工商银行建成“工银智涌”千亿金融大模型技术体系，交通银行部署超2500个智能体——大模型正在从“技术概念”转化为“金融生产力”。北京金融科技产业联盟这份报告揭示了金融大模型部署的完整路径：从模型分类（传统模型、大语言模型、多模态大模型）到引入方式（闭源API、开源自建、行业自研），再到微调策略（LoRA参数高效微调、DAPT领域自适应预训练），构建了覆盖全生命周期的金融大模型工程化体系。
大模型技术架构——从底座到应用的完整链路
四层架构支撑大模型规模化部署
金融业大模型应用体系正朝着清晰的四层架构演进。底座层构建标准化算力支撑体系，依托超节点、参数面网络与向量存储等先进技术，为模型训练与推理构建强大基础设施。平台层实现算力、数据和算法的统一调度与高效利用。模型层打造企业级智能模型中枢，通过统一模型管理平台实现对开源、商用及通用、垂直领域等多源模型的集中纳管。应用层形成多模型交互、知识检索、数据分析等AI应用范式。
信息基础设施支撑大模型需求
随着大模型参数规模向万亿级迈进，算力基础设施面临四大挑战。AI服务器性能需求呈数量级提升——算力需求激增10倍以上，HBM容量单卡配置起点提升至32GB。高带宽网络方面，参数面网络需提供200-400Gbps高速通信支持。多样化存储系统演进，向量存储已成为RAG应用标准数据库，可毫秒级实现百万级知识数据的向量检索。一体化集群运维需具备全栈监控、端到端检查、智能诊断、自动化优化四项核心能力。
模型算法管理与应用路径
传统模型与大模型双轨并行
金融机构采用“双轨并进、治理为先”的总体策略。传统模型方面，通过梳理评分卡、PD/LGD、限额、反欺诈、画像等模型，统一要素与特征仓，建立Champion/Challenger机制与漂移监测仪表盘。大模型方面，闭源API/商用模型用于低风险快落地场景；开源/自建模型面向敏感场景私有化部署——如工行“工银智涌”矩阵完成对开源大模型的行内私有化接入；行业自研专用模型对高专业任务构建领域模型，提升金融NLP专项能力。
微调策略与工程化落地
微调（SFT/PEFT）优先采用参数高效微调（LoRA/LoRA+），在冻结底座参数下以极少参数实现接近全参的效果，显著降低显存与成本。二次预训练（Continual/DAPT/TAPT）对公私域金融语料进行继续预训练，先进行领域自适应预训练，再进行任务自适应预训练，在长文本法规、研报、财报等任务上实现稳定增益。
工程化落地采用多种创新方式：数据治理与合规审计、评测集与红线库、RAG知识底座、多代理编排与灰度发布等，构建“平台+生态”支撑体系，以平台方式大规模供给场景。
Agent平台——大模型能力的执行载体
五大引擎协同支撑智能体运行
Agent开发平台提供原生AI应用开发入口，由五大核心模块构成。编排引擎将复杂工作流解析为可独立运行的Agent单元，借助动态任务分配算法实现资源的智能重分配。规划引擎利用LLM设计、预测和优化Agent的未来行动路径。工具引擎标准化工具/API接口，使能Agent访问外部工具或服务。优化引擎通过接收反馈和学习新数据提升任务性能。知识引擎采用向量数据库与语义网络相结合的存储架构，支持知识结构化管理与快速检索。
国有大行大模型部署实践
交通银行——“1+1+N”三维一体框架
交通银行2025年发布《交通银行“人工智能+”行动方案（2025-2027年）》，构建“1+1+N”三维一体框架。夯实1个企业级AI能力平台——搭建以国产GPU服务器为主的千卡异构算力集群。健全1套AI治理机制——搭建统一AI门户，强化算力、数据、模型、场景、风险的穿透式、集成式管理。赋能N个AI场景应用——落地超400个AI场景、累计部署超2500个智能体。
工商银行——“工银智涌”千亿金融大模型
工商银行体系化推动大模型企业级技术能力建设，按照“三大支柱、1+X范式、两全平台、全域生态”的建设思路，建成集“算力、算法、数据、工具、能力、安全、应用、生态”于一体的企业级千亿金融大模型技术体系，打造“工银智涌”大模型品牌，内外协同赋能，实现“人工智能+金融”新生态。
