练的。数据显示，在150次回答的任务中，“轩辕”大模型以63.33%的胜率脱颖而出，充分凸显了其在金融领域的显著优势。同时，在通用能力评测中，“轩辕”大模型在涉及数学计算、场景写作、逻辑推理、文本摘要等13个主要维度中，有10.2%的任务表现超越了ChatGPT3.5，61.22%的任务表现与之持平。

陆金所控股、信也科技随后也相继宣布布局和探索生成式大模型应用。其中，陆金所控股目前已推出了首个专业领域人工智能大语言模型“无师”，审批特定场景准确率达90%。

8月28日，持牌消费金融公司-马上消费也发布了全国首个零售金融大模型“天镜”。目前，基于“天镜”，马上消费形成“三纵三横”的技术战略布局。“三横”包括：通过持续学习技术、模型控制、组合式AI系统技术形成安全、合规、可信的鲁棒性决策能力，其中合规是模型最重要的底线能力。“三纵”主要指数据决策智能、多模态智能、实时人机协作。

9月8日，蚂蚁金融大模型亦揭开面纱。蚂蚁金融大模型基于蚂蚁自研基础大模型，针对金融产业深度定制，底层算力集群达到万卡规模。目前，蚂蚁金融大模型已在蚂蚁集团的财富、保险平台上全面测试。

金融大模型：屹立在万亿 Token 上的「知识力」

通用大模型缺少金融领域的专业力、知识力、语言力以及安全力，金融大模型实现落地行业是一个复杂化的系统工程，需要将「四力」形成合力。蚂蚁集团金融行业大模型负责人王晓航在发布会上讲到。

所谓知识力，主要是指金融大模型的底座能力，模型规模只有足够大（通常百亿以上），才会有「涌现」现象的出现。预训练大模型则需要海量数据。

从目前公开的数据来看，BloombergGPT 的通用数据集包含 3454 亿个 Token，金融领域数据集由彭博在过去四十年的商业经营中积累而来，共包含 3635 亿个 Token。

国内金融大模型「轩辕」（2.0）使用了自身业务中积累的金融领域的 13B（130 亿） Token。恒生电子 Light-GPT 利用了超过 4000 亿个 Token 的金融领域数据。

蚂蚁金融大模型，在万亿量级 Token 通用语料基础上，注入了千亿量级 Token 金融知识 —— 包括全网公开的金融行业语料约 5000 亿 Token 以及蚂蚁独家金融语料约 279 亿 Token，行业领先。

就国内数据市场而言，我国政府数据资源占全国数据资源比重超过 3/4，但开放规模不足美国的 10%，个人和企业可资利用的规模更是不及美国的 7%。在此背景下，具有私域属性的行业数据的重要性就更为凸显。蚂蚁有着多年保险、理财、信贷平台经验，在金融大模型布局上拥有先天优势。

「小模型时代，蚂蚁就积累了深厚的数据资产和产业 AI 的 know-how。」蚂蚁集团金融行业大模型负责人王晓航在大会上讲到，他也多次提到了蚂蚁的金融知识工程。

如果说大模型是一个参数化的知识力容器，那么，知识图谱就是另一种基于符号机制的知识力容器。对蚂蚁金融大模型来说，两种知识力形成互补，缺一不可，金融知识图谱能够指导大模型对金融行业进行正确精准的认知，提高其理解、推理决策的能力。

过去几年，蚂蚁的金融科技团队在金融知识工程上做了大量投入。例如，支小宝团队基于一些研报、新闻、大 V 资讯以及高质量权威合作数据源和数据库，通过合作的一些业务专家和策略专家，对于领域专业知识进行了提炼和萃取，形成了一个标准化基础知识层。算法工程师在此基础上做了一些领域知识的关联和整合，尝试建构金融现象之间的因果逻辑，构建形成匹配金融专业要求的知识图谱、资产图谱和事理图谱等机器可读可用的数字资产。

以支小宝（2.0）为例，背后注入了金融资讯和百科 420 万 +，金融图谱覆盖保险 3000 + 险种 / 2 万 + 常规药 / 7000 + 常见病和几十种就医方式等万级实体和 50 万 + 关系，金融行业 / 板块 / 机构 / 产品 / 管理人 / 资讯等 200 万 + 实体和 1100 万 + 关系，金融数据、公开信息和条款存储量达到亿级。

不过，高质量数据集和知识图谱还只是金融大模型的「知识力」来源，大模型的业务「能力」离不开蚂蚁「从 300 + 真实产业场景中提取了共 60 万 + 高质量指令数据」（貔貅 PIXIU 指令集为 13.6 万）。

金融大模型包括三个部分：上游是预训练语言模型；下游是针对通用任务或特定任务的微调。最后要与人类对齐，基于人类反馈进行强化学习。当我们用足够多的高质量指令集对它进行微调后，大模型才能很好地胜任金融任务，包括从未见过的任务。

当谈到与金融大模型相伴的数据安全与隐私问题时，金融大模型智能算法负责人陈鸿告诉我们，用户的隐私数据在语料当中会被全部清洗掉，避免用户个人信息或者任何能识别出可联想身份的信息进入大模型的训练环节，对大模型来讲，它里面不会压入任何用户的私人数据。

安全部分，我们也做得比较严格。他强调说，不止是训练数据从入库起的每一个环节都会做清洗和过滤，我们还做了对抗样本的技术去训练模型识别这些有害内容，有害内容拦截率现在已经到 99% 以上。

大模型如何改变金融行业

金融行业作为数字化基础较为完善的行业，可以和大模型产生怎样的化学反应？

“通用大模型无法在专业严谨的领域直接商用，特别是金融服务对错误的容忍度很低，金融大模型要确保领域知识和专业逻辑的严谨性，才能真正落地带来产业价值。”蚂蚁集团副总裁、金融大模型负责人王晓航在2023外滩大会上表示，知识力、专业力、语言力以及安全力，保障四大能力是前提条件，也是金融大模型要解的产业真命题。

王晓航判断，大模型正在为金融产业带来体验变革：更自然的交互，更丰富的供给，更有效的表达，更贴身的服务定制，更高效的服务。“金融业务链条上每一个关键职能，都值得用大模型技术重做一次。”

在海通证券金融科技创新实验室负责人蔚赵春看来，金融行业要想落地大模型，必须要满足五个条件，即合规性、安全性、可信性、严谨性和经济性。“金融行业落地大模型的思路应该从内部到外部，在各方面条件成熟的情况下再推向客户。在智能客服、智能投研等智能交互类场景，可以首先用大模型来捕捉市场上的异常信号。”

中国社科院国家金融与发展实验室副主任杨涛则指出，大模型要成为金融变革的新“能源”，需使其从“原油”升级为“石油产品”。他说，生成式AI预训练大模型的快速发展，需要高质量、大规模、多样性的数据集，其在金融业的应用更需要丰富的行业数据支撑。当前迫切需要推动数据资源、数据要素、数据资产的优化升级。

“从通用大模型到垂直大模型还有很多路要走。”复旦大学教授、上海市数据科学重点实验室主任肖仰华认为，金融领域的大模型是一种复杂严肃的应用场景，这从根本上决定了金融大模型落地的挑战。

肖仰华解释，严肃意味着准确性要求高、合规性要求高，但大模型尤其是深层次大模型，它先天会“胡说八道”，这和金融行业严肃的应用要求具有矛盾，这种矛盾如何调和还需要很多技术方法和手段。他强调，大模型结合领域需求，注入知识从而形成持续的学习能力，是大模型落地应用非常关键的问题。

文章来源： 机器之心Pro，金融科技说，中国新闻网