银行业DeepSeek大模型应用跟踪报告

大模型发展进入深度推理时代：OpenAI的GPT-o和DeepSeek的R1标志着大模型进入深度推理时代，通过思维链（CoT）增强推理能力，解决复杂问题。
国内外厂商发布的推理模型梳理：多家厂商发布推理模型，如OpenAI的o1系列、阿里巴巴的QwQ系列、Google的Gemini系列等，预计未来发布和迭代速度将加快。
DeepSeek系列模型对比：DeepSeek系列包括通用基础模型V3（671B参数）、满血版推理模型R1（671B参数）、6个蒸馏版推理模型（1.5B-70B参数），满足不同场景需求。
从DeepSeek看推理模型的建设与优化思路：三种思路：纯强化学习（RL）、监督微调+强化学习（SFT+RL）、监督微调+蒸馏（SFT+蒸馏），SFT+RL效果更优。
DeepSeek R1的性能突破：在知识类任务、指令遵循与写作、数学与编程等场景表现突出，尤其在FRAMES长上下文依赖的问答任务中表现出色。
DeepSeek大模型的局限性：缺乏企业级安全防护能力、存在幻觉问题、蒸馏模型存在局限性、安全和隐私问题、生态系统和社区薄弱、企业适配成本高。

推理模型带来的提示词思路变化：提示词更简洁，避免无效提示，直接抛出复杂问题，减少主观引导。
银行业DeepSeek部署应用情况：19家银行部署DeepSeek大模型，大部分选择本地化部署，以R1蒸馏版32B和70B居多，应用场景主要集中在增强原有大模型应用。
银行业DeepSeek大模型建设路径：大型银行建议本地化部署R1，利用CoT Prompting和RAG/Agent方式，短期内不做SFT；中小银行建议接入DeepSeek R1 API探索应用。
银行业DeepSeek大模型短期应用场景：升级原有大模型应用解决方案，如知识问答助手，利用DeepSeek生成追问和高质量长文本问答结果。
银行业DeepSeek大模型中长期应用场景：推动大模型应用场景向决策类迈进，如异常交易监测、动态风险定价、事件驱动的投资决策等，但需与人类专家形成互补。
大模型技术栈与DeepSeek的结合思路：本地化部署大模型技术栈的银行，按需选择DeepSeek系列模型，支持业务API调用，强化金融领域大模型效果，探索二次训练和精调。

中国工商银行：网络金融对公业绩考评，基于DeepSeek R1实现业绩数据一站式收集、智能评价和精准推送；对公营销AI问答助手“天枢百问”，深度融合DeepSeek R1的推理和知识检索能力。
中国邮政储蓄银行：增强“小邮助手”服务能力，引入DeepSeek V3和轻量DeepSeek R1推理模型，新增逻辑推理功能，提升精准服务效能。
江苏银行：智能合同质检和自动化估值对账，本地化部署微调DeepSeek VL2多模态模型和轻量DeepSeek R1推理模型，分别应用于智能合同质检和自动化估值对账场景。