泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 图表：随步数提升 图表：随步数提升 R1-Zero 的 AIME 任务准确度 图表：深度思考能力提升 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所

其次，系统需具备强大的模型训练支持功能。这包括对多种主 流深度学习框架（如 TensorFlow、PyTorch 等）的兼容性，以及 硬件资源的动态分配与优化能力。系统应支持分布式训练，以提高 大规模数据训练的效率和模型性能。此外，系统还需提供训练过程 的实时监控与调试功能，便于开发人员及时调整训练参数和策略。 在数据考评方面，系统需要构建一套完整的考评指标体系，以 确保模型训练的有效性和科学性。考评指标应涵盖模型精度、泛化 种主流机器学习框架，如 TensorFlow、PyTorch 和 Keras，确保 用户能够根据具体任务选择最合适的框架。其次，系统需提供分布 式训练功能，支持多 GPU、多节点并行训练，以加速大规模数据 集的训练过程，同时具备动态资源分配功能，根据训练任务的复杂 度自动调整计算资源。此外，系统应内置多种优化算法，如 Adam、SGD 等，并提供超参数调优功能，允许用户通过网格搜索 或贝叶斯优化等方式自动寻找最优参数组合。 7×24 小时的全天候运行中，故障恢复时间 （MTTR）不超过 30 分钟，系统可用性达到 99.9%以上。为此，需 采用分布式架构和负载均衡技术，避免单点故障的发生。 其次，系统性能需满足大规模数据处理的需求。在峰值时段， 系统应能够同时支持至少 1000 个并发用户，数据处理速度应达到 每分钟 1000 条记录的吞吐量。响应时间方面，普通查询操作应在 2 秒内完成，复杂分析任务不超过

数据采集模块：支持多源异构数据的自动化采集和整合；  数据清洗模块：提供多种数据清洗算法，确保数据质量；  数据标准化模块：统一数据格式，方便后续处理；  数据存储模块：采用分布式存储技术，支持大规模数据的高效 存储；  数据检索模块：实现高效的分布式检索，满足实时查询需求。 通过上述模块的集成与优化，本方案将显著提升知识库数据处 理的效率和准确性，为 AI 大模型的训练提供高质量的数据支持。 关法律法规，如《个人信息保护法》和《数据安全法》。对于包含 个人敏感信息的数据，需进行匿名化或脱敏处理。同时，需建立数 据访问权限控制机制，确保只有授权人员能够访问和操作数据。 数据的存储和管理也是关键环节。对于大规模数据，建议采用 分布式存储系统，如 Hadoop HDFS 或云存储服务，确保数据的高 可用性和可扩展性。同时，需建立数据版本控制和备份机制，防止 数据丢失或损坏。 最后，数据处理的质量评估不可或缺。通过抽样检查、交叉验 的采集 工具可分为以下几类： 1. Web 爬虫工具：适用于从互联网上抓取公开数据。常用的工 具包括 Scrapy、BeautifulSoup、Selenium 等。Scrapy 适用 于大规模数据抓取，支持异步处理和分布式扩展； BeautifulSoup 适用于解析 HTML 和 XML 文档，适合小规模 数据抓取；Selenium 则适用于动态网页数据的抓取，能够模 拟用户操作获取

内容，自动识别潜在的安全事件，如打斗、聚众、异常 行为等。模型应具备高准确率和低误报率，确保追踪如 盗窃、火灾、交通事故等事件的发生。 o 数据存储与管理：系统应具备强大的数据存储能力，能 够处理大规模视频数据，并保留相应的事件标签和元数 据。同时需具备数据管理功能，支持数据的分类、检索 和清理策略，以实现高效的存储利用。 o 预警与通知机制：一旦检测到异常事件，系统应能迅速 生成预警信息并通过多种渠道（如短信、APP 近 源处理减少数据传输的时间成本。 模型训练与推理层是架构的核心，此层将整合先进的 AI 大模 型，如卷积神经网络（CNN）、视频卷积长短期记忆网络 （ConvLSTM）等。这些模型应当在大规模标注数据集上进行训 练，涵盖各种公共安全事件的场景，如突发事件、人群聚集、异常 行为等。训练完成后，模型应部署到云端或边缘计算节点，实现实 时推理能力。应当设计一个基于 GPU 的高性能计算集群，用于支 事件抽取算法，系统可将长时间的视频流转化为有意义的事件列 表，便于工作人员快速检索分析。 对于数据存储，处理后的数据将被分类存放，确保可以高效检 索和调用。可以采用分布式数据库或云存储技术，支持大规模数据 的高效存取。 具体的处理流程可以用下图表示： 通过以上设计，数据处理模块不仅提高了视频数据的可用性， 还为后续的智能分析奠定了良好的基础。整个流程实现自动化，减 少了人工干预，提高了工作效率，保证了公共安全领域快速反应的

支持多语言处理、语义理解深度以及实时性要求。 其次，非功能性需求同样不可忽视。这包括系统的响应速度、 并发处理能力、可用性、安全性以及可扩展性。例如，对于实时交 互场景，系统响应时间应控制在毫秒级别；对于大规模部署场景， 系统应具备良好的水平扩展能力，以应对用户数量的增长。 此外，用户体验需求是智能体能否成功落地的关键因素。需要 明确用户界面的设计原则、交互方式以及反馈机制。例如，在对话 式智能体 为了确保功能的可扩展性和模块化，各个模块之间应采用松耦 合的设计，并通过标准化的接口进行通信。此外，系统应具备良好 的日志记录和监控机制，以便及时发现和处理异常情况。在性能方 面，智能体需要能够处理大规模数据，并在保证精度的情况下实现 高效的决策和执行。 在具体实施过程中，我们可以采用如下技术栈：  数据采集：使用 Python 的 Requests 库或 Scrapy 框架，结合 Kafka 均适用于深度学习模型的开发，但 PyTorch 因其动态计算图和更灵活的调试能力，更适合快速迭代和 实验。 对于数据处理和存储，Apache Spark 和大数据生态系统（如 Hadoop）是处理大规模数据的理想选择，而 Redis 和 MongoDB 则分别适用于高速缓存和非结构化数据的存储。在模型部署方面， Docker 和 Kubernetes 的结合能够提供高效、稳定的容器化部署 方案，同时支持自动扩展和负载均衡。

式的训练数据预处理框架，将IVF、HNSWLib、 Faiss/Flat等向量化算法进行分布式改造，使其能够在多个计算节点上并行运行。通过数据分 片和任务分配，充分利用集群的计算资源，提高处理大规模向量数据的能力。这需要云计算 基础设施提供灵活的适配和资源编排能力，以及严格的资源隔离与共享保障。 利用硬件加速提升数据预处理和AI推理效率：在处理器内部增加专用硬件加速单元和专用指 令集，提 临巨额罚款和声 誉损失。 规模、性能与弹性需求：不同市场的业务规模差异大，在海外拓展初期，业务波动往往较 大，各地区的增长难以预测，这给云计算的技术需求规划也带来了难题。企业既要避免初期 大规模投入造成资源浪费，又要确保业务高峰时有足够云计算资源支撑。部分地区的云服务 性能难以保证，数据的传输延迟和丢包率高，严重影响用户端的响应速度和综合体验。 �� 服务质量与体验一致性：很多大型企 OpenSSL，让众多使用 OpenSSL 的客户能无缝切换到使用 QAT，轻松启用硬件加速能力。 eRDMA 网络技术：通过弹性远程直接内存访问，端到端网络延迟低至 8 微秒，较传统 VPC 降 低三分之二，有效支持大规模组网和高弹性需求。依托于 CIPU 架构，ECS g�i 实现了网络资源 的灵活调配优化，满足各种高并发、低延迟的网络需求。 �� （2）数据库业务 当前的在线数据库业务具有数据量大、计算量

在设计方案中，需要重点考虑以下几个方面： 1. 模型选择与优化：需选择适合行业需求的大模型，并在此基础 上进行高效的模型优化，以确保在不同场景下的表现。 2. 数据处理能力：平台需要具备强大的数据处理和实时分析能 力，以支持对大规模数据集的处理，实现数据的高效利用。 3. 用户友好性：界面设计应直观易懂，支持多种使用场景，确保 用户能够轻松上手并获得满意的使用体验。 4. 安全与合规：必须建立完善的数据安全机制，确保用户数据的 平台作为一种灵活、高效的应用交付方式，能够降 低企业的 IT 成本，提高业务的灵活性。将大模型与 SaaS 结合，形 成大模型 SaaS 平台，不仅可以使企业快速构建和部署人工智能应 用，还可以借助云端计算的优势，实现大规模的数据处理和模型训 练。这种平台能够为不具备强大技术和资金实力的中小企业提供便 捷的 AI 解决方案，使其能够在竞争激烈的市场环境中立足。 从市场需求来看，以下几个因素进一步推动了大模型 SaaS 务需求。 3. 性能：用户需要能够处理大规模数据并快速响应，他们期望具 备高性能的处理能力。 4. 集成性：用户需要平台能够与现有系统无缝集成，方便数据传 输与资源共享。 接下来，在功能模块的设计上，我们可以将 SaaS 平台的核心 功能划分为以下几个主要模块：  数据管理模块：提供数据上传、清洗、存储和版本管理功能， 支持多种数据格式和大规模数据的处理。  模型训练模块：包括模型选择、超参数调整、训练监控和训练

基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 量级提供跨越图像与文本鸿沟的能力, 为进行实时 的开放词汇的视觉检索提供了可能. 这一系列的进 展不仅展示了基础模型的强大潜力, 也为其与具身 智能的融合提供了新的视角和可能性. 文献 [19] 将 上述在大规模数据集上进行训练并能适应广泛任务 的模型统称为基础模型, 意即可作为大量下游任务 训练基础的模型 (目前一般认为基础模型即大模型, 后文将不对二者作区分). 由于涉及到物理环境, 机 器人深度学习模型往往面临数据获取难度大、训练 基于大模型的具身智能系统综述 3 OVMM 基准测试, 提供了高质量的多房间家庭环 境, 以支持在仿真和物理环境中进行广泛的基准测 试. 为了解决开放词汇移动问题, 文献 [103] 利用 CLIP 等大规模预训练模型的能力, 以弱监督的方式学习 场景的 3D 语义表示, 构建了一个从空间位置到语 义特征向量的映射函数, 能够处理分割、实例识别、 空间语义搜索和视图定位等多种任务. 文献 [86] 提出了

所能实现的人类意图，来自于机器学习、神经网络以及 Transformer 模型的多种技术模型积累 2019 年 GPT-2 BART RoBERTa ChatGPT 经过多类技术积累 ，最终形成针对人类反馈信息学习的大规模预训练语言模 型 2018 年 GPT-1 T5 BERT 2020 年 GPT-3 M2m- 100 XLM 进行海量数据学习训练 ，人类的反馈信息成 为模型学习的内容 OpenAI 早期大模型在推理能力上存在明显短板 无法在复杂的思维链中保持一致性 推理过程和答案不一致 Yann LeCun 的批判观点： 对纯粹扩大规模方法的根本质疑 Mehrdad Farajtabar ： "LLM 本质上是统计模式匹配工具，而非真正的 推 理系统 " 、 " 下一个词预测框架不足以产生真正的理解 " Yann LeCun 产业生态融 入 产业链安全 转型升级需求 新兴产业培育 市场竞争需求 产业协同需求 创新体系建 设 各地各行业在布局新兴 / 未来产业的过程中，由于对前沿技术、技术路线、应 用场景、大规模产业化的时机等方面把握不准，难以做出有效选择。 如何精准感知产业技术态势，科学研判产业发展方向，及时布局产业化应用场景培育 新产品，成为未来产业大变局中区域 / 企业实现竞争突围的关键。 产业发展决策：广阔的社会需求

支持。 2. DeepSeek-R1 大模型的技术特点 DeepSeek-R1 大模型在工程造价领域的应用，得益于其独特 的技术特点。首先，该模型采用了先进的深度学习算法，能够处理 和分析大规模的工程造价数据。通过多层神经网络结构， DeepSeek-R1 能够自动提取数据中的关键特征，并实现高效的预 测和分类任务。这种技术不仅提高了数据处理的效率，还显著增强 了模型的预测精度。 其次，DeepSeek-R1 靠性。同时，模型还支持多种数据格式和来源的集成，能够处理来 自不同系统和平台的工程造价数据，实现数据的全面整合。 在资源管理方面，DeepSeek-R1 大模型还引入了智能优化算 法，能够在处理大规模数据时，有效分配和利用计算资源。这种优 化不仅提高了模型的计算效率，还降低了运行成本，使得模型在工 程造价领域的应用更加经济和可行。 为了进一步提升模型的实用性和可操作性，DeepSeek-R1 数据，模型能够实现数据的无缝对接，从而提高数据的完整性和一 致性。此外，DeepSeek-R1 支持多种数据转换技术，如数据归一 化、离散化和特征工程，以满足不同场景下的数据处理需求。 在处理大规模数据集时，DeepSeek-R1 采用了分布式计算框 架，显著提升了数据处理效率。模型通过并行计算和内存优化技术， 能够在短时间内完成海量数据的处理任务。例如，在处理超过 10 亿条的工程造价数据时，模型能够在