江苏银行已应用DeepSeek大语言模型

中央金融工作会议指出，要做好数字金融大文章。发展数字经济和数字金融已成为推动银行业数字化转型、拥抱新一轮科技革命的重要途径。近日，随着国产大模型DeepSeek崛起，其推出的一系列大模型，以极低成本实现了卓越的性能表现。江苏银行主动融入数字经济发展浪潮，依托“智慧小苏”大语言模型服务平台，成功本地化部署微调DeepSeek-VL2多模态模型、轻量DeepSeek-R1推理模型，分别运用于智能合同质检和自动化估值对账场景中，通过对海量金融数据的挖掘与分析，重塑金融服务模式，实现金融语义理解准确率与业务效率双突破，为业务发展注入强劲动力。

江苏银行于2023年率先研究并开发出行业级大语言模型服务平台“智慧小苏”，通过构建基础设施层、工具层、模型层、服务层与应用层五层架构，做到高度自主可控与定制化。“智慧小苏”依托行业领先的大模型底座，具备文本、图像、代码、语音等灵活可扩展的生成能力，集成的多种单一领域模型，在各特定场景下表现优异。

此次通过引入DeepSeek大语言模型，“智慧小苏”在复杂多模态、多任务场景处理能力、算力节约、效能等方面得到进一步提升。DeepSeek-VL2多模态模型，能够同时处理文本、图像、语音等多种数据类型，较单一领域模型部署节约了算力成本，为进一步解决金融领域复杂的多模态场景问题（如票据识别、合同解析等）提供了技术基础；DeepSeek-R1模型，在模型规模和性能上具备显著优势，为处理复杂任务（如风险评估、投资分析）和生成高质量文本（如报告撰写、合规审查）提供更优解决方案。结合DeepSeek的模型特性，江苏银行“智慧小苏”应用在不同场景实现智能化创新：

运用多模态模型实现合同质检智能化，筑牢企业信贷防火墙。“智慧小苏”通过DeepSeek-VL2多模态模型的细粒度文档理解能力解决了传统模型在非制式合同中存在合并单元格、跨页表格等多结构表格内容识别准确率不足、精度局限的问题，将嵌套表格、手写体混合排版等复杂场景的识别成功率提升至领先水平。通过创新的多模态技术与混合专家框架，识别综合准确率跃升至96%，较传统方案提升12个百分点。利用识别结果结合外部数据等方式智能检测校验合同信息，对风险较高的交易提前发出预警，有效防范潜在的信贷风险。利用DeepSeek模型优化后，识别及预警响应速度提升20%，有效防范潜在的信贷风险，助力分支行更高效地完成受托支付合规性审核。

运用推理模型实现托管资产估值对账自动化，优化流程提质增效。“智慧小苏”通过轻量化DeepSeek-R1推理模型引擎的高效计算特性完成资产托管估值信息自动化解析录入、自动化对账。传统资产托管估值对账依赖人工处理每日超2000封差异化邮件，对TA信息、交易信息、估值信息等区分后手工录入比对，存在录入工作量大、对账异常回溯困难等问题。江苏银行应用R1推理模型，结合邮件网关解析处理能力，实现邮件分类、产品匹配、交易录入、估值表解析对账全链路自动化处理，识别成功率达90%以上，目前已初步实现业务集中运营，按照平均手工操作水平测算，每天可节约9.68小时工作量。

江苏银行持续探索大模型技术在金融场景的应用，在智能客服、智慧办公、数据治理、风险防控等领域都有领先的创新实践，已落地近二十个场景，为客服坐席、客户经理、研发运维人员释放大量生产力。未来，江苏银行将紧紧围绕做好“数字金融”这篇大文章，持续推动数智化转型，积极拥抱大模型带来的变革，不断创新金融服务模式，打造更具竞争力的智慧金融生态，更高效、更智能地服务实体经济。

本文源自：金融界