银行业分布式架构与金融大模型深度融合现状及趋势研究

1. 引言：数智经济时代银行业架构转型背景

1.1 数智经济时代的特征与金融科技发展趋势

数智经济作为数字经济发展的新阶段，其核心内涵体现在人工智能技术的深度应用与价值创造能力的全面提升。根据学术研究，数智经济是以人工智能技术为关键生产工具，以轻资产驱动重资产，以数字服务衍生更多用户增量价值的新知识经济形态，具有共享化、网络化、数据化和智能化四大显著特征(200)。与传统数字经济相比，数智经济更强调智能技术的深度应用和价值创造，通过算力、算法和数据的协同作用，重新定义了生产方式与资源配置模式。

在数智经济时代，金融机构面临着前所未有的数字化转型压力与机遇。技术发展呈现出从渐进式向爆发式转变的显著特征，新技术的出现和应用速度不断加快，金融机构需要持续投入以跟上技术发展步伐(204)。客户需求也从标准化转向个性化，不再满足于千篇一律的金融服务，而是希望获得符合自身特点的定制化服务。同时，监管要求从粗放式转向精细化，各国监管机构对金融行业的监管日益严格，对金融机构的合规能力与风险控制能力提出了更高要求。

当前金融行业正经历从信息化、数字化向智能化的深刻变革。这一变革的驱动力主要来自三个方面：首先是技术创新的推动，人工智能、大数据、区块链、云计算等前沿技术的成熟应用为金融业务模式创新提供了技术支撑；其次是客户需求的变化，消费者对金融服务的便捷性、个性化和智能化要求不断提高；最后是监管政策的引导，各国政府通过制定数字化转型指导政策，推动金融机构加快技术创新步伐(200)。

1.2 银行业分布式架构演进历程与挑战

银行业 IT 架构的演进历程大致经历了分散式架构、集中式架构，再到分布式 + 集中式双核架构的三次变迁(25)。从上世纪九十年代开始，银行核心系统技术架构从数据集中路线演进而来的 "胖核心" 时期；到本世纪头十年因核心系统庞大且耦合严重，将辅助功能拆分后形成的 "瘦核心" 时期；再到近十年来互联网对银行业务产生影响，银行开始构建分布式核心，形成以稳态集中式架构与敏态分布式架构并存的情况(34)。

传统集中式架构面临着成本高、扩展性差的挑战，而分布式架构（微服务、云原生）支持弹性扩容，轻松满足高并发场景，且系统构建成本更低(20)。以技术应用为例，传统上银行核心系统多采用集中式的单体架构，随着业务的迅猛发展，这一架构模式已经不堪重负，升级分布式架构势在必行(21)。

2024 年成为银行业大模型应用元年，头部银行已实现数百个业务场景的智能化改造。国有大行率先完成核心系统分布式改造，如建行境内外核心系统全面下移至分布式架构，交易处理速度达万级 TPS，硬件成本降低 40%。赛迪顾问数据显示，2024 年银行业 IT 解决方案市场中，云原生架构相关需求占比提升至 35%，预计 2025 年 60% 银行将实施云原生数字核心战略。

1.3 金融大模型技术发展现状与应用前景

金融大模型技术经迭代实现模式转变，垂类大模型或成应用核心。金融大模型因技术特征与行业需求适配应运而生，其结构包括通用大模型基座、工具链和垂类场景训练(46)。通用大模型有泛化和专业增强两种应用方式，工具链助降本增效，垂类场景训练提升应用表现。

当前 AI 与金融的结合主要有两条技术路径：通用模型 + 金融语料训练金融大模型，以及金融垂类大模型。双方优劣具有相对性，通用大模型优势在于泛用性强、灵活性和利用率高、可迁移性强，劣势在于特定领域深度较浅、模型复杂、训练时间长；金融垂类模型优势在于领域专业性、针对性的解决方案、高精度和合规性(40)。

国际上，Meta 推出的 Llama 3 具有先进的性能和推理能力，预计会推出更多金融变体。在命名实体识别方面，大语言模型显著提升了对特定金融实体的提取和分类能力，超越了传统方法(45)。文本分类，包括像行业 / 公司和文档 / 主题分类这样的任务，组织非结构化数据，提取有价值的见解，并增强金融决策制定能力。

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日常业务问题；恒生电子进一步升级金融大模型 LightGPT，并发布多款光子系列大模型应用产品；蚂蚁集团公布蚂蚁金融大模型，在多项金融专属任务中表现突出(40)。

2. 分布式架构与金融大模型融合的技术基础

2.1 分布式架构的核心技术特征与优势

分布式架构的核心技术特征体现在多个方面。在架构设计上，采用 "1+3+N" 模式：1 个全栈自主创新的敏捷韧性云原生金融级底座；包括高性能 GaussDB 数据库、分布式技术平台以及应用开发平台在内的 3 大平台；具备规划、顶层设计、应用集成、数据迁移工具、应用改造规范、性能调优服务等 N 维能力(21)。

在具体实现上，新一代系统采用 "分布式 + 云原生" 技术架构，突破传统集中式系统瓶颈，通过多中心多活部署与智能流量调度，保障业务连续性达到行业领先水平，支持系统弹性扩展与快速迭代(15)。完成从底层数据库到应用组件的全链条国产化适配，形成自主可控的技术标准体系，筑牢金融安全防线。

分布式架构的优势主要体现在以下几个方面：

首先是高性能与可扩展性。分布式架构支持弹性扩容，能够轻松满足高并发场景，系统构建成本更低(20)。以建设银行的实践为例，2024 年 7 月，建行境内外核心系统全部完成分布式下移，形成统一的新一代核心系统架构。在云平台方面，对操作系统、数据库、中间件等基础软件进行统一适配与集成优化，攻克了数据优化分布策略、服务流量调拨、大规模作业调度、交易一致性保障等八大关键问题(7)。

其次是高可用性与业务连续性。通过多中心多活部署与智能流量调度，分布式架构能够保障业务连续性达到行业领先水平。青岛银行新一代分布式核心业务系统采用多中心多活部署与智能流量调度，保障业务连续性达到行业领先水平，支持系统弹性扩展与快速迭代(15)。

最后是成本控制与资源优化。通过分布式架构，银行能够实现硬件成本的显著降低。建设银行境内外核心系统全面下移至分布式架构后，交易处理速度达万级 TPS，硬件成本降低 40%。

2.2 金融大模型的技术架构与分类体系

金融大模型的技术架构从下到上分为五个主要层次：算力层、数据层、框架层、模型层和应用层(56)。算力层，采用容器化技术，实现 NPU 国产算力与 GPU 算力的统一纳管和资源调度。数据层，整合行内外数据，支持 API 接口、向量数据库、图数据库、关系型数据库多种数据获取和存储方式。框架层，集成 Pytorch、MindSpore、Paddle 等主流框架，支持进行大模型、小模型的微调、推理等。模型层，支持多种行业主流基础大模型部署应用，可根据具体的金融场景和任务，对模型进行精调。应用层，基于 Agent 能力，快速对接业务场景和应用系统，提供大模型应用服务(95)。

在模型分类体系方面，金融大模型主要包括以下几种类型：

通用金融大模型：如 GPT-4、Claude 等通用大语言模型在金融领域的应用，具有强大的语言理解和生成能力，但需要通过提示词工程或微调来适应金融场景。

行业垂直大模型：专门针对金融行业训练的大模型，如 BloombergGPT、FinBERT 等。BloombergGPT 是美国财经资讯公司彭博研发的专属金融领域 AI 智慧聊天机器人，专门针对各类金融数据进行训练，从而全方位地支持金融领域的各种自然语言处理任务(180)。

任务特定大模型：针对特定金融任务优化的模型，如风控模型、客服模型、投研模型等。工商银行从全模数据出发，建成 "世界 - 行业 - 企业 - 领域 - 任务" 五层架构知识体系，利用 AI4Data 数据智能处理技术，打造金融知识工程 "采集、清洗、管理、使用" 全链路智能化技术能力(59)。

多模态大模型：能够处理文本、图像、音频等多种数据类型的模型。在金融应用中，多模态大模型能够处理财报、票据、合同等多种格式的金融文档。

2.3 融合架构的设计理念与技术路径

分布式架构与金融大模型融合的设计理念是 "1+1+N" 人工智能框架体系，以 1 套企业级 AI 能力平台、1 套 AI 治理机制支撑 N 个场景落地，推动金融业务智能化升级(91)。这种架构设计的核心在于通过分布式基础设施支撑大模型的训练、推理和部署，同时利用大模型的智能能力赋能分布式业务系统。

在技术路径方面，融合架构主要包括以下几个关键技术方向：

分布式训练架构：针对大模型分布式训练时的流量模型，微众银行结合信创交换芯片 SAI 接口提供的确定性 Hash 能力，在网络操作系统层面，创新开发了适应不同组网架构、可自定义的链路级负载分担组件 Link-SLB，解决大规模部署无损以太网时因 ECMP 不均引起 Hash 冲突而导致的网络拥塞难题，并适配了各算力卡机间的跨集群组网(89)。

模型分布式部署：系统采用分层解耦的微服务架构，构建 "数据层 - 算法层 - 服务层" 三级技术栈。底层基于国产华为昇腾 910B 的模型推理服务集群，依托 vLLM 框架实现 Qwen2.5-32B 大模型的分布式部署，通过张量并行与流水线并行技术，将模型推理延迟控制在 800ms 以内(90)。

边缘 - 云协同架构：为了应对挑战，某国有六大行果断引入青云 AI 智算平台，构建总分一体化云边协同体系。核心服务分布式部署，可横向扩容，提高服务承载能力。边端与中心云对接采用负载均衡方式，避免单点故障和性能瓶颈(84)。

联邦学习架构：联邦学习通过分布式协同训练框架，解决了金融行业数据孤岛与隐私保护的双重挑战。其核心机制包含数据不出域、模型聚合和加密通信三个关键环节(191)。在风控场景中，各金融机构作为参与节点，仅上传模型参数而非原始数据，通过安全聚合算法（如 FedAvg）实现全局模型更新。

3. 银行业分布式架构与金融大模型融合的实践案例分析

3.1 国内银行业融合实践案例

3.1.1 工商银行：工银智涌大模型体系与分布式架构整合

中国工商银行作为国内银行业数字化转型的领军企业，其智慧银行生态建设工程（ECOS）构建了第五代全分布式开放银行生态系统。2024 年 3 月，工行实现对公业务板块切换至分布式架构单轨运行，核心业务系统实现了云化部署，承载应用节点规模超 15.9 万，容器数量超 30 万，支持超 20 万 TPS 的高并发场景，日均服务调用量超 200 亿(2)。

在大模型建设方面，工商银行从全模数据出发，建成 "世界 - 行业 - 企业 - 领域 - 任务" 五层架构知识体系，利用 AI4Data 数据智能处理技术，打造金融知识工程 "采集、清洗、管理、使用" 全链路智能化技术能力(59)。在技术体系布局上，遵循 "三大支柱、1+X 范式、两全平台、全域生态" 思路，构建 "工银智涌" 企业级千亿金融大模型技术体系，涵盖算力到生态各要素。

工商银行率先建成全栈自主可控的千亿级参数规模 AI 大模型技术体系，已应用于 20 余个业务领域和百余个业务场景(199)。在具体应用中，工商银行构建 "工银智涌" 大模型矩阵，整合十余个大模型与两千多个传统模型，在信贷审批中实现风险识别准确率提升至 99.6%。

在架构整合方面，工商银行采用 "大模型分布式推理 + 知识管理流水线" 融合架构，通过 vLLM 框架实现百亿参数模型在国产化硬件环境的高效集群部署，推理资源利用率达 78%(90)。底层基于国产华为昇腾 910B 的模型推理服务集群，依托 vLLM 框架实现 Qwen2.5-32B 大模型的分布式部署，通过张量并行与流水线并行技术，将模型推理延迟控制在 800ms 以内(90)。

3.1.2 建设银行：分布式核心系统与 AI 大模型的深度集成

中国建设银行在分布式架构转型方面走在行业前列。2024 年 7 月，建行境内外核心系统全部完成分布式下移，形成统一的新一代核心系统架构(26)。建设银行以国家 "十四五" 规划建设 "新基建" 和国家战略科技力量为指导，加快推进基础软硬件自主可控工作，摆脱对主机单一技术的依赖，解决 "关键技术卡脖子和核心应用系统自主可控" 核心问题，提升自身 IT 架构的先进性和稳定性，为业务创新与应用研发提供新动能。

在大模型应用方面，建设银行深化大模型技术建设与赋能，金融同业首家完成企业级金融大模型全栈自主可控训练和推理部署，开展金融行业和企业级大模型二次训练，建成高质量、多维度、大体量的金融大模型训练数据集，使其具备较强的金融领域知识理解和分析推理能力(2)。

建设银行 2024 年共上线了 168 个金融大模型应用场景，累计上线 193 个，覆盖集团约一半员工，其中授信审批金融大模型财务分析功能可将客户财务分析用时由数小时甚至更长缩短至分钟级别。通过大模型与分布式核心系统的深度集成，建设银行实现了业务处理效率的大幅提升和风险控制能力的显著增强。

3.1.3 招商银行：云原生架构与智能投研大模型应用

招商银行在组织架构创新方面走在行业前列，其 2024 年金融科技架构采用 "3 个委员会 + 2 个一级部门 + 1 个研究院 + 2 家科技子公司" 的复杂架构，其中数字金融委员会是最高决策机构，由行长担任主任委员，负责审议总体的战略规划、项目投资、资源配置(2)。

在技术应用方面，招商银行 AI 大模型应用覆盖 38 项业务场景，实现智能问答、业务预审等功能，其 "3 委员会 + 2 部门 + 1 研究院 + 2 子公司" 的架构构建了战略规划、技术实施与生态孵化三位一体的闭环价值链。

在智能投研领域，招商银行与阿里云合作推出智能投研助手 "招银智库 AI 小研"，它依托招行最大的研究资源平台 "招银智库"，利用阿里云通义千问大模型，搭建全站智能问答机器人、Chat 研报和热点聚焦等功能，解决了传统投研过程中信息检索难、研报提炼复杂、分析耗时等问题，实现金融语义的精准理解和生成，大幅提升查询效率和投研精度，并自动化生成热点摘要与专业科普知识，显著提高了工作效率和决策质量(156)。

3.1.4 北京银行：全栈大模型应用体系与分布式架构协同

北京银行以建设 AIB—— 人工智能驱动的商业银行为目标，秉持 "一个银行、一体数据、一体平台" 的理念，聚焦人工智能技术的创新应用，积极构建金融智能生态。建设以知识驱动的 "大模型" 应用体系，通过 "大模型"+"小模型" 双轮驱动，形成人工智能的中台能力，助力运营、拓客营销、产品创新、客户服务、风险管理等业务领域。

北京银行金融人工智能应用平台综合运用预训练大模型、Agent 技术、大数据分布式、容器云、微服务、深度学习框架、多模态交互等技术，整合行内外金融业务领域知识，集成 12 种开源大模型和 50 多项 AI 智能服务，支持国产算力和框架，打造六大工具，涉及智能投顾、运营、客服等领域，赋能一线应用。

在架构设计上，北京银行采用 "分布式大模型 + 智能知识管理" 双轮驱动方案，通过本地化部署满足金融级安全要求，采用 RAG 技术实现动态知识更新，结合深度语义理解突破复杂场景应用瓶颈(90)。为解决大模型生成式内容在银行业务场景应用过程中可解释性问题，依托向量库、知识图谱、分布式大数据构筑北京银行金融价值矩阵，逐步形成覆盖业务营销、操作指引、资产配置、合规安全、财务分析全场景的金融知识图谱(95)。

3.2 国际银行业融合实践案例

3.2.1 摩根大通：LLM Suite 与分布式交易系统集成

摩根大通作为美国资产规模最大的银行，在生成式 AI 应用方面走在行业前列。摩根大通推出了 LLM Suite AI 助手，为员工提供基于 OpenAI 技术的 AI 服务。LLM Suite 被设计为一个门户，允许用户利用外部的大型语言模型，目前已为约 60,000 名员工提供服务(128)。

在具体应用中，摩根大通的律师使用 LLM Suite 分析合同，银行家使用它为客户准备演示文稿并生成电子邮件和报告草稿。据 IT 部门负责人表示，"它真正在做的是释放时间和容量"(207)。摩根大通的创新 IndexGPT 系统能够分析市场数据并生成复杂的交易策略，此外，其合同智能平台能够在几秒钟内审查商业贷款协议，这项任务每年原本需要 36 万小时的律师时间(208)。

在架构集成方面，摩根大通通过对大模型的战略性布局，进一步改善服务，提升效率，整合冗余的诉求可以说是最为迫切的，也是潜在受益最大的(209)。与自行开发 AI 模型不同，摩根大通将 LLM Suite 设计为一个门户，允许用户利用外部的大型语言模型，这种策略既降低了开发成本，又能够快速获得先进的 AI 能力(210)。

3.2.2 富国银行：Fargo 虚拟助手与移动银行架构整合

富国银行在年轻一代财务压力正在上升之际，希望在他们的财务旅程中提供支持和帮助，因此开发了虚拟助手 Fargo，并嵌入到富国银行的应用程序中，用户可以通过搜索的方式输入需求解决问题，Fargo 能够提供 "通过个性化洞察比较每月消费情况和月趋势、一站式管理你的付款并查看即将到期的账单等帮助"，通过这种便捷的交互方式，从而提升客户的情感和财务状况(205)。

富国银行部署基于 AI 的虚拟助手 Fargo，为客户提供自助服务功能，同时使用开源大语言模型，包括 Meta 的 Llama 2 模型，用于内部应用。这种内外结合的 AI 应用策略，既满足了客户服务的需求，又提升了内部运营效率。

3.2.3 星展银行：API 开放银行架构与 AI 客服系统融合

星展银行作为亚洲金融科技的代表，在分布式架构与 AI 融合方面展现了不同的发展路径。星展银行通过数字化转型，实现了从传统银行向数字银行的转变。在技术架构方面，星展银行采用了开放银行架构，通过 API 技术将银行服务嵌入到各种生活场景中(204)。

在客户服务方面，星展银行推出了智能客服系统，通过 AI 技术提供 24/7 的全天候服务。在风险管理方面，星展银行建立了实时的风险监控系统，能够快速识别和应对各种风险。星展银行的实践表明，通过分布式架构与 AI 技术的融合，银行能够实现业务模式的根本性变革，提供更加便捷、智能的金融服务。

3.3 国内外融合实践的差异化特征分析

通过对比分析国内外银行业分布式架构与金融大模型融合的实践案例，可以发现以下几个方面的差异化特征：

技术路径差异：国内银行更注重自主研发和技术可控，如工商银行的 "工银智涌"、建设银行的企业级金融大模型等，都强调全栈自主可控的技术体系(2)。而国际银行更倾向于采用外部技术服务，如摩根大通的 LLM Suite 直接使用 OpenAI 的技术，通过 API 方式集成外部大模型能力(210)。

应用重点差异：国内银行的大模型应用更注重业务流程的智能化改造，如建设银行的 168 个金融大模型应用场景覆盖了授信审批、风险控制、客户服务等多个业务领域。而国际银行的应用更注重客户体验的提升和效率的改善，如富国银行的 Fargo 虚拟助手主要聚焦于客户的财务管理需求(205)。

架构整合方式差异：国内银行在架构整合方面更注重系统性和整体性，通过构建统一的技术平台和架构体系来支撑大模型应用。如北京银行构建了覆盖前中后台的全栈大模型应用体系。而国际银行更注重灵活性和模块化，通过 API 和微服务方式实现系统集成，如星展银行的开放银行架构(204)。

监管合规要求差异：国内银行面临更严格的数据安全和合规要求，有关部门要求大型商业银行不得过度宣传单一大模型的使用情况，更应注重自主、自研(198)。而国际银行在监管合规方面更多遵循所在国家或地区的法规要求，如欧盟的 AI 法案对金融机构的 AI 应用提出了具体的合规要求。

4. 业务场景中的融合应用深度分析

4.1 信贷风控场景的融合应用

4.1.1 智能信贷审批流程与风险识别模型

在信贷风控场景中，分布式架构与金融大模型的融合应用主要体现在智能信贷审批流程的构建和风险识别模型的优化上。中原银行为提高银行风控智能化水平，提升信贷业务处理质效，完善信贷报告分析维度，沉淀信贷知识，改善客户体验，实现信贷业务智能化，基于行内实际业务需求，启动智能信贷助手项目建设。本项目基于大模型内容生成及分析能力，结合多源多维数据支撑，实现报告智能生成及问答，提高报告撰写效率，增强信贷风险管理，优化客户体验，加快业务流转(136)。

工商银行在对公信贷业务领域引入 DeepSeek 大模型构建 "工小审" 信贷风控助手。"工小审" 上线后，依托大模型强大的数据处理与分析能力，能够瞬间整合来自工商、税务、征信等多渠道信息，对企业进行 360 度画像(160)。这种能力使得信贷审批流程从传统的人工审核模式转变为智能化、自动化的处理模式，大幅提升了审批效率和风险识别准确性。

在技术实现上，银行通过构建 "N+M" 大模型协同策略，通过 N 个通用大模型与 M 个场景小模型的有机组合，全面提升金融领域的大模型应用效果，拓宽大模型应用场景(108)。这种策略能够在保证模型泛化能力的同时，针对特定的信贷风控场景进行优化，实现精准的风险识别和评估。

4.1.2 产业链金融与小微企业信贷评估

在产业链金融领域，网商银行 "大雁系统" 承载了 AI 大模型的知识抽取能力，从海量信息中理解数据，形成产业链图谱，再通过多模态数据融合、协同推理等技术识别小微企业的主营业务，将这家公司精准挂载到了汽车产业链上。以汽车产业链为例，网商银行 "大雁系统" 已经为超过 100 万小微企业提供信贷额度(137)。

网商银行 2024 年升级大雁系统，首次将 AI 大模型的能力应用于产业链金融。在贷前，大模型通过分析申请人的历史交易数据、收入水平等信息，评估申请人的还款能力和意愿，多维度了解借款人的潜在风险信号，基于借款人实时信用表现，动态调整授信额度。在贷中，根据客户资料提交情况来做差异化授信。在贷后，大模型则辅助贷后管理人员识别客户意图，以便于个性化服务(140)。

这种基于大模型的产业链金融服务模式，有效解决了小微企业信贷评估中信息不对称、评估成本高的问题。通过 AI 大模型的知识抽取和推理能力，银行能够从海量的非结构化数据中提取有价值的信息，构建精准的企业画像和风险评估模型。

4.1.3 实时风险监控与预警系统

在实时风险监控方面，大模型与分布式架构的融合实现了对金融风险的动态监测和预警。江苏银行利用 "智慧小苏" 大模型的语义理解和实体识别能力，结合 OCR 技术，实现对非制式合同的高效扫描，提取合同供需方、签订时间、交易货物等多种文本信息。基于提取的关键字段，江苏银行构建了专业的风险控制模型，可通过外部数据等途径，对合同双方信息进行智能检测，在授信过程中，对风险较高的交易提前发出预警(142)。

在技术架构上，银行通过将大模型能力集成到分布式风控系统中，实现了对海量交易数据的实时分析和处理。腾讯金融风控大模型应用实践入选中国信通院 AI Cloud Security 典型案例，该方案是腾讯云金融风控大模型应用在某银行零售信贷场景的一次创新实践，其中腾讯云 AI Cloud 从知识管理、模型库赋能、训练加速以及服务部署四个维度提供强大助力，为该银行零售信贷业务上的数智化升级提供精准和高效的解决方案(138)。

4.2 智能客服场景的融合应用

4.2.1 多模态交互与自然语言处理技术

在智能客服场景中，分布式架构与金融大模型的融合主要体现在多模态交互能力的构建和自然语言处理技术的应用上。2025 年，某头部银行部署的 "客服大脑" 基于千亿级参数大模型，可理解客户模糊查询、多轮对话及情感需求，客服问题一次性解决率从 65% 提升至 89%，客户满意度达 92%(146)。

客服场景综合得分 0.79，客户满意度提升幅度达 35%。在性能指标方面，响应速度实现了显著提升：首次响应时间从 120 秒缩短至 8 秒，复杂问题解决率从 41% 提升至 78%(146)。这些数据表明，通过大模型技术的应用，银行客服系统的服务质量和效率都得到了大幅提升。

在技术实现上，银行通过构建 "知识库助手 + 话术推荐助手 + 质检助手" 三位一体体系，依托 RAG 技术实现知识库自动化更新，话术推荐响应时效提升至毫秒级，质检覆盖率从人工抽查升级为 100% 全量检测，使机器人自助解决率从 50% 提升至 75%，并行会话数从 6 通提高至 8 通(148)。

4.2.2 智能问答系统与业务流程自动化

在智能问答系统方面，招商银行与阿里云合作推出的智能投研助手 "招银智库 AI 小研" 展现了大模型在金融知识问答领域的强大能力。它依托招行最大的研究资源平台 "招银智库"，充分利用阿里云通义千问大模型，构建了全站的智能问答机器人、Chat 研报和热点聚焦等多种功能(161)。

这种智能问答系统不仅能够回答客户的常规问题，还能够处理复杂的金融专业问题，如投资策略分析、市场趋势预测等。通过大模型的语义理解和推理能力，系统能够准确理解客户意图，并提供专业、准确的回答。

在业务流程自动化方面，银行通过将大模型能力与 RPA（机器人流程自动化）技术结合，实现了客服业务流程的全面自动化。容联云坐席代理已成功覆盖某消金公司的 85% 日常咨询问题，转人工率降低 50%，让人工坐席从重复性工作中解放出来，专注处理更高价值的复杂场景(147)。

4.2.3 情感分析与客户体验优化

在情感分析和客户体验优化方面，大模型技术能够实现对客户情感状态的实时监测和分析。通过自然语言处理技术，系统能够识别客户对话中的情感倾向，如满意、不满、焦虑等，并据此调整服务策略，提升客户体验。

金融壹账通智能客服系统通过部署该系统，相关金融机构在减少人工坐席使用、缩短客户响应时间、统一服务标准等方面取得了阶段性成果。据统计，该系统平均实现人工替代率超过 60%，在多个场景中有效提升了服务能力与客户满意度。

通过情感分析技术，银行能够及时发现客户的不满和问题，主动采取措施进行解决，从而提升客户满意度和忠诚度。同时，通过对大量客户对话数据的分析，银行能够发现服务流程中的问题和改进机会，持续优化服务质量。

4.3 投研分析场景的融合应用

4.3.1 智能投研助手与市场趋势预测

在投研分析场景中，分布式架构与金融大模型的融合主要体现在智能投研助手的构建和市场趋势预测能力的提升上。新华资产基于 RAG 技术和大模型的长文本能力，从热点取值、语义扩充、研报映射到智能速读，构建了一个热点事件跟踪工作流，显著提高了信息筛选的精确度与洞察的深度。为了满足研究人员快速掌握要点的需求，新华资产在大模型能力的基础上结合了深度提示词工程和思维链能力，设计了多维度速读总结功能(159)。

新华资产基于 "AI 小研" 开发了专属的财报点评助手来辅助报告撰写，帮助研究人员在短时间内高效生成上市公司业绩点评。这种智能投研助手不仅能够快速理解和分析复杂的金融文本，还能够生成专业的研究报告和分析结论，大幅提升了投研工作的效率和质量。

在市场趋势预测方面，大模型能够通过对大量历史数据、实时数据以及多种市场因素的输入，进行深度分析，预测未来的市场走势。大模型可以通过对大量历史市场数据的学习，进行高频交易分析、市场走势预测等，从而帮助金融机构提前识别潜在的市场风险和系统性风险，及时调整策略应对市场变化(151)。

4.3.2 量化交易策略与风险评估模型

在量化交易策略方面，金融大模型展现出了强大的数据分析和策略生成能力。通过整合大语言模型，代理可以实时分析市场情报和新闻，从而制定更为精准的投资策略(170)。这种能力使得投资决策从传统的经验驱动模式转变为数据驱动和智能驱动的模式。

在风险评估方面，大模型能够综合分析多种风险因素，包括市场风险、信用风险、流动性风险等，提供全面的风险评估和预警。通过对大量风险案例的学习和分析，模型能够识别潜在的风险模式，提前进行风险预警。

在技术实现上，银行通过构建分布式的量化交易系统，结合大模型的智能分析能力，实现了对市场数据的实时处理和分析。这种架构能够支持高并发的交易请求，同时保证系统的稳定性和可靠性。

4.3.3 投资组合优化与资产配置建议

在投资组合优化方面，大模型能够基于客户的风险偏好、投资目标、资产状况等因素，提供个性化的投资组合建议。通过对客户数据的深度分析，模型能够识别客户的投资偏好和风险承受能力，并据此推荐合适的投资产品和配置比例。

在资产配置建议方面，大模型能够综合考虑市场环境、行业趋势、政策变化等多种因素，提供动态的资产配置建议。这种建议不仅考虑了收益最大化的目标，还充分考虑了风险控制的要求，实现了风险与收益的平衡。

通过大模型技术，银行能够为客户提供更加精准、个性化的投资建议，提升客户的投资收益和满意度。同时，通过智能化的资产配置，银行能够更好地管理投资组合风险，提高整体投资绩效。

5. 关键技术方向的深度融合分析

5.1 生成式 AI 技术在银行业的应用突破

生成式 AI 技术在银行业的应用正在从概念验证阶段进入规模化落地阶段。ChatGPT 出现在银行进行第三次数字化转型的时间点，其效果展示是一种具有强大内容创作和人机交互的通用生成式 AI 应用，并且在底层模型的逐步更新迭代过程中已经由一个聊天机器人发展成为具备解决多模态问题能力的应用，可以同时解决文字、音频、图像等相关问题(181)。

在具体应用方面，生成式 AI 在银行业的应用从价值创造逻辑上可分为两大类：一是替代人，生成式 AI 可以替代人开展大量重复性较高、简单基础的任务，如处理文本的要素提取、处理进件、识别异常项、生成基础数据分析、生成标准化内容等，这能够释放运营类人力资源，实现降本增效；二是赋能人，利用生成式 AI 的 "对话" 和 "创造" 能力，可让 AI 成为助手，有效放大关键节点的 "人" 的产能，尤其是客户经理、财富顾问、产品经理、投研经理、信审经理、市场营销人员、编程开发人员等角色(177)。

在技术实现上，银行主要通过三种关键抓手来提升生成式 AI 的应用效果：抓手 1 是利用嵌入（embedding），使大模型能基于给定的数据库来生成答案；抓手 2 是利用强有力的提示词设计，使模型给出契合专业性要求的准确答案；抓手 3 是直接对开源大模型进行指令精调(177)。

5.2 知识图谱技术与金融数据治理融合

知识图谱技术在金融领域的应用主要体现在实体识别、关系抽取和知识推理等方面。在实体与关系定义方面，实体层涵盖用户、设备、账户、IP 地址、收款方等节点；关系层建立 "用户注册账户"" 设备登录账户 ""账户转账收款方" 等边，例如某电商平台通过图谱记录 "用户 A 用设备 X 注册账户 B，账户 B 向收款方 C 转账 10 次" 的关联链(184)。

在金融风险识别中，知识图谱的应用主要包括实体识别和关系抽取两个方面。实体识别通过命名实体识别技术，从金融领域文本数据中识别出关键实体，如金融机构、金融产品、客户等，为风险识别提供核心信息。实体关系融合将识别出的实体和关系进行融合，形成更加全面的知识图谱，提高风险识别的准确性和全面性(186)。

在技术实现上，银行通过整合交易数据（银行流水）、行为数据（登录轨迹）、第三方数据（工商信息），通过实体对齐技术（如基于余弦相似度的企业名称匹配）消除数据孤岛(184)。HYPERS 嗨普智能引入领域适配的命名实体识别（NER）模型，针对金融术语、指标名称、事件描述等特征进行专项训练，提升实体抽取准确率。知识图谱的核心在于揭示实体间的语义关系，通过语义分析与知识推理，构建多层次、多维度的关系网络，实现业务实体间的深度链接(190)。

5.3 联邦学习在跨机构数据协作中的应用

联邦学习技术在银行业的应用主要解决了数据孤岛与隐私保护的双重挑战。联邦学习通过分布式协同训练框架，其核心机制包含数据不出域、模型聚合和加密通信三个关键环节。在风控场景中，各金融机构作为参与节点，仅上传模型参数而非原始数据，通过安全聚合算法（如 FedAvg）实现全局模型更新(191)。

在具体实现上，联邦学习通过加密参数传输实现多方协作。各参与方本地训练模型后，仅上传加密的梯度参数至协调服务器。噪声注入机制有效防止成员推断攻击，同态加密与秘密分享技术保障参数安全聚合。摩根大通联合 MIT 开发的 FedAML 系统，采用 Paillier 同态加密算法，使跨机构模型更新过程的通信开销减少 40%，同时满足 NIST SP 800-175B 标准(192)。

在技术架构方面，联邦学习系统采用分层数据管理体系，包括边缘节点的本地数据处理层和中央协调服务器。每个参与银行部署边缘计算节点，负责本地数据清洗、特征工程和初步模型训练。中央服务器不存储任何原始数据，仅维护全局模型版本和协调参数聚合。系统采用加权平均的模型融合策略，根据各参与方的数据量和质量动态调整聚合权重(87)。

在隐私保护方面，联邦学习通过 "数据不动模型动" 的机制，让参与方在本地训练模型参数，仅传输加密后的中间结果。这种模式不仅符合个人信息保护相关法规的要求，还能有效降低数据泄露风险(193)。为了保护数据隐私，这些更新在传输前可以进行加密处理，比如采用同态加密技术，使得即使信息在传输过程中被截取，也无法获取原始数据(194)。

6. 发展趋势与挑战分析

6.1 技术发展趋势与创新方向

6.1.1 多模态大模型与边缘计算融合

随着技术的不断发展，多模态大模型与边缘计算的融合将成为银行业技术创新的重要方向。多模态大模型能够同时处理文本、图像、音频、视频等多种数据类型，为银行提供更加全面的数据分析能力。在金融应用中，多模态大模型能够处理财报、票据、合同、视频等多种格式的金融数据，实现全方位的信息理解和分析。

边缘计算技术的发展为大模型的分布式部署提供了新的可能性。通过在银行网点、自助设备等边缘节点部署轻量化的大模型，银行能够实现低延迟、高并发的 AI 服务。这种架构不仅能够提升服务响应速度，还能够降低中心服务器的压力，提高系统的整体性能和可靠性。

在技术实现上，银行需要解决模型压缩、推理优化、资源管理等关键技术问题。通过模型压缩技术，将大模型的参数规模大幅减小，使其能够在边缘设备上运行。通过推理优化技术，提升模型在边缘设备上的推理效率，降低计算资源消耗。通过资源管理技术，实现边缘节点与中心服务器之间的协同工作，确保系统的整体性能和稳定性。

6.1.2 量子计算与 AI 大模型的协同发展

量子计算技术的发展为金融大模型的训练和推理提供了新的可能性。量子计算具有强大的并行计算能力，能够在短时间内处理极其复杂的计算问题。在金融领域，量子计算能够加速大模型的训练过程，提升模型的收敛速度和精度。同时，量子计算还能够处理传统计算机难以解决的复杂优化问题，如投资组合优化、风险评估等。

在具体应用方面，量子计算与 AI 大模型的协同发展主要体现在以下几个方面：首先是模型训练加速，通过量子算法优化模型训练过程，大幅缩短训练时间；其次是复杂推理能力提升，利用量子计算的并行处理能力，实现对复杂金融问题的快速求解；最后是新型算法创新，基于量子计算原理开发新的机器学习算法，为金融应用提供更强大的技术支撑。

然而，量子计算技术目前仍处于发展初期，在银行业的应用还面临着技术成熟度、成本控制、人才培养等多重挑战。银行需要在技术研发、基础设施建设、人才队伍培养等方面进行长期投入，为未来量子计算技术的大规模应用做好准备。

6.2 监管合规与数据安全挑战

6.2.1 AI 伦理与算法公平性监管要求

随着 AI 技术在银行业的广泛应用，AI 伦理和算法公平性问题日益受到监管机构的关注。在强监管行业中，金融业对 AI 大模型等新兴技术应用的合规性受到高度关注(204)。监管机构要求银行在应用 AI 技术时必须确保算法的公平性、透明度和可解释性，防止算法歧视和不公平对待客户。

在具体要求方面，监管机构要求银行建立完善的 AI 伦理框架，确保 AI 系统的设计和应用符合道德规范和法律法规要求。这包括算法的可解释性要求，即银行必须能够解释 AI 系统的决策过程和依据；公平性要求，即 AI 系统不得对特定群体进行歧视；透明度要求，即银行必须向客户说明 AI 技术的应用情况和可能的影响。

同时，监管机构还要求银行建立 AI 风险评估和管理机制，对 AI 系统的风险进行全面评估和监控。这包括技术风险、操作风险、声誉风险等多个方面，银行需要制定相应的风险控制措施，确保 AI 技术应用的安全性和稳定性。

6.2.2 跨境数据流动与隐私保护合规

在全球化的金融环境中，跨境数据流动与隐私保护合规成为银行业面临的重要挑战。不同国家和地区对数据保护的法规要求存在差异，银行在进行跨境业务时需要遵守多个司法管辖区的法规要求，这增加了合规的复杂性和成本。

在欧盟地区，《欧盟 AI 法案》采用风险分级方法，明确禁止对人类安全、生计和权利构成威胁的 AI 系统，例如有害的 AI 操控、社会评分、以及在工作场所或教育机构进行情感识别等。该法案适用于所有金融服务实体，包括银行和保险公司，以及为金融服务实体提供服务的第三方机构(212)。

在中国，有关部门要求大型商业银行不得过度宣传单一大模型的使用情况，更应注重自主、自研(198)。这反映了监管机构对数据安全和技术自主可控的重视，要求银行在技术应用中更加注重安全性和可控性。

6.3 人才培养与组织变革需求

6.3.1 复合型技术人才培养体系

随着分布式架构与金融大模型技术的深度融合，银行业对复合型技术人才的需求日益增长。这类人才需要同时具备金融业务知识、技术开发能力、数据分析能力和 AI 应用能力，能够在技术与业务之间建立有效的桥梁。

在人才培养方面，银行需要建立系统化的培养体系，包括技术培训、业务培训、实践锻炼等多个环节。技术培训重点关注分布式架构、大模型技术、云计算、大数据等核心技术；业务培训重点关注金融产品知识、风险管理、客户服务等业务领域；实践锻炼通过项目实施、案例分析等方式，提升人才的实际操作能力。

同时，银行还需要加强与高校、研究机构的合作，建立产学研合作机制，共同培养金融科技人才。通过与高校合作开设金融科技专业、设立研究基地、开展联合研究等方式，为银行业培养更多的专业人才。

6.3.2 敏捷组织架构与文化转型

分布式架构与金融大模型的应用需要银行进行组织架构和文化的深度变革。传统的层级式组织架构已经难以适应快速变化的技术环境，银行需要向敏捷、扁平化的组织架构转型，提高决策效率和响应速度。

在组织架构方面，银行需要建立跨部门、跨职能的协作机制，打破部门壁垒，实现技术与业务的深度融合。同时，需要建立快速决策机制，缩短决策流程，提高对市场变化的响应速度。

在文化转型方面，银行需要培养创新文化，鼓励员工勇于尝试新技术、新方法，容忍失败，从失败中学习和成长。同时，需要建立学习型组织，持续提升员工的技术能力和业务水平，适应技术发展的要求。

7. 结论与建议

7.1 主要研究发现总结

通过对银行业分布式架构与金融大模型深度融合现状及趋势的系统研究，本文得出以下主要发现：

技术融合成为银行业数字化转型的核心驱动力。分布式架构与金融大模型的融合正在重塑银行业的技术架构和业务模式。2024 年成为银行业大模型应用元年，头部银行已实现数百个业务场景的智能化改造，国有大行率先完成核心系统分布式改造，交易处理速度达万级 TPS，硬件成本降低 40%。

国内银行在自主研发方面走在前列。工商银行率先建成全栈自主可控的千亿级参数规模 AI 大模型技术体系，已应用于 20 余个业务领域和百余个业务场景(199)。建设银行、招商银行、北京银行等也都构建了具有自主知识产权的大模型技术体系，体现了国内银行对技术自主可控的重视。

国际银行更注重技术服务的集成应用。摩根大通通过 LLM Suite 门户直接使用 OpenAI 的技术，为约 60,000 名员工提供 AI 服务(128)。这种策略既降低了开发成本，又能够快速获得先进的 AI 能力，体现了国际银行在技术应用方面的灵活性。

业务场景的智能化改造成效显著。在信贷风控场景中，工商银行 "工小审" 信贷风控助手能够瞬间整合多渠道信息，对企业进行 360 度画像(160)；在智能客服场景中，某头部银行客服问题一次性解决率从 65% 提升至 89%，客户满意度达 92%(146)；在智能投研场景中，招商银行 "招银智库 AI 小研" 大幅提升了查询效率和投研精度(156)。

关键技术方向呈现多元化发展趋势。生成式 AI 技术正在从概念验证进入规模化落地阶段，知识图谱技术在金融数据治理中发挥重要作用，联邦学习技术有效解决了跨机构数据协作的隐私保护问题。这些技术的融合应用为银行业提供了强大的智能化能力。

7.2 对银行业的战略建议

基于研究发现，本文对银行业在分布式架构与金融大模型融合发展方面提出以下战略建议：

加强技术架构的系统性规划。银行应制定清晰的技术融合战略，明确分布式架构与大模型技术的发展路径和目标。建议采用 "1+1+N" 人工智能框架体系，以 1 套企业级 AI 能力平台、1 套 AI 治理机制支撑 N 个场景落地(91)。在技术选型上，应注重技术的成熟度、可扩展性和兼容性，避免技术锁定和重复投资。

推进业务场景的智能化改造。银行应重点关注高价值、高频次的业务场景，如信贷审批、客户服务、投资研究等，通过大模型技术实现业务流程的智能化优化。建议采用 "N+M" 大模型协同策略，通过 N 个通用大模型与 M 个场景小模型的有机组合，全面提升金融领域的大模型应用效果(108)。

强化数据治理和知识管理能力。银行应建立完善的数据治理体系，确保数据的质量、安全性和可用性。通过知识图谱技术构建金融知识体系，实现对海量金融数据的有效管理和利用。建议采用 "分布式大模型 + 智能知识管理" 双轮驱动方案，通过本地化部署满足金融级安全要求，采用 RAG 技术实现动态知识更新(90)。

重视人才培养和组织变革。银行应建立系统化的人才培养体系，重点培养既懂技术又懂业务的复合型人才。同时，应推进组织架构的敏捷化转型，建立跨部门协作机制，培养创新文化，为技术融合发展提供组织保障。

加强风险管理和合规控制。银行应建立完善的 AI 风险评估和管理机制，确保技术应用的安全性和合规性。在数据安全方面，应采用联邦学习等隐私保护技术，确保数据的安全性和隐私性。在算法公平性方面，应建立 AI 伦理框架，确保算法的透明度和可解释性。

7.3 未来研究方向展望

基于当前的技术发展趋势和研究现状，本文提出以下未来研究方向：

多模态大模型在金融场景的深度应用研究。随着技术的不断发展，多模态大模型将能够处理更加复杂的金融数据类型，如视频、音频等。未来研究应重点关注多模态大模型在金融场景中的应用模式、技术架构和效果评估。

量子计算与 AI 大模型的协同机制研究。量子计算技术的发展为金融大模型提供了新的可能性，未来研究应重点关注量子算法在模型训练、推理优化等方面的应用，探索量子计算与 AI 技术的协同机制。

联邦学习在跨机构协作中的标准化研究。联邦学习技术在解决跨机构数据协作方面具有重要价值，未来研究应重点关注联邦学习协议的标准化、性能优化、安全机制等方面，推动技术的大规模应用。

AI 伦理与算法公平性的量化评估研究。随着 AI 技术在银行业的广泛应用，AI 伦理和算法公平性问题日益重要。未来研究应重点关注 AI 伦理的量化评估方法、算法公平性的检测技术、伦理风险的防控机制等方面。

边缘计算与云计算协同的架构优化研究。边缘计算技术为大模型的分布式部署提供了新的可能性，未来研究应重点关注边缘 - 云协同架构的设计、资源调度策略、性能优化方法等方面，实现计算资源的高效利用。

通过持续的技术创新和深入研究，分布式架构与金融大模型的深度融合将为银行业带来更加广阔的发展前景，推动金融业向智能化、数字化的方向不断前进。

参考资料

[1] 桂林银行:大模型中台_中国电子银行网 https://www.cebnet.com.cn/20240522/102954387.html

[2] 重磅!国有六大行2024金融科技建设成果_数字化_应用_能力 https://www.sohu.com/a/808636559_100235530

[3] 分布式架构升级引领银行业数智化转型:华为发布金融分布式新核心解决方案5.0_中国金融杂志 http://m.toutiao.com/group/7418874658826584614/?upstream_biz=doubao

[4] 上市银行加力数智转型_经济日报 http://m.toutiao.com/group/7548964915990528548/?upstream_biz=doubao

[5] 韧行智远，共筑数智金融未来——探访华为第十二届全球智慧金融峰会——金网在线 https://www.fcc.com.cn/art/kjzx/68/12654.shtml

[6] 基于大模型的企业架构建模助力银行数字化转型应用方案【PPT】_售前之家 http://m.toutiao.com/group/7497162564518920741/?upstream_biz=doubao

[7] 应用现代化 | 银行新一代分布式核心系统建设情况——国有银行篇 https://www.thepaper.cn/newsDetail_forward_30695005

[8] BankLLM https://github.com/Omar-Karimov/BankLLM

[9] FinTral: A Family of GPT-4 Level Multimodal Financial Large Language Models https://arxiv.org/html/2402.10986v3

[10] Commencis Launches New Turkish LLM Targeting Banking and Financial Services https://www.newsfilecorp.com/release/209111/Commencis-Launches-New-Turkish-LLM-Targeting-Banking-and-Financial-Services

[11] Setu unveils Sesame - India's First Domain-Specific Large Language Model for BFSI sector https://www.pinelabs.com/media-analyst/setu-unveils-sesame-indias-first-domain-specific-large-language-model-for-bfsi-sector

[12] FinRobot: An Open-Source AI Agent Platform for Financial Applications using Large Language Models https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4841493

[13] 哈尔滨银行:基于大模型金融机构数智化知识管理系统创新实践_金科创新社 http://m.toutiao.com/group/7555714322798805556/?upstream_biz=doubao

[14] 乌鲁木齐银行与华为共筑分布式转型标杆_环球网 http://m.toutiao.com/group/7550483909016846867/?upstream_biz=doubao

[15] 青岛银行新一代分布式核心业务系统上线 以数字动能开启金融服务新纪元_和讯网 http://m.toutiao.com/group/7472265256888074762/?upstream_biz=doubao

[16] 2024金融信息化10件大事 | 招商银行金融系统分布式架构转型及应用可用性提升工程_金融电子化 http://m.toutiao.com/group/7472576001084539426/?upstream_biz=doubao

[17] 鼎茂科技助力银行客户，应对含400+微服务的核心系统运维挑战_中国财富网 http://m.toutiao.com/group/7374757830705955365/?upstream_biz=doubao

[18] 金融系统分布式架构转型及应用可用性提升工程的建设成果_金融电子化 http://m.toutiao.com/group/7485548621279101452/?upstream_biz=doubao

[19] 金发奖专栏|中台化的保险核心全面助力中华财险数字化转型 http://m.toutiao.com/group/7514518201267405312/?upstream_biz=doubao

[20] 群英论数|银行数字化转型与核心业务系统架构演进(上) https://emcreative.eastmoney.com/app_fortune/article/index.html?artCode=20250811100126254736720&postId=1581973524

[21] 分布式架构升级引领银行业数智化转型:华为发布金融分布式新核心解决方案5.0_中国金融杂志 http://m.toutiao.com/group/7418874658826584614/?upstream_biz=doubao

[22] 分布式数据库 GaiaDB-X 金融应用实践-CSDN博客 https://blog.csdn.net/2301_82040283/article/details/135893139

[23] 银行架构演进指南:掌握从单体到微服务的转型秘诀 - CSDN文库 https://wenku.csdn.net/column/2ms9a27qvb

[24] 利用分布式架构推动银行核心业务系统重构_金融电子化 http://m.toutiao.com/group/7522666934157181480/?upstream_biz=doubao

[25] 海外银行IT理念发展启示录 https://m.cyzone.cn/article/647311.html

[26] 2024金融信息化10件大事 | 中国建设银行境内外核心系统全部完成分布式下移，彻底结束核心系统主机时代_金融电子化 http://m.toutiao.com/group/7469592401926095400/?upstream_biz=doubao

[27] 农行已顺利实施大型主机关停下电，全面进入分布式核心时代_中国电子银行网 https://www.cebnet.com.cn/20250409/102985655.html

[28] 程杰:自主可控建设新核心，锻造转型发展新能力——浙江稠州商业银行自主研发新一代核心系统实践_金融电子化 http://m.toutiao.com/group/7457752030958912015/?upstream_biz=doubao

[29] 科技革新 万里可期 | 杭州银行成功上线第三代分布式核心业务系统_中国电子银行网 https://www.cebnet.com.cn/20240120/102932512.html

[30] 深度丨银行核心系统改造难题_证券时报 http://m.toutiao.com/group/7428156603477574178/?upstream_biz=doubao

[31] 银行业分布式核心系统运维的思考及实践_银行分布式核心 监管有什么要求-CSDN博客 https://blog.csdn.net/yangchengnanzhan/article/details/132130982

[32] 致知力行，杭州银行与鲲鹏携手共建新一代分布式核心系统_中国财富网 http://m.toutiao.com/group/7433355602920800787/?upstream_biz=doubao

[33] 从单体到云平台到金融级混合云_金融分布式架构(SOFAStack)-阿里云帮助中心 https://help.aliyun.com/document_detail/2805953.html

[34] “分布式透明化”在杭州银行核心系统上线之思考-腾讯云开发者社区-腾讯云 https://cloud.tencent.com/developer/article/2388625

[35] [鸿篇巨制]蚂蚁金融级分布式架构SOFAStack编年史_蚂蚁架构发展历程-CSDN博客 https://blog.csdn.net/alitech2017/article/details/107709107

[36] 支付宝资深技术专家尹博学:新一代金融核心突破之全分布式单元化技术架构...-CSDN博客 https://blog.csdn.net/SOFAStack/article/details/107241036

[37] 兴业数金 https://www.cibfintech.com/opencms/export/news/observe/report/report31.html

[38] 对话腾讯云副总裁胡利明:东南亚地区银行数字化升级需求迫切 中国金融科技出海需兼备“信心与能力”_每日经济新闻 http://m.toutiao.com/group/7476450272412254729/?upstream_biz=doubao

[39] ​《中国金融》|打造金融机构全分布式核心体系_新浪财经_新浪网 https://finance.sina.com.cn/money/bank/yhpl/2020-08-19/doc-iivhvpwy1896612.shtml

[40] 「深度」2024 AI大模型在金融行业应用深度分析_2024人工智能专题——金融行业大模型应用报告-CSDN博客 https://blog.csdn.net/qq_43218591/article/details/140886650

[41] AI 大模型在金融行业应用深度分析 2024_金融ai大模型-CSDN博客 https://blog.csdn.net/m0_59164520/article/details/139869534

[42] 艾瑞咨询:2024年中国金融大模型产业发展洞察报告.docx-原创力文档 https://m.book118.com/html/2025/0924/5112222223012333.shtm

[43] 金融大模型应用评测报告摘要版(2024).pdf https://m.book118.com/html/2024/1216/6150024145011011.shtm

[44] 中国金融大模型市场追踪报告2024全年 (节选).docx - 人人文库 https://m.renrendoc.com/paper/439917482.html

[45] 下一位投资顾问未必是人类:大模型在金融投资领域的应用 - 智源社区 https://hub.baai.ac.cn/view/38565

[46] 2024年中国金融大模型产业发展洞察报告_应用_场景_结构特征 https://m.sohu.com/a/818056324_121864835

[47] FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications_finbert: financial sentiment analysis with pre-tra-CSDN博客 https://blog.csdn.net/cdxxsq/article/details/137409152

[48] 金融领域FinBERT、BloombergGPT以及法律领域微调模型LawGPT_zh-CSDN博客 https://blog.csdn.net/qq_27590277/article/details/130518209

[49] Title:Fin-R1: A Large Language Model for Financial Reasoning through Reinforcement Learning https://www.arxiv.org/pdf/2503.16252

[50] Research Notes: Fine-Tuning a 124M Param LLM for Sentiment Classification in Financial News Articles https://mike.gold/notes/x-bookmarks/ai/llm-for-sentiment-analysis

[51] Large language models in finance : what is financial sentiment?(pdf) https://arxiv.org/pdf/2503.03612v4

[52] Open Source Finance AI Model | Michael Gold https://mike.gold/notes/x-bookmarks/ai/open-source-finance-ai-model

[53] Meet Hawkish 8B: A New Financial Domain Model that can Pass CFA Level 1 and Outperform Meta Llama-3.1-8B-Instruct in Math & Finance Benchmarks https://www.marktechpost.com/2024/10/26/meet-hawkish-8b-a-new-financial-domain-model-that-can-pass-cfa-level-1-and-outperform-meta-llama-3-1-8b-instruct-in-math-finance-benchmarks/

[54] 北京银行如何构建全栈大模型应用体系?_京信妙笔-CSDN博客 https://blog.csdn.net/lvaolan/article/details/144064475

[55] 中电金信:从细分业务场景，看金融机构如何拥抱AI转型_mb618e05261db51的技术博客_51CTO博客 https://blog.51cto.com/u_15430715/13757996

[56] 北京银行如何构建全栈大模型应用体系?_框架层,算力层-CSDN博客 https://blog.csdn.net/lvaolan168/article/details/143218103

[57] 北京银行:基于大语言模型驱动Agent技术的金融人工智能应用平台_金科创新社 https://www.fintechinchina.com/cases/7512

[58] 北京银行推进AI技术，构建全栈大模型应用体系_智能工具_知识库_业务 https://www.sohu.com/a/811860687_121798711

[59] 银行业大模型标杆研究，AI大模型落地银行最好的案例_工商银行 大模型-CSDN博客 https://blog.csdn.net/m0_63171455/article/details/147029772

[60] 全球及中国银行业大模型发展现状及前景动态分析报告2025-2030年-杨静的文章-企博网职业博客 https://www.bokee.net/bloggermodule/blog_viewblog.do?id=58665197

[61] blockchain meets llms: a living survey on bidirectional integration https://arxiv.org/pdf/2411.16809

[62] Efficient Memory Management for Large Language Model Serving with PagedAttention https://arxiv.org/pdf/2309.06180

[63] ChatGPT的金融内化  http://m.qikan.cqvip.com/Article/ArticleDetail?id=7110271508

[64] Credit Risk Assessment from Combined Bank Records using Federated Learning https://mail.irjet.net/archives/V6/i4/IRJET-V6I4288.pdf

[65] Scaling gen AI in banking: Choosing the best operating model https://richturrin.substack.com/api/v1/file/5dc8a5a0-9127-4803-bcba-ab67ee548839.pdf

[66] 桂林银行:大模型中台_中国电子银行网 https://www.cebnet.com.cn/20240522/102954387.html

[67] 北京银行:基于大语言模型驱动Agent技术的金融人工智能应用平台_金科创新社 https://www.fintechinchina.com/cases/7512

[68] 助力金融数字化转型:金融壹账通AI平台的成功案例分析_银行_客户_数智 https://www.sohu.com/a/832798155_121902920

[69] 北京银行启动“all in AI”战略，实现DeepSeek全栈国产化金融应用_中国电子银行网 https://www.cebnet.com.cn/20250217/102981844.html

[70] 北京银行携手华为实现，DeepSeek全栈国产化金融应用|deepseek|北京银行|智能化|知名企业|金融产品|金融应用_手机网易网 http://m.163.com/news/article/JOAJIGM20556730Q.html

[71] 数字金融创新实践!这家国有大行官宣发布 https://emwap.eastmoney.com/a/202412173271031227.html

[72] 做金融科技“行动派”，看这家银行如何把大模型玩出新花样?_中新经纬 http://m.toutiao.com/group/7553856930624602665/?upstream_biz=doubao

[73] 浦发银行零售分布式核心实现对客服务不停机的投产，技术人员减少_银行科技研究社 http://m.toutiao.com/group/7544999848748106278/?upstream_biz=doubao

[74] 【ai应用】Deepseek大模型在银行系统的部署方案设计-CSDN博客 https://blog.csdn.net/Python_cocola/article/details/146009791

[75] 数绘“京”彩 智创未来 ——北京银行数字化转型实践探索_金融电子化 http://m.toutiao.com/group/7508644578061337140/?upstream_biz=doubao

[76] 微众银行首次亮相第二十六届中国国际高新技术成果交易会_新京报 http://m.toutiao.com/group/7438542329134334490/?upstream_biz=doubao

[77] 蚂蚁数科副总裁余滨:大模型在金融业的应用正逐渐从探索期迈向实践期_澎湃新闻 http://m.toutiao.com/group/7517673642778198562/?upstream_biz=doubao

[78] 基于大模型的企业架构建模助力银行数字化转型应用方案【PPT】_售前之家 http://m.toutiao.com/group/7497162564518920741/?upstream_biz=doubao

[79] 哈尔滨银行:基于大模型金融机构数智化知识管理系统创新实践_金科创新社 http://m.toutiao.com/group/7555714322798805556/?upstream_biz=doubao

[80] 专题|微众银行构建全栈自主的AI智算网络_金融电子化 http://m.toutiao.com/group/7521538784555516451/?upstream_biz=doubao

[81] 文心一言金融风控AI本地部署实践-CSDN博客 https://blog.csdn.net/weixin_42513870/article/details/152103450

[82] 银行业基于Deepseek落地大模型业务场景与实施路径探索_大语言模型在银行业的实施路径-CSDN博客 https://blog.csdn.net/m0_59235245/article/details/149785059

[83] 技术应用丨联邦大模型在金融领域的应用研究|大模型|应用研究|数据源|算法|联邦|金融_手机网易网 http://m.163.com/dy/article/JNKFNGHL05520IZ3.html

[84] 智算实战 | 云边协同，铸就金融 AI 新引擎 转型之困，银行在 AI 大潮中面临挑战在 金融科技 飞速发展的当下，银行积极迈向构建银行大模型和数字银行的征程中。尤其在... https://xueqiu.com/8690072890/309339803

[85] 金融行业大模型推理阶段如何如何通过vLLM来实现降低成本并且解决国产卡的推理延迟高、量化精度损失问题? - 问答 - twt企业IT交流平台 https://www.talkwithtrend.com/Question/475815

[86] 联邦学习在金融风控模型训练中的实践_工商银行fedchain系统数据 监管审计时间-CSDN博客 https://blog.csdn.net/2501_92477148/article/details/148697246

[87] 联邦学习在银行反欺诈模型中的部署架构.docx-原创力文档 https://m.book118.com/html/2025/0809/7122004132010143.shtm

[88] 微众银行同款技术!存算分离架构如何实现90%资源利用率?附Kubernetes部署代码_51CTO博客_微众银行算法 https://blog.51cto.com/u_17399412/14021905

[89] 专题|微众银行构建全栈自主的AI智算网络_金融电子化 http://m.toutiao.com/group/7521538784555516451/?upstream_biz=doubao

[90] 哈尔滨银行:基于大模型金融机构数智化知识管理系统创新实践_金科创新社 http://m.toutiao.com/group/7555714322798805556/?upstream_biz=doubao

[91] 案例 | 交通银行携手昇腾:以AI智算底座驱动金融全场景创新_金融电子化 http://m.toutiao.com/group/7546109166381728290/?upstream_biz=doubao

[92] 174页WordDeepseek大模型在银行系统的部署方案_DeepSeek_平台_业务 https://m.sohu.com/a/869726191_120299519/

[93] 北京银行如何构建全栈大模型应用体系?_京信妙笔-CSDN博客 https://blog.csdn.net/lvaolan/article/details/144064475

[94] 【AI大模型】北京银行如何构建全栈大模型应用体系?_北京银行构建大模型智能应用新体系-CSDN博客 https://blog.csdn.net/2301_81940605/article/details/142855048

[95] 北京银行:基于大语言模型驱动Agent技术的金融人工智能应用平台_金科创新社 https://www.fintechinchina.com/cases/7512

[96] 智慧银行AI大模型数字化平台规划设计方案.pptx-原创力文档 https://m.book118.com/html/2025/0725/8116126134007114.shtm

[97] 智慧银行DeepSeek大模型矩阵赋能金融业务应用设计方案(215页 WORD).docx-原创力文档 https://m.book118.com/html/2025/0704/7200153166010126.shtm

[98] 打造“工银智涌”AI技术体系，探索金融智能化新模式_金融电子化 http://m.toutiao.com/group/7551616815290663439/?upstream_biz=doubao

[99] 做金融科技“行动派”，看这家银行如何把大模型玩出新花样?_中新经纬 http://m.toutiao.com/group/7553856930624602665/?upstream_biz=doubao

[100] 第10节 大模型分布式推理典型场景实战与架构设计-CSDN博客 https://blog.csdn.net/sinat_20277079/article/details/150224711

[101] 大模型本地化部署一体机:重构金融行业智能服务生态!-得助智能 https://www.51ima.com/news/10629.html

[102] 亚马逊云代理商:大模型推理慢、部署难?亚马逊云 Inf2.48xlarge 怎么提升 AI 效率?云老大 TG @yun - 掘金 https://juejin.cn/post/7551290036614316072

[103] 金融行业大模型推理阶段如何如何通过vLLM来实现降低成本并且解决国产卡的推理延迟高、量化精度损失问题? - 问答 - twt企业IT交流平台 https://www.talkwithtrend.com/Question/475815

[104] 金证采用英特尔® 至强® CPU Max 处理器 加速 K-GPT 大模型推理 助力企业提升投资价值(pdf) https://software.intel.com/content/dam/www/central-libraries/cn/zh/documents/2024-07/24-cmf351-kingdom-utilizes-xeon-max-processors-to-accelerate-k-gpt-large-model-inference-empowering-enterprises-to-improve-investment-value-white-paper-0702.pdf

[105] 金融行业基于DeepSeek大模型推理引擎vLLM行业应用、适配算力现状与如何提升算力资源利用率同行解读 (同行共识总结) - jinhaibo - twt企业IT交流平台 https://www.talkwithtrend.com/Article/272797

[106] 智算平台赋能券商数智化转型_金融电子化 http://m.toutiao.com/group/7544952404752466466/?upstream_biz=doubao

[107] 做金融科技“行动派”，看这家银行如何把大模型玩出新花样?_中新经纬 http://m.toutiao.com/group/7553856930624602665/?upstream_biz=doubao

[108] DeepSeek-R1 深度赋能银行核心系统智能化需求分析的实践 https://www.sunline.cn/show-1804.html

[109] 174页WordDeepseek大模型在银行系统的部署方案_DeepSeek_平台_业务 https://m.sohu.com/a/869726191_120299519/

[110] 智慧银行DeepSeek大模型矩阵赋能金融业务应用设计方案(215页 WORD).docx-原创力文档 https://m.book118.com/html/2025/0704/7200153166010126.shtm

[111] 某金融银行内部基础业务引入DeepSeek大模型应用方案_融资平台利用规则引擎、搜索引擎与大语言模型等技术提升信息获取和处理效率-CSDN博客 https://blog.csdn.net/2401_85343303/article/details/146425453

[112] 金融银行业务接入DeepSeek AI大模型智能体建设方案.docx-原创力文档 https://m.book118.com/html/2025/0918/6000231214011231.shtm

[113] 2024年度上市公司数字化转型最佳实践丨北京银行:AIB人工智能创新平台_手机新浪网 https://finance.sina.cn/2024-08-09/detail-inchztua0708989.d.html

[114] 金融行业国产大模型实践案例:风控模型设计与 Prompt 优化落地_风控大模型-CSDN博客 https://blog.csdn.net/sinat_28461591/article/details/147314529

[115] 大模型智能风控解决方案—“数据+模型+场景”三位一体:让金融企业的风险无所遁形-得助智能 https://www.51ima.com/news/11448.html

[116] AI金融风控:识别欺诈，量化风险的新利器_工银星辰大模型-CSDN博客 https://blog.csdn.net/Liudef06/article/details/149267828

[117] 大模型+金融风控智能风险管理研究报告.docx - 人人文库 https://m.renrendoc.com/paper/466730608.html

[118] 江苏银行:“智慧小苏”大模型赋能风控领域数智化转型 https://www.cebnet.com.cn/20250102/102979131.html

[119] 大模型+金融风控系统可行性分析报告.docx - 人人文库 https://m.renrendoc.com/paper/468839555.html

[120] 腾讯金融风控大模型应用实践入选中国信通院AI Cloud Security典型案例-51CTO.COM https://www.51cto.com/article/803279.html

[121] 企业服务总线:重塑银行系统集成的创新引擎.docx-原创力文档 https://m.book118.com/html/2025/0925/8032142102007135.shtm

[122] Cost-Effective LLM Transaction Categorization for Business Banking https://www.zenml.io/llmops-database/cost-effective-llm-transaction-categorization-for-business-banking

[123] Efficiently Integrating Banking & Financial Transactional Systems from Mergers & Acquisitions https://avadasoftware.com/efficiently-integrating-banking-financial-transactional-systems-from-mergers-acquisitions/page/18/

[124] Efficiently Integrating Banking & Financial Transactional Systems from Mergers & Acquisitions https://avadasoftware.com/efficiently-integrating-banking-financial-transactional-systems-from-mergers-acquisitions/page/3/

[125] JPMorgan Taps OpenAI’s ChatGPT in Major AI Integration https://coingape.com/@jpmorgan-taps-openais-chatgpt-in-major-ai-integration/

[126] LLM Suite Engineering - Senior Associate Software Engineer III https://www.builtinaustin.com/job/llm-suite-engineering-senior-associate-software-engineer-iii/4364621

[127] JP Morgan Chase IT System https://www.gabormelli.com/RKB/JP_Morgan_Chase_IT_system

[128] JPMorgan Launches AI Assistant for 60,000 Employees https://www.investopedia.com/jpmorgan-launches-ai-assistant-for-60000-employees-8693103

[129] JP Morgan Adds in House AI Chatbot to Assist Analysts – Report https://www.crowdfundinsider.com/2024/07/228089-jp-morgan-adds-in-house-ai-chatbot-to-assist-analysts-report/

[130] JPMorgan Chase's LLM Suite https://www.gabormelli.com/RKB/JPMorgan_Chase%27s_LLM_Suite

[131] JPMorgan Chase Equips Employees With AI Assistant From ChatGPT Maker OpenAI https://ninepennies.com/jpmorgan-chase-equips-employees-with-ai-assistant-from-chatgpt-maker-openai/

[132] FedGPT(联邦学习 + LLM)-分布式智能的隐私长城_联邦学习llm部署-CSDN博客 https://blog.csdn.net/qq_43664407/article/details/148341281

[133] BankLLM https://github.com/Omar-Karimov/BankLLM

[134] Helix: Distributed Serving of Large Language Models https://prezi.com/p/qyo1ue-occ6w/helix-distributed-serving-of-large-language-models/

[135] Fast Distributed Inference Serving for Large Language Models https://arxiv.org/html/2305.05920v3

[136] 2024中小金融机构数字化亮点 | 中原银行基于大模型技术打造智能信贷助手，赋能信贷业务质效大幅提升_金融电子化 http://m.toutiao.com/group/7492969170536088103/?upstream_biz=doubao

[137] 科技赋能产业链金融创新，网商银行“大雁系统”入选2024南财数字金融领航者案例_手机新浪网 http://finance.sina.cn/2024-12-06/detail-incypxhf1789840.d.html

[138] 腾讯金融风控大模型应用实践入选中国信通院AI Cloud Security典型案例-51CTO.COM https://www.51cto.com/article/803279.html

[139] 网商银行2024年年报:AI大模型已在信贷和理财等场景落地应用_凤凰网财经 http://m.toutiao.com/group/7499051159844438528/?upstream_biz=doubao

[140] 助力信贷额度管理和差异化定价，大模型成金融科技创新引擎|2024中国经济年报_华夏时报 http://m.toutiao.com/group/7452963097016271399/?upstream_biz=doubao

[141] 大模型应用走向“后台”，开始深入银行信贷风控领域_华夏时报 http://m.toutiao.com/group/7356522119846478345/?upstream_biz=doubao

[142] 江苏银行在多个场景应用“智慧小苏”大模型，提升风控能力 近日， 江苏银行 透露，其在多个场景应用“智慧小苏”大模型，使得该行风控能力再次升级。这些应用包括:一是规则组件化。以往... https://xueqiu.com/1015390053/319960586

[143] DeepSeek+智能客服，中关村科金公开超30个应用场景实测结论-CSDN博客 https://blog.csdn.net/csdnnews/article/details/145686211

[144] 人工智能:AI大模型在银行智能客服的应用之壹_意图树-CSDN博客 https://blog.csdn.net/m0_59163425/article/details/148316471

[145] 智能客服能否替代人工?在金融行业的应用效果如何?从12倍效率革命到83%高净值客群坚守，解析AI替代与协同的终极博弈! | 客服服务营销数智化洞察_晓观点 https://insight.xiaoduoai.com/manage/can-intelligent-customer-service-replace-humans-what-is-the-application-effect-in-the-financial-industry-from-12-times-efficiency-revolution-to-83-retention-of-high-net-worth-customers-analyzing-the-u.html

[146] 金融行业人工智能技术应用效果评估报告.docx - 人人文库 https://www.renrendoc.com/paper/470085563.html

[147] 践行“人工智能+”战略，容联云助力消金“客服智能体”落地 https://c.m.163.com/news/a/K9LS2FR90556BXE6.html

[148] 【精选报告】智能体专题二:2025金融大模型应用与智能体建设案例集(附PDF下载)_人工智能产业链联盟-商业新知 https://www.shangyexinzhi.com/article/29234115.html

[149] 2024-2030年中国银行业大模型行业市场动态分析及发展前景研判报告_智研咨询 https://www.chyxx.com/research/1198175.html

[150] 中国银行业大模型行业市场发展现状及前景趋势与投资分析研究报告(2024-2029版) - 豆丁网 https://www.docin.com/touch_new/preview_new.do?id=4783597050

[151] 大模型与金融市场预测的融合路径 https://m.renrendoc.com/paper/439001748.html

[152] 中国银行业大模型行业市场发展现状及前景趋势与投资分析研究报告.docx-原创力文档 https://m.book118.com/html/2024/1218/5244243121012013.shtm

[153] 从“试点”到“量产”:金融大模型应用的破局与远航|金融与科技_清华金融评论 http://m.toutiao.com/group/7546205676545065482/?upstream_biz=doubao

[154] 银行业大模型行业市场发展现状及趋势与投资分析研究报告.docx - 人人文库 https://m.renrendoc.com/paper/379483726.html

[155] 大模型在商业银行中的场景应用与风险探析_《银行家》杂志社 http://m.toutiao.com/group/7521656999990395430/?upstream_biz=doubao

[156] 招商银行X通义大模型 ，2024年度AI最佳实践案例!|大模型|投研|招商银行|招行|知名企业|金融风险|阿里云_手机网易网 https://www.163.com/dy/article/JLVCOHTC0518E0HL.html

[157] 2025金融大模型应用与智能体建设案例集-228页.pdf-原创力文档 https://m.book118.com/html/2025/0730/8001015050007116.shtm

[158] 金融调研③银行拥抱大模型背后，如何拦住风险“灰犀牛”?_南方都市报 http://m.toutiao.com/group/7506360432727196194/?upstream_biz=doubao

[159] 新华资产信息管理部总经理李涛:科技赋能、智慧转型，新华资产大模型智能投研应用实践_金科创新社 https://fintechinchina.com/viewpoints/8146

[160] DEEPSEEK 大模型一体机能否颠覆金融传统业务?—— 从案例看趋势_客户_智能化_对公 https://www.sohu.com/a/890768313_255580

[161] 招商银行与阿里云携手推出AI小研，荣获2024年度最佳实践_招银_人工智能_创新 https://m.sohu.com/a/849476230_122004016

[162] 金融与AI深度融合 财跃星辰在世界人工智能大会发布三大创新成果_科创板日报 http://m.toutiao.com/group/7532465020166210063/?upstream_biz=doubao

[163] 大模型+智能金融风险控制与投资策略可行性分析报告.docx - 人人文库 https://www.renrendoc.com/paper/469263519.html

[164] 2025-2031年中国金融大模型行业市场动态分析及前景战略研判报告_智研咨询 https://m.chyxx.com/research/1213039.html

[165] FinVision:专为金融交易设计的多智能体股市预测框架_finvision: a multi-agent framework for stock marke-CSDN博客 https://blog.csdn.net/m0_70486148/article/details/144090329

[166] 2025至2030年中国金融大模型行业市场动态分析及前景战略研判报告.docx-原创力文档 https://m.book118.com/html/2025/0621/8137021101007101.shtm

[167] Finarena:基于大模型智能体的金融市场分析和预测人机协作框架-CSDN博客 https://blog.csdn.net/m0_59164520/article/details/146988163

[168] 金融大模型训练行业供需趋势及投资风险研究报告.docx-原创力文档 https://m.book118.com/html/2025/0622/5310304040012231.shtm

[169] 用大模型帮助投资!研究机构:到2029年AI投顾规模将增长600%_华尔街见闻 http://m.toutiao.com/group/7554228149975777807/?upstream_biz=doubao

[170] 大模型(LLM)在金融投资领域的应用_星火llm人工智能投资-CSDN博客 https://blog.csdn.net/2301_76161259/article/details/140354002

[171] How LLMs in Banking Enhance Fraud Detection, Risk Assessment, and Credit Evaluation https://www.pacificdataintegrators.com/blogs/llms-in-banking-enhance-fraud-detection-risk-assessment

[172] How Are Banks Using LLMs: Enhancing Fraud Detection, Risk Assessment, and Credit Evaluation https://www.investglass.com/how-are-banks-using-llms-enhancing-fraud-detection-risk-assessment-and-credit-evaluation/

[173] Can LLMs Answer Investment Banking Questions? Using Domain-Tuned Functions to Improve LLM Performance on Knowledge-Intensive Analytical Tasks https://ojs.aaai.org/index.php/AAAI-SS/article/view/31191

[174] Unleashing the Potential of LLMs in Financial Services https://www.wiz.ai/unleashing-the-potential-of-llms-a-new-era-for-financial-services/

[175] Large Language Models (LLMs) Strategy for Banks. https://revvence.com/blog/deployment-of-large-language-models-llms-in-the-uk-banking-sector?hs_amp=true

[176] LLM in Banking and Finance: Key Use Cases, Examples, and a Practical Guide https://www.shaip.com/blog/llm-in-banking-and-finance/

[177] 银行业生成式AI应用报告(2023)(pdf) https://web-assets.bcg.com/8c/45/dc4f572946c5a160f6a67963bfdf/china-generative-ai-in-banking.pdf

[178] 使用LLMs自动生成的代码进行金融和股票数据预测_基于大预言模型的金融分析工程代码-CSDN博客 https://blog.csdn.net/Everly_/article/details/144499887

[179] Generative AI in Banking: Real-Life Applications Worldwide in 2024 https://tovie.ai/blog/generative-ai-in-banking-real-life-applications-worldwide-in-2024

[180] Bloomberg GPT，专属金融领域的ChatGPT来了! https://alion.jp/posts/fbf98d60-3bf5-422d-9ab3-b1a024d77ecc

[181] NIFD 官方网站 http://www.nifd.cn/Interview/Details/4204

[182] 生成式 AI 在金融行业的公开应用(pdf) https://aws-china-media.s3.ap-northeast-1.amazonaws.com/2024-summit-session/%E7%94%9F%E6%88%90%E5%BC%8F+AI+%E5%9C%A8%E9%87%91%E8%9E%8D%E8%A1%8C%E4%B8%9A%E7%9A%84%E5%BA%94%E7%94%A8%E5%8F%8A%E6%80%9D%E8%80%83.pdf

[183] Adopting generative AI in banking: use cases and potential challenges https://innowise.com/blog/generative-ai-in-banking/

[184] 风控反欺诈核心技术:图计算与知识图谱的实战应用_风控知识图谱-CSDN博客 https://blog.csdn.net/2501_91651383/article/details/148262956

[185] 金融知识图谱 怎么生成的 - CSDN文库 https://wenku.csdn.net/answer/2x8whfzuom

[186] 金融行业知识图谱应用研究-洞察研究-金锄头文库 https://m.jinchutou.com/shtml/view-595623985.html

[187] 知识图谱构建与优化在金融知识库中的应用-洞察及研究.docx - 人人文库 https://m.renrendoc.com/paper/448509168.html

[188] 基于知识图谱的金融实体关系提取-详解洞察-金锄头文库 https://m.jinchutou.com/shtml/view-598340307.html

[189] 知识图谱在关联交易识别中的实体链接技术.docx-原创力文档 https://m.book118.com/html/2025/0622/8064005011007102.shtm

[190] AI客户运营系统如何构建金融行业知识图谱?技术方法与应用实践全解析_营销数字化管理学院 https://www.hypers.com/content/archives/10724

[191] 联邦学习在金融风控模型训练中的实践_工商银行fedchain系统数据 监管审计时间-CSDN博客 https://blog.csdn.net/2501_92477148/article/details/148697246

[192] 联邦学习在跨机构反洗钱模型中的隐私保护.docx-原创力文档 https://m.book118.com/html/2025/0616/8100055013007100.shtm

[193] 联邦学习在跨机构风控模型中的实践.docx-原创力文档 https://max.book118.com/html/2025/0807/5230333041012310.shtm

[194] 《联邦学习:打破数据孤岛，实现隐私保护下的跨机构协作》-腾讯云开发者社区-腾讯云 https://cloud.tencent.com/developer/article/2491529

[195] 联邦学习破解金融风控困局:三阶加密方案实现隐私保护零妥协 - 小码的CheatSheet https://tech.kj168168.com/2025/04/29/%E8%81%94%E9%82%A6%E5%AD%A6%E4%B9%A0%E7%A0%B4%E8%A7%A3%E9%87%91%E8%9E%8D%E9%A3%8E%E6%8E%A7%E5%9B%B0%E5%B1%80%EF%BC%9A%E4%B8%89%E9%98%B6%E5%8A%A0%E5%AF%86%E6%96%B9%E6%A1%88%E5%AE%9E%E7%8E%B0%E9%9A%90/

[196] 联邦学习与同态加密融合:破解银行风控数据孤岛困局的技术密码 https://tech.kj168168.com/2025/03/24/%e8%81%94%e9%82%a6%e5%ad%a6%e4%b9%a0%e4%b8%8e%e5%90%8c%e6%80%81%e5%8a%a0%e5%af%86%e8%9e%8d%e5%90%88%ef%bc%9a%e7%a0%b4%e8%a7%a3%e9%93%b6%e8%a1%8c%e9%a3%8e%e6%8e%a7%e6%95%b0%e6%8d%ae%e5%ad%a4%e5%b2%9b/

[197] 分布式数据与联邦学习:数字时代的隐私保护与协作创新_模型_技术_训练 https://www.sohu.com/a/881311200_121956424

[198] 独家|多家银行被要求不得过度宣传单一大模型使用情况，应聚焦“自主、自研”_科创板日报 http://m.toutiao.com/group/7494129781135524402/?upstream_biz=doubao

[199] 金融大模型回眸与展望:“奇点”时刻何时到来 -中国金融新闻网 https://www.financialnews.com.cn/2025-01/16/content_416809.html

[200] AI加速银行业数字化转型，金融科技投入破千亿 - 银行 - 优秀财经网Yxiu.Cn https://money.yxiu.cn/bank/595971.html

[201] 国家金融监督管理总局有关司局负责人就《商业银行实施资本计量高级方法申请及验收规定》答记者问_政策解读_中国政府网 https://www.gov.cn/zhengce/202411/content_6984533.htm

[202] 国家金融监督管理总局关于印发商业银行实施资本计量高级方法申请及验收规定的通知_国务院部门文件_中国政府网 https://www.gov.cn/zhengce/zhengceku/202411/content_6984541.htm

[203] 银行拥抱大模型，安全和成本问题何解?_中国经营报 http://m.toutiao.com/group/7449321086581277210/?upstream_biz=doubao

[204] 民间物议|AI重塑银行业:竞速正当时_手机新浪网 http://finance.sina.cn/cj/2025-09-26/detail-infrvnmr4928663.d.html

[205] 人工智能资讯|国内外银行大模型应用对比:智能财富助理(对外)-数字化转型网www.szhzxw.cn http://www.szhzxw.cn/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E8%B5%84%E8%AE%AF%E5%9B%BD%E5%86%85%E5%A4%96%E9%93%B6%E8%A1%8C%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%BA%94%E7%94%A8%E5%AF%B9%E6%AF%94%EF%BC%9A%E6%99%BA%E8%83%BD%E8%B4%A2/

[206] 大模型深入业务，10家国外头部企业大模型应用实践-CSDN博客 https://blog.csdn.net/2301_82275412/article/details/144154616

[207] How JPMorganChase democratized employee access to gen AI https://www.americanbanker.com/news/how-jpmorganchase-democratized-employee-access-to-gen-ai

[208] AI Leaders: JPMorgan Chase, Bank of America https://www.visive.ai/news/ai-leaders-jpmorgan-chase-bank-of-america

[209] 当华尔街遇上大模型_手机新浪网 https://finance.sina.cn/2023-08-31/detail-imzkawua8631820.d.html?vt=4

[210] 摩根大通的生成式AI发展规划有哪些阶段? https://docs.feishu.cn/v/wiki/Eo5xwXWfFiFhNBklZoecVJo6nLf/aa

[211] How Banks Can Innovate within the EU AI Act https://validmind.com/how-banks-can-innovate-within-the-eu-ai-act/

[212] How The EU AI Act Will Affect Financial Services Entities https://innovatrix.eu/how-the-eu-ai-act-will-affect-financial-services-entities/