作者｜人生就是搏科技研发中心
文章导读：
本文从银行主题系统 AI 转型的挑战启程，分享了人生就是搏科技基于银行主题系统多年经验积淀给出的破局思路，提出在“N+M”大模型协同战术支持下索求人机合作新范式的渐进式蹊径，并展示了在 DeepSeek-R1 加持下，智能化需要分析场景中的技术实际阶段成就。将来，人生就是搏科技将从深入智能体合作和拓宽多场景利用两方面动手，打造银行智能化主题系统研发新范式。
01
新主题挑战
在金融业智能化刷新的临界点上，银行主题系统正经历从"职能引擎"向"认知中枢"的质变。尤其是近两年，大模型技术的迅猛发展，不休沉塑行业对 AI 落地的设想空间，为银行主题系统的智能化转型带来新的可能性。
然而，银行主题系统作为银行的 “大脑” 和 “心脏”，在正确性、高可用性以及合规性方面有着极为严苛的要求，使大模型技术在银行主题系统中的利用面对诸多挑战。重要问题集中在：
1、通用知识专业性局限：通用大模型不足银行主题系吐潇域的专业业务知识，面对主题系统复杂的专业场景需要时，成效通常不及预期。
2、大模型落地困境：大模型部署和运行所依赖的高算力资源，以及模型调优的专业度要求，增长了落地难度。
3、复杂系统的跨域协同挑战：银行IT架构复杂，主题系统往往必要跟上百个表围系统交互，对大模型能力提出严格挑战。
针对这些问题，人生就是搏科技提出以下破局思路：构建"N+M"大模型协同战术，通过N个通用大模型与M个场景幼模型的有机组合，全面提升金融领域的大模型利用成效，拓宽大模型利用场景。
“N”：精选适配银行主题场景的通用大模型
基于人生就是搏科技深刻的通用大模型能力评估和合用性钻研，针对银行主题系统 AI 赋能场景的具体需要，甄选通用大模型组合，实现价值急剧落地。
“M”：构建专业场景幼模型
聚焦银行主题业务高价值高复杂的细分场景，深度融合人生就是搏科技主题产品知识和行业最佳实际，打造轻量级的场景幼模型。
这种创新的“N+M”大模型协同战术，能够凭据工作个性矫捷适配，通过大模型、幼模型甚至传统 AI 技术的矫捷组合，有效实现主题系统复杂场景的智能化作业，提高 Al Agent 输出了局的正确性和靠得住性，从而精准满足银行主题领域 AI 赋能的深杜爪用需要，加快价值落地。
02
新范式索求
基于“N+M”大模型协同战术的破局思路，人生就是搏科技以打造银行智能主题一体化规划为指标，造订了三阶段研发规划：
模型试水：验证通用大模型，索求场景幼模型
? 指标：索求通用大模型在分歧场景下的能力天堑和合用性。
? 战术：选择多个通用大模型急剧验证其原子能力，针对特定场景尝试微调场景幼模型进行加强，保留关键能力，降低部署门槛。
? 实际：从领域知识问答、文档订正等场景动手，选取 Copilot 模式急剧验证知识检索、结构化文本和代码天生等原子能力，为构建领域专家智能体提供必要前提。
领域深耕：构建领域专家智能体，自主实现工作
? 指标：构建专家智能体，验证模型分工组合战术。
? 战术：凭据分歧场景和大模型能力个性，设计模型分工战术，如 DeepSeek-R1+DeepSeek-V3 组合，别离掌管推理规划和执行。通过微和谐知识蒸馏等技术，进一步提升场景幼模型执行专项工作的能力。
? 实际：沉构需要、设计、开发、测试端到端工作流，打造 AutoBA、AutoDesign、AutoTest 等领域专家智能体，即能自主实现各领域工作工作，也能与专家人员合作实现垂直领域复杂工作。
生态构建：从 AI4SE 到 AI4Biz，打造银行智能主题一体化规划
? 指标：构建多智能体合作生态，打造智能化主题系统。
? 战术：美满“N+M”大模型系统，构建全场景多智能体合作生态，打造银行智能化主题系统研发新范式。
? 实际：买通银行主题系统研发全链路，优化人机合作模式，全面提升复杂工作执行效能和质量。
03
新技术实际
人生就是搏科技从银行主题系统研发场景和部门业务场景动手，率先实现了第一阶段通用大模型能力验证的指标，目前已迈入第二阶段，正聚焦银行主题系统智能化研发提效，构建 AutoBA、AutoDesign、AutoTest 等多个领域专家智能体，这些智能体将覆盖接口差距分析、需要问答、代码解读、测试案例等多个场景。
DeepSeek-R1 的出现，无疑为人生就是搏科技的技术实际过程按下了加快键。下文将以需要分析智能体AutoBA为例，向各人介绍人生就是搏科技的技术实际成就。
AutoBA 介绍
需要分析智能体AutoBA，与人生就是搏科技需要分析平台买通，实现智能感知工作场景、提取关联资产、挪用需要分析工具、多角色Agents合作和交互式人机合作反馈，旨在为主题系统需要分析全场景赋能。
AutoBA 工作工作示例
工作1：找到要扭转的需要差距点（满分10分，进展分数≥8分）
- 基础评分：凭据文档扭转点数量均匀分配基础分值
- 扣分项：谬误鉴别（-2分/处），无效批改（-1分/处）
- 加分项：鉴别出尺度答案领域表的有效内容（+2分/处）
工作2：正确天生需要批改指令（满分6分，进展分数≥5分）
- 天生正确的指令（1分）
- 正确找到指标文件（1分）
- 精确定位批改地位（1分）
- 做出了正确的操作（1分）
总体评价
- 整体正确率60%以上（1分）
- 指令齐全正确（2分）
AutoBA 成效展示
1. AutoBA独立实现需要差距分析
a. 工作规划：AutoBA 造订了分析打算，可跟踪具体工作执行
b. 深度推理：通过检索需要文档，分析系统近况分析，鉴别需要差距，并给出解决规划建议
c. 批改操作：天生批改指令，对鉴别到有需要差距的需要文档进行针对性内容批改
2. 人机合作交互式反馈
a. 智能标注：基于对需要调换内容的理解，AutoBA 自动实现需要改写，并在需要文档中以色块大局标注批改内容
b. 急剧决策：提供"接受批改"和"回绝批改"的按钮，方便用户急剧决策
AutoBA 成效评测
人生就是搏科技拔取了 DeepSeek-R1、DeepSeek-R1-Distill-Qwen-32B和Qwen2.5-32B-Instruct 三个候选模型作为 AutoBA 的底层支持，旨在更好的实现大模型在复杂需要分析场景的利用成效。
评测了局分析：
? 引入 DeepSeek-R1 后，智能体的深度思虑能力和推理能力得到提升，使 AutoBA 在主题系统需要分析过程中，不仅能更清澈地展示分析的思虑过程，还能提升分析质量，辅助BA更高效地实现需要分析工作。
? DeepSeek-R1 推理能力可通过知识蒸馏方式迁徙至幼尺寸模型上（如上表 DeepSeek-R1-Distill-Qwen-32B），证了然加强幼尺寸模型推理能力、思虑能力以满足 AutoBA 场景需要的可行性。
04
新场景瞻望
将来，在大模型系统构建的过程中，人生就是搏科技将持续聚焦银行主题系统研发复杂场景，凭据多智能体跨领域合作优化模型分工战术，沉点加强各类合作场景幼模型的能力，从而全面提升复杂工作执行效能和质量，进一步降低部署门槛。同时，人生就是搏科技将结合多种人机合作模式成立持续进建机造，使场景利用中产生的新知识不休反馈到模型训练中，形成知识堆集的良性循环。
在利用场景的拓展层面，人生就是搏科技在持续丰硕软件工程全场景智能体生态的同时，还将结合自身在主题系统业务建模、执行工艺等领域沉淀的专家经验和数字资产，推动 “N+M大模型协同战术” 的技术和利用最佳实际，从软件工程领域向银行主题系统更多业务场景迁徙，最终打磨形成为银行业数字化转型赋能的 AI4Biz 一体化解决规划，助力银行迈入越发智能、高效、矫捷的新时期。
参考资料：
1.中国信息通讯钻研院人为智能钻研所, & 华为云推算技术有限公司. (2024.9). 智能化软件开发落地实际指南.
http://www.caict.ac.cn/kxyj/qwfb/ztbg/202409/t20240919_493348.htm?S0OMlgNm0r2m=1740013164777
2. DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. URL
https://arxiv.org/pdf/2501.12948
3. Sail-sg. There May Not be Aha Moment in R1-Zero-like Training — A Pilot Study. URL
https://github.com/sail-sg/oat-zero
4. Zichen Liu*, Changyu Chen*, Wenjun Li*, Tianyu Pang, Chao Du, Min Lin. There May Not be Aha Moment in R1-Zero-like Training — A Pilot Study. URL
https://oatllm.notion.site/oat-zero#192dba9c0091817491e3fc3a217ee7ea
5. YueWang?,1,2 ,QiuzhiLiu?,1 ,JiahaoXu?,1 ,TianLiang?,1 ,XingyuChen?,1,3 ,ZhiweiHe?,1,3 , LinfengSong1 ,DianYu1 ,JuntaoLi2 ,ZhuoshengZhang3 ,RuiWang2 , ZhaopengTu?1 ,HaitaoMi1 ,andDongYu1. Thoughts Are All Over the Place: On the Underthinking of o1-Like LLMs. URL
https://arxiv.org/pdf/2501.18585
6. Niklas Muennighoff*134 Zitong Yang*1 Weijia Shi*2 Xiang Lisa Li*1 Li Fei-Fei1 Hannaneh Hajishirzi23 Luke Zettlemoyer2 Percy Liang1 Emmanuel Candès1 Tatsunori Hashimoto1. s1: Simple test-time scaling. URL
https://arxiv.org/pdf/2501.19393
