【 AI 金融新纪元】系列报告（一） —— 金融垂类大模型试用体验 证券分析师：胡 翔 执业证书编号： S0600516110001 联系邮箱： hux@dwzq.com.cn 二零二四年一月二十五日 证券研究报告 1. 国内互联网企业、传统金融机构及金融科技企业争相竞逐 ，百模大战如火如荼。 2023 年 5 月中旬 ，奇富科技首先宣布推出自研的金融行业通用 大模型——奇富 ，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 在金融科技支持政策陆续出台、海外金融垂类模型加速落地的背景下 ，我们认为金融垂类模型将成为金融科技领域未来的发展重点。我们认为， 具备较大金融交易数据基础、较好应用场景入口、较成熟 AI 技术运用经验的金融科技企业将受益明显 ，推荐【东方财富】、【同花顺】 ，建 议关注【恒生电子】。 5. 风险提示： 1 ）监管环境趋严抑制行业创新； 2 ）行业竞争加剧； 3 ）权益市场大幅波动。 发布机构 金融垂类模型 共同优势

DeepSeek-R1 \ Kimi 1.5 及 类强推理模型开发解读 陈博远 北京大学 2022 级“通班” 主要研究方向：大语言模型对齐与可扩展监督 https://cby-pku.github.io/ https://pair-lab.com/ 北大对齐小组 DeepSeek-R1 开创 RL 加持下强推理慢思考范式新边界 DeepSeek-R1 Zero 及 R1 技术剖析 相当。 在编码相关的任务中表现出专家水平， 在 Codeforces 上获得了 2029 Elo 评级，在竞赛中表现 优于 96.3% 的人类参与者 DeepSeek-R1 在知识类问答上推动科学探索边界： MMLU \ MMLU-Pro \ GPQA Diamond 等 STEM- related 榜单上取得良好表现 R1 展现出强推理模型在 AI-Driven 过 反复自我迭代和监督微调 基于 STaR 可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 本质上， STaR 一类的方法是希望模型能够学习到 MetaCoT, 即问题到答案 映射 过程背后的深入规律 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我 迭代 难以融入 Rule-Based Reward

本研究基于 LTE-V2X 直连通信技术，对预警类应用的功能安全进行了系统分析。研究背景指出， 传统的功能安全分析方法主要针对单车系统，近年来 V2X 技术逐渐发展，智能网联汽车应用不断 增加，但缺乏系统性的功能安全分析方法。本研究选取前向碰撞预警（FCW）、交叉路口碰撞预警 （ICW）和闯红灯预警（RLVW）三个典型应用场景，对基于 LTE-V2X 预警类应用的功能安全分 析进行了技术探索。 5GAA 的 STiCAD 项目、中国汽 车工程学会的 T/CSAE 53 标准、汽标委的预警类应用技术要求和试验方法，以及 C-NCAP 2024 版 测试规程中的相关场景。本研究还对 V2X 预警类应用进行了分类，分为安全类和效率类应用，并 指出安全类应用与功能安全的相关性更大，因此本研究以安全类的三个典型应用场景为目标展开 分析。 在功能安全分析方法论部分，本研究基于 GB/T 34590 针对安全目标的功能安全要求。 在总结及展望部分，建议以本研究为开端，将 GB/T 34590 的功能安全分析方法拓展至 V2X 系统。 本研究的主要结论为：QM 级别的功能安全设计能够满足 V2X 预警类应用的需求。 2 / 32 Executive Summary This study conducts a systematic functional safety analysis for LTE-V2X

DeepSeek-R1 \ Kimi 1.5 及 类强推理模型开发解读 北大对齐小组 陈博远 北京大学2022级“通班” 主要研究方向：大语言模型对齐与可扩展监督 https://cby-pku.github.io/ https://pair-lab.com/ 2 Outline ➢ DeepSeek-R1 开创RL加持下强推理慢思考范式新边界 ➢ DeepSeek-R1 Zero 的惊人成绩，表现与OpenAI-o1-1217相当。 ➢ 在编码相关的任务中表现出专家水平，在 Codeforces上获得了2029 Elo评级，在竞赛中表现 优于96.3%的人类参与者 ➢ DeepSeek-R1 在知识类问答上推动科学探索边界： ➢ MMLU \ MMLU-Pro \ GPQA Diamond 等 STEM- related 榜单上取得良好表现 ➢ R1 展现出强推理模型在 AI-Driven Research 中，通过 反复自我迭代和监督微调 ➢ 基于STaR 可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based Reward

+ 金融语料训练金融大模型 ，②金融垂类大模型。 1 ）双方优劣具有相对性。通用大模 型 优势：泛用性强、灵活性和利用率高、可迁移性强。劣势：特定领域深度较浅、模型复杂、训练时间长；金融垂类模型优势：领域专业性、针 对 性的解决方案、高精度和合规性。劣势：适应性限制、更新和维护复杂度、数据利用率低。 2 ）通用大模型通过金融语料训练超越金融垂类模 型 可能性较小。通用大模型在行业数据量 ，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 系列、文心一言、通义千问、腾讯混元以及科大讯飞表现较好。 金融垂类模型国外发展先行 ，国内成品问世。 1 ） 国外彭博 BloombergGPT 率先登场。 BloombergGPT 的混合训练方法使其模型在金融任务上 的表 现大大超过了现有的大语言模型 ，而在通用场景上的表现则与之相当 ，而在通用场景上的表现则与之相当 ，甚至优于现有模型。 AI4Finance Foundation 开发 FinGPT ，为金融大 型语言 模型提供互联网规模的数据 ，以此推动金融领域的开源发展。 2 ） 国内金融垂类模型百花齐放。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” ；度小满推出国内首个千亿级中文金融大模型“轩辕” ；腾讯云公布腾讯云金融行业大模型 ， TI-OCR 大模型帮助银行解决

，大力出奇迹的暴力美学路径已被行业所验证，未来格 局仍会以有着多类型资源积累的大厂占据主要份额，创新企业可以依据特定场景深入理解而切入， 但若没有自主大模型仍然会受制于人。同时，通用大模型与教育垂类大模型的关系，正向着各司 其职、融合发展的方向持续演化，未来可能呈现出通用大模型与N个专家模型多重组合的形态。 在内容层面，基于神经网络技术的AIGC与素养发展具有天然相似的基因，企业可以发力C端小模 识经验的教授范围进一步扩大、教育效果增强 ➢ 条件：在海量数据、更大算力的支撑下 ➢ 特点：大语言模型能更加深入地解析事物， 在更深层次和更广的范围发现事物的新特点 ➢ 优势：在发现、认识、运用规律上相较于人 类有着明显的优势，人造工具突破人类认知 大语言模型 教育 突变 人类把数字语言外化给机器，人工智能在发现、 认识、运用规律上更具优势，带来教育体系变革 语言的发展及其教育影响 ➢ 数字系统：二进制、八进制、十进制等 应学习。随着深度学习技术的进步，人工智能技术步入商业化阶段，AI+教育也进入产业期。近几年大数据、云计算、算力能力提升， 大规模语言模型急速发展，2022年ChatGPT的发布更是引发了海内外LLMs的军备竞赛，2023年各类教育垂类大模型的争相发布， 打开了通向通用人工智能（AGI）之路，帮助师生大幅提升教学效率，推动大规模的因材施教逐步落地。 来源：公开资料，艾瑞咨询研究院自主研究及绘制。 1954 1956 1960 1965

除了诸如 DeepSeek、字节豆包、通义千问等通用大模型所自带的文 旅内容以外，旅游领域的市场主体包括垂类旅游企业平台、旅游目的 地文旅局、涉旅企业、初创科技类旅游企业等也都以不同形式参与到 AI 大模型对旅游的改造中来，以市场主体作为分类依据可以主要分 为如下几个类别： 1.垂类旅游企业平台 AI 应用 以携程、去哪儿网、同程等为代表的 OTA 平台，积极利用大模 型技术推动业务 （二）智慧旅游领域人工智能应用场景分类 1.AI 旅游导航导览讲解服务类应用 利用 AI 语音合成与识别技术，为游客提供多语言、个性化的讲 解服务。无论是在博物馆、景区还是历史文化遗迹，游客通过 AI 大 模型就能实时获得详细的景点介绍、历史背景、文化内涵等讲解内容， 8 其效果已经开始慢慢替代传统人工导游，提供更便捷、高效且可随时 获取的智能讲解服务。 2. AI 旅游行程规划助手类应用 基于 AI 算法和大数据分析，根据游客的时间、预算、兴趣偏好 目前该场景虽市场用户端需求强烈，按真实的产品在结果准确性、产 品体验和用户需求深度匹配等方面仍需进一步提升，这也导致实际用 户对 AI 行程规划结果的采纳率仍不高。 3. AI 旅游信息服务类应用 主要涉及旅游目的地信息检索，游客通过智能终端输入关键词， 即可获取 AI 所提供的目的地基本概况，包括地理位置、气候条件、 旅游景点、交通住宿等。该场景通过 AI 技术对用于大模型训练的旅

疾控工作者应该怎么利用 DeepSeek 等 AI 大模型 主要内容 先了解人工智能发展简史和发展方向 再介绍大模型的概念和与人工智能的关系 接着介绍垂域模型与智能体的概念 了解以上概念后开始将交流和畅想疾控与人工智能 + 再接着介绍 DeepSeek 大模型 最后是普通疾控人在工作中的具体使用探索交流 1 . 1 著名的图灵测试 1950 年，“计算机之父”和“人工智能之父”艾伦 定时间后，若询问者无法区分哪一方是 机器，则机器通过测试。 一、人工智能发展简史了解 意义与影响 1. 哲学突破： 1. 图灵将抽象的“机器能否思考 ?” 转化为可操作的“能否模仿人 类 行为 ?", 规避了关于“意识”的争议。 2. 提出“智能”的行为主义定义，即通过外在表现而非内在机制判 断 智能。 2. 技术目标： 1. 为早期人工智能研究提供了明确方向，例如自然语言处理和对话 亿参数，能生成连贯长文本， GPT-3(2020)1750 亿参数，零样本学 习 ( 无需微调直接使用 ), 震惊业界。 生态期 (2023 至今 ): 应用与争议并存， · 特点：通用大模型竞争白热化，垂类模型兴起，社会伦理问题爆发。 · 关键进展： ChatGPT(2022.11): 对话能力接近人类， 2 个月用户破亿。 GPT- 4(2023): 支持多模态输入 ( 文字 + 图片 )

行能力/功能升级、或以 DeepSeek为基座发布新AI教育应用和智能学习硬件，快速抢占DeepSeek模型带 来的AI创新机遇。 代表性教育企业围绕DeepSeek的布局总览 相较于其他通用及垂类大模型，DeepSeek能够得到头部教育企业广泛青睐、激起 抢滩布局，主要得益于其几大特点： l 深度思考模式：DeepSeek的深度思考模式能够输出自然语言形式的推理过 程，使得学习、解题的思 功能；新发布AI学习应用“随时问”，由自研九章大模型与DeepSeek大模型联合 支持，主打一站式智能化教育。围绕DeepSeek，学而思的AI教育布局呈现出双协 同、生态化特点： 1、突破单一模型局限，将教育垂类大模型与DeepSeek深度融合，结合DeepSeek 拆解复杂问题和语言交互的强项、及九章大模型深耕数学推理与学科知识图谱的优 势，实现精准分析/定位/回溯知识点、强化逻辑推理并显化思维路径、理解并输出 线接入DeepSeek、加速智能硬件创新，推动AI教育场景的深化与成本优化。 1、底层技术融合：构建DeepSeek-R1的通用智能推理能力与自研教育垂类大模型 “子曰”结合的混合架构，以提升复杂场景的AI教育能力精准度，并打造了基于 DeepSeek的多模态应用。 2、全线产品线接入：软件端，网易有道AI学习类App接入DeepSeek，以其深度思 维优势提升AI教育能力和个性化交互学习体验；此外，网易有道基于子曰教育大模 型