，相较于其他金融模型 拥有 更突出的推理、数学、编程等能力。 2024 年开年之初， 同花顺和东方财富分别推出问财 HithinkGPT 和妙想金融大模型， 内测火热进行中。 2. 金融垂类大模型赋能金融业务 ，推动行业业务实现增量提升。 目前各家公司都在致力于以大模型赋能股基 APP 或是金融终端 ，为已有功能注入 AI 能力 ，实现智能客服、智能投顾、智能风险等多场景应用 ，通 ，通过大模型多样、便捷、高效的特点提升原有客户粘性、提高获客能力并吸引客 流量 ，推动公司 C 端、 B 端存量业务增长 ，金融大模型的继续推出和不断完善还有望在未来衍生出金融创新业务。 2 前言：金融大模型争相竞逐，百模大战如火如荼 3. 目前同花顺、东方财富、恒生电子、幻方量化所推出的大模型正在火热内测中。 同花顺和东方财富各自推出的大模型都具备实时性较强且能对 内容精准溯源的优势， 东方财富 妙想金融大模型 高品质金融数据供给 恒生电子 LightGPT （升级） + WarrenQ+ 光 子 / 轻量化 幻方量化 DeepSeek LLM 67Bt / 数学编程能力强 时间 发布机构 金融垂类模型 2023 年 5 月 度小满 轩辕大模型 奇富科技 奇 富 GPT 2023 年 6 月 恒生电子 LightGPT 2023 年 9 月 蚂蚁集团 蚂

至今，我们看到 Chatbot 应用的能力 不断增强，从最初的文字问答，迅速向具有自主记忆、推理、规划和执行的 全自动能力的 AI Agent 发展。我们认为端侧智能是大模型发展的重要分支。 建议投资人沿着：1）大模型如何赋能终端，2）终端如何解决大模型普及难 点两条思路，寻找硬件的落地机会。我们看好 1）Apple Intelligence 推动苹 果用户换机，2）交互能力提升推动轻量级 AR 开始普及，3）隐私保护需求 开始普及，3）隐私保护需求 推动办公用 PC AI 化等三大机会。 具备记忆、推理、规划、执行能力的 AI Agent 可能是大模型的最终形态 大模型的应用能力最初功能仅限于文字问答，此后逐渐引入图像理解、文生 图功能，并通过 GPT Store 拓展功能，形成了 AI Agent 雏形，近期 GPT-4o 则实现了具备情感的互动。用户数方面，根据 Similarweb，24 年 5 月 ChatGPT ChatGPT 的 PC+移动端独立访客数达到 3 亿，在全球所有网站中排名第 22。 我们认为大模型的演进方向是智能化和自动化程度逐渐提升，最终形态是 AI Agent，具有自主记忆、推理、规划和执行的全自动能力。 观点#1：Apple Intelligence 推动苹果用户换机，利好产业链业绩增长 6/11, 苹果 WWDC 2024 大会推出由苹果自研的端侧大模型、云端大模型、 以及 OpenAI

驱动的金融产品创新、企业级 AI 解决方案服务等新生业务新局面，推动服务 效率和业务增长双重跃升。 AI 赋能保险行业：推动保险价值链实现自动化与个性化，在产品设计、承保理赔及中后台管理等环节全面提升效率与决策能力，并逐步拓展至 精算等核心领域。此外，开拓 AI 驱动的保险业务创新、跨境保险服务与多语言支持服务等新生业务新局面，助力保险机构实现高质量数字化转 型。 AI 赋能银行： AI 大模型在 C ，是业内“国内首个金融行业通用大模型”。 目前各家公司都在致力于以大模型赋能股基 APP 或是金融终端，为已有功能增加 AI 能力，实现智能客服、智能投顾、智能风险等多场景应用。 金融大模型 = 专业知识 + 大模型能力，金融 AI 大模型引领金融科技范式迎来变革。金融大模型是专业知识与大模型能力相结合的行业大模型应 用体系，是通用大模型在垂直行业的有效实践。金融大模型的应用将改变金融科技范式，重塑金融机构工作方式和服务生态， 变 革。 经验反哺 技术支持 n 与基础大模型相比，金融行业大模型结合金融 业务场景特征与数据资源，在专业度、业务模 型输出能力、场景适配度与成本把控等方面优 势较为明显。 n 随着行业大模型的不断涌现，未来将有更多的 金融业务板块与细分场景被模型能力覆盖。 ... ... 通用算法 行业算法 场景模板 ... ..

...235 1. 项目背景与目标 随着金融科技的快速发展和数字化转型的深入推进，银行业正 面临客户需求多元化、服务效率提升以及人力成本优化的多重挑 战。传统客户经理模式受限于服务时间、专业能力覆盖范围以及个 性化服务深度，难以满足现代客户对实时性、精准性和智能化的服 务需求。根据 2023 年银行业协会报告显示，超过 65%的客户期望 获得 7×24 小时即时响应，而传统客户经理仅能覆盖工作时间的客 大模型构建客户经理智能体成为突破 现有瓶颈的关键路径。 本项目的核心目标是通过 AI 智能体实现三个维度的价值重 构：  服务效能升级：构建具备自然语言理解、多轮对话管理和金融 知识推理能力的智能体，实现 90%标准化业务咨询的自动化 处理，将平均响应时间从传统模式的 4 小时压缩至 30 秒以内  资源优化配置：释放人力聚焦高价值客户，预计可减少 40% 基础客户经理人力投入，同时通过智能体实现客户需求分层， ≤30 秒 Q3 业务处理准确率 82% ≥95% Q4 人力成本占比 35%营收 22%营收 FY2025 高净值客户覆盖 率 60% 85% Q2 技术实现路径上，将重点突破三个核心能力：通过微调 DeepSeek 模型构建超过 200 个金融专属意图识别的对话引擎，集 成 RAG 架构实现实时政策文档检索，并建立客户-产品匹配度动态 计算模型。该方案已在试点分行完成 POC

2024 年 3 月发 布。 2 ） 国内通用百度先行 ，多家企 业推出相关产品。百度推出“文心大模型” ，是目前国内预训练大模型应用端生态最好的大模型之一； 阿里 发布通义千问 2.0 ，专业维度能力较 强； vivo 发布 BlueLM 大模型 ，应用的场景广泛；月之暗面发布 Moonshot 大模型， 目前位于第一梯 队。 3 ）在金融领域中 ，通用模型应用表现各有 差异。其中 GPT + 金融 VS 金融垂类哪方更强 通用语言大模型 金融垂类大模型 优势 泛用性强 由于在多样化的数据集上进行了训练，通用模 型能够处理各种话题和领域的问题 领域专业性 在金融领域具有专业的理解能力，更精熟于金 融术语和概念 灵活性和利用率高 大量数据训练提高了模型的准确率，并可以应 用于多种任务中 针对性的解决方案 更适合解决金融行业的具体问题，与行业需求 和合规性要求相匹配 可迁移性强 垂类大模型通常会投入大量的时间和资源来收集和整理金融领域的专业 知识。这些专业知识包括金融术语、金融工具和金融法规等。通用语言模型虽然可以通过金融语料的训练来提高在这方面的理解能力，但 是否能达到金融垂类大模型的专业性仍有待验证。 金融领域要求实时性和高效的推理速度。金融领域的决策和分析通常要求实时的响应和快速的推理速度。金融垂类大模型可能会针对这一

成本低廉的优势，吸引了大量国际订单，成为全球成衣制造的重要力量。 中国服饰时尚产业的崛起是政策、消费、科技、供应链及文化等多重因素协同作用的结果。未来，产业需继续强化设计创新、 品牌溢价和可持续能力，以应对国际竞争与产业升级挑战。中国服饰时尚产业发展的驱动因素可以从多个维度综合分析： 1)政策支持与战略规划 政策利好行业发展。作为国民经济的基础消费产业，服装行业在我国国民经济和社会发展中具有重要地位，国家相继出 直播 电商）快速发展，为国货品牌提供弯道超车的机会。 4)成熟供应链与产业基础 纺织业具备原材料优势和完整产业链。尽管劳动力成本上升，但技术升级与自动化缓解了部分压力。 5)品牌国际化与设计能力提升 中国品牌的全球影响力不断扩大，如周大福、波司登等品牌入选全球价值榜单，设计师走向国际舞台，推动“中国设计” 替代“中国制造”。政策与企业协同发展，政策提出培育3-5个国际品牌目标，企业通过并购、海外布局加速全球化发展进程。 金和市场基础。传统服饰美学与现代设计 融合，丝绸、植物染色等技术通过国际交流提升文化吸引力。 综上所述，中国服饰时尚产业的崛起是多方面因素共同作用的结果，未来需继续强化设计创新、品牌溢价和可持续能力， 以应对国际竞争与产业升级的挑战。 图：运动时尚服饰市场规模预计至2027E达1101亿元 （资料来源：开源证券《中高端男装领军者，多品牌运营打开成长空间》） 1)运动时尚服饰：2022年市场规模为751

为AI），又称机器智能，指由人制造出来的机器 所表现出来的智能。 ——维基百科 AI的核心问题：建构能够跟人类似甚至超卓的推 理、知识、计划、学习、交流、感知、移动 、 移物、使用工具和操控机械的能力等。 ——维基百科 一、新一代人工智能 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 （NLM） 预训练语言模 型（PLM） 大语言模型 （LLM） Seq2Seq建模 基于循环神经网络RNN描述单 词序列的概率 • 优点：通过词嵌入和隐 藏层，上下文捕捉和泛 化能力较强； • 缺点：计算复杂度高， 面对长文本序列仍会有 “灾难性遗忘”问题 基于文本概率分布建模 通常基于马尔可夫假设建立词 预测模型（N-gram） • 优点：可解释、计算速 度快 （BERT、GPT） 上下文学习、指令微调、 扩展规律 (GPT3、GPT4…) 基于Transformer架构的语言模型 • 优点： ✓ 长距离依赖处理能力强：自注意力机制能捕捉任 意距离的依赖关系。 ✓ 并行计算能力强：Transformer架构支持并行计算， 训练速度更快。 • 缺点：资源消耗大 自然语言处理模型的演进 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心

务粘性增加回款。 一键看板 -- 数字业绩展 示 传统知识库 数据结构化 信息以预定义的格式存储（如 FAQ 、产品手册），依赖 关键词匹配。 响应不灵活 需预设标准化流程和文案，灵活性差处理能力僵化，难 以应对复杂问题 静态知识体系 更新缓慢，依赖人工，无法自动根据外部变化同步更新 查询效率有限 仅支持简单关键词搜索，对模糊或长尾问题无法精准匹 配，无法挖掘客户隐含需求或主动推荐解决方案 巢 考勤系统 + 班组管理小程序 + WFM 系统 人员履历 合规档案 质量档案 效能档案 软件使用 法规遵守 职业素养 基本信息 工作效率 就业经历 工作能力 学习经历 兴趣爱好 团队协作 工作态度 特长优势 人员招募中心 面试记录 成长轨迹 搭建一线坐席数字化档案 业务 平台 数据 平台 旅程 员工 承接 数据智能应用 人才画像 回巢营销 人岗匹配 岗位分配 做培训 提建议 工具箱 主要目的 u 提升员工能力 ：通过分级资质认证和阶段性培训 ， 可以针对员工进行专项分类培训。 u 激励员工积极性 ：通过绩效评估和资质认证升降级 ，激发员工工作积极性和主动性。 u 优化人力资源配置： 帮助项目更准确地了解员工能力 ，科学进行人力资源配置管理。 u 建立良好的企业文化 ：建立公平、 公正、 竞争与合作并存的文化

基础。 企业是上海ESG生态中的中坚力量。国有企业在 信息披露和治理方面起到示范作用，民营与外资企业 则在绿色产品开发、供应链协同和社会责任实践中开 展多样化探索。然而，中小企业面临理念和能力受限， 技术与资金门槛高，治理体系落实难度大等困难， ESG价值体现与资本化进程缓慢，遭遇推广瓶颈。未 来，企业可通过内部治理优化、分阶段投入、利益激 励机制建设，以及依托金融、政策和行业平台进行资 低碳与可持续发展项目提供资金保障。然而，数据获取 难、信息质量参差、产品同质化程度高、标准差异大及 长期资金激励不足等问题仍制约业务发展。未来，金融 机构可通过数据治理与技术赋能，增强产品创新能力， 并积极推动标准统一及政策激励，提升金融服务覆盖面 和效率，支持企业低碳转型与可持续发展。 上海的ESG交易体系逐渐完善。上海证券交易所 强化上市公司信息披露，而碳排放权与绿色电力交易平 合剂”。第三方服务机构在碳评估、绿色认证、信息 披露咨询及智能化工具开发方面支撑企业实践与金融 协作。然而，数据规范化不足、标准多元、方法分歧 以及人才供给缺口，使服务深度和可比性受限。未来， 上海第三方机构可提升差异化服务能力，加大数字化 技术投入，协同企业改善数据管理，推动标准统一与 政策支持，并加强产业链融合及国际交流，提升服务 专业性，促进ESG实践在各主体间更有效的落地。 人才培养与公众参与正成为推动上海ESG持续发

李开复定义 AI 2.0 时代的 特征是通过海量数据，无需标注自监督学习，训练一个基础大模型，并在各 领域将其专业化。据相关论文，当模型的参数量大于某阈值，会展现出类似 推理、无监督学习等未曾出现的能力，这种现象被称为“涌现”，因此目前 大语言模型参数均在十亿量级以上。同时，Deepmind 研究表明，模型参数的 上涨需要配合等比例上升的优质数据集来达到最佳训练效果。因此，大模型 参数在十亿级以上发展并受限于优质数据集的增速是 04 0.94 1.35 16.74 11.69 资料来源：Wind、国信证券经济研究所预测 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 2 内容目录 百亿参数大模型具备涌现能力，训练数据需等比例提升 .............................. 5 大模型的参数下限：AI2.0 时代，基础大模型参数指数级增长 ...................... ................................................ 10 请务必阅读正文之后的免责声明及其项下所有内容 证券研究报告 5 百亿参数大模型具备涌现能力，训练数据需等 比例提升 大模型的参数下限：AI2.0 时代，基础大模型参数指数级增长 李开复提出本次由 GPT-4、ChatGPT 引发的 AI 新机遇与之前有所不同，属于 AI 2.0 时代。AI