巨頭再現新進展，大模型在各行各業落子不斷。11月6日，北京商報記者了解到，螞蟻百靈大模型已完成備案，基于百靈大模型的多款產品已陸續完成內測。而引發關注的金融行業大模型層面，螞蟻集團也在不久前發布了金融大模型及兩款應用產品。事實上，不僅是螞蟻，包括度小滿、樂信等綜合金融科技平臺，以及馬上消費、招聯消費金融等消費金融機構，都在布局金融行業大模型，多方爭雄，大模型激戰升級。

入場倒計時

11月6日，北京商報記者從螞蟻集團獲悉，根據國家七部委聯合公布的《生成式人工智能服務管理暫行辦法》指導要求，螞蟻百靈大模型已完成備案，基于百靈大模型的多款產品已陸續完成內測，將向公眾開放。

本次通過備案的是螞蟻百靈語言大模型，該大模型采用TransFormer架構，基于萬億級Token語料訓練而成，支持窗口長度達32K。

據了解，螞蟻大模型堅持自主研發、全棧布局，目前已形成包括大模型底層基礎設施、基礎大模型、行業大模型、應用產品在內的完整技術鏈條。

算力上，螞蟻建設了萬卡異構集群，其中硬件算力效率(HFU)超過60%，集群有效訓練時長占比90%以上，RLHF訓練在同等模型效果下訓練吞吐性能相較于業界方案提升3.59倍，推理性能相較于業界方案提升約2倍。

安全力方面，螞蟻研發了大模型安全一體化解決方案——蟻天鑒。“蟻鑒”平臺作為業內首個大模型安全評測工具，支持50萬/天飽和式攻擊，全面覆蓋生成內容數百類風險；“天鑒”平臺可在大模型運行時，覆蓋八大類風險，采用大模型對抗大模型的方式，使得風險召回率大于99%，其Guardrails前置護欄功能，能精確召回20多類提問風險意圖。

知識力上，螞蟻通過統一語料體系、數據預處理標準化、數據標注強化、評測立體化，形成了完備的知識處理能力。其中，集評測數據集與評測框架一體化的大模型評測平臺——EVE，能支持語言大模型和多模態大模型一站式自動化評測。

據悉，在基礎大模型層面，除了本次通過備案的百靈語言大模型，螞蟻集團也在研發百靈多模態大模型，并已內測。

易觀分析金融行業高級咨詢顧問蘇筱芮評價，本次通過備案的是螞蟻百靈語言大模型，大語言模型(LLM)是指建立在大量數據集上預訓練的巨大模型，包括多項關鍵要素，其中就需要海量算力與數據支撐的大參數；擁有智能能力，可解決它從未或極少見過的問題的能力；此外可加入預訓練，僅需要少量數據的微調甚至無需微調，就能夠解決多種通用型任務。

談及落地業務方向，在蘇筱芮看來，從上述特征來看，通用的大語言模型既可與螞蟻擅長的金融業務結合，向企業經營關鍵環節進行滲透，促進業務能效及可持續發展能力大幅提升，同時也可以向整個阿里生態內的其他本地生活、消費類等業務進行賦能，通過靈活的AI能力助力業務經營。

談及業務場景，螞蟻集團副總裁、百靈大模型負責人徐鵬透露，備案通過后，“百靈”將全線應用到螞蟻的各個業務場景，并在各垂直領域創新研發產品，更多應用產品即將面向社會開放。

激戰升級

除了通用大模型，目前在行業大模型層面，螞蟻集團也布局了包括金融、醫療、安全等領域。例如今年9月，螞蟻對外發布金融大模型及兩款應用產品：面向消費者的金融智能助理“支小寶2.0”和面向行業專家的金融業務助理“支小助”。

據介紹，支小寶2.0可為用戶提供高質量的行情分析、持倉診斷、資產配置和投教陪伴等服務，在知識力上，支小寶2.0的金融知識數據存儲量已達到百億級，能同時服務億級用戶。

浙江大學國際聯合商學院數字經濟與金融創新研究中心聯席主任、研究員盤和林評價，通過大模型來引導用戶進行投資決策，是非常好的輔助工具，也能賦能金融行業，能解決一些金融消費級產品和用戶匹配的問題，螞蟻大模型應該圍繞消費者的偏好來開發應用，增加玩法。

在大模型的浪潮里，積極布局的并非螞蟻一家，尤其是今年以來，大模型產業進入“百模大戰”模式，賽道熱度不斷高漲。

例如消費金融領域， 11月3日，招聯消費金融發布消費金融行業首個130億參數開源大模型“招聯智鹿”。該模型落地消費金融實際業務場景，以客服場景為例，該模型可結合具體會話狀態與服務場景，實時精準地定制回復話術，助力客服工作提質增效，節約時間成本近80%。據了解，該模型未來還將應用于更多細分場景，如風控管理、代碼生成、運營提升等，并在“智能體”技術、仿真模型、科技向善等方面持續探索。

無獨有偶，今年8月，馬上消費金融也發布了首個零售金融大模型“天鏡”，已在自動化營銷、風控等實際業務場景應用近6個月。馬上消費金融CTO蔣寧介紹，“目前，馬上消費每天能基于用戶1000萬個行為作出個性化的營銷和風險判斷，每天做上億次模型計算，每秒可以處理150萬特征的計算”。

另外，今年一季度樂信自研大模型LexinGPT也正式對外亮相，樂信方面稱，已全面加速自研大模型在業務流程中的落地應用，例如，通過深度學習算法，大模型可以更高效進行數據清洗、分類和計算，形成了不同場景下，用于預測用戶行為偏好的眾多精準模型，包括借錢意愿度模型、營銷偏好模型、offer滿意度模型、還款意愿度模型、客戶流失預警模型等；另一方面，LexinGPT還在電銷、業務機器人等多個業務流程中深入落地使用。二季度，樂信加速金融垂直大語言模型應用落地，在數據分析、數倉設計、風控數倉升級優化等領域落地，大大降低了數據分析的參與門檻、提高數據分析效率。

蘇筱芮認為，垂直領域的金融大模型，對于金融行業來說有兩方面意義，一方面是前端對客的核心價值與場景，主要作用是能夠提升服務體驗，包括智能營銷、智能客服等方面，同時也可在中后臺運營管理方面，例如信貸審批、核保理賠等流程性任務層面提升工作效率；另一方面則是在智能投研、投顧等財富管理場景，以及量化交易等金融特定任務方面，需根據金融大模型開展訓練與微調，具備進一步探索創新的價值。

難點待解

不過，現階段，如何在金融領域發揮大模型的能力，業內認為還有多個挑戰需要解決。

正如中國工程院院士鄔賀銓不久前表示，金融大模型的發展目前仍面臨著三方面挑戰。首先是金融行業對數據安全性、隱私合規性都有著嚴格的要求。尤其是在風控方面，對時效性與精準性要求嚴格，而一般的基礎大模型透明性、可信性、專業性不足，很難直接遷移為金融大模型。同時是金融大數據在成本與質量上的平衡問題。由于金融行業內的數據難以共享，因此金融大模型的數據規模遠遠不及通用語料，導致金融大模型難以產生“智能涌現”的效果。此外則是本地私有部署需要自建算力設施，對軟硬件產品有嚴格的信創要求，而且參數規模大則算力成本高。

“技術局限尚需突破。”蘇筱芮同樣指出，目前大語言模型仍然為靜態數據驅動的學習范式，無法實現新知識的快速學習與迭代。尤其是涉及到時效數據與專有數據的場景下存在障礙。另外，巨大的模型訓練與推理算力等成本拉低效益比，企業前期面臨大量的人力、物力投入，此外，大模型在參數體量巨大的情況下，仍然存在較高的推理成本。在她看來，安全合規可信應用底線尚需剛性保障。另外，無論是大模型的訓練推理，還是對話應用的過程中，都存在過多的隱私暴露與數據安全風險，這還有賴于技術突破和監管合規的進一步建立。