易鑫Agentic，AI落地汽车金融！300亿参数模型

黄仁勋说Agent将创造100万亿美元。易鑫用Model+Harness的硬核组合，把这一预言提前落地汽车金融，效率革命已悄然拉开帷幕。

大模型在垂直行业的落地，正迈入深度融合的新阶段。

过去一年，大模型概念在各行各业加速渗透。作为公认「最具AI潜力」的垂直领域，金融行业展现出了极高的敏锐度与行动力。

行业数据显示，金融行业成为大模型技术落地的核心战场，全球近半数金融机构已积极引入大模型。

尽管目前大模型在核心业务环节的应用仍不足10%，但这恰恰意味着一个超过90%的蓝海市场正等待行业去开拓。

巨大潜能的背后，同样伴随着极高的落地门槛。

金融业务兼具复杂性与专业性：获客线索来源多且分散，单笔融资额从数万到数十万不等，业务周期普遍超过20天，所需材料最多可达60余种，涉及15+关键决策节点，业务路径组合可达数万种，且存在正向与逆向反复决策过程。

面对这种复杂、动态的业务链路，缺乏业务根基的通用大模型或简单的「套壳」应用，往往只能停留在业务外围。

它进不了预审、碰不到风控，更摸不透资金链路，难以创造真正的价值。

行业真正亟需的，从来不是只会泛泛而谈的AI百晓生，而是一个懂业务、能干活、守规矩的专属AI解决方案。

在此背景下，作为国内规模领先、AI驱动的金融科技平台，易鑫依托10余年行业深耕经验，推出了一套深度适配汽车金融场景的Agentic AI解决方案，为行业破局提供了可行路径。

（易鑫是一家AI驱动的金融科技平台，2017年在香港上市，2025年成为港交所科技100指数成员。目前年交易额已达到约750亿元人民币，全球拥有员工5000多人，核心产品为Agentic AI解决方案，深度赋能汽车金融全链路。）

易鑫Agentic AI = Agentic Model + Harness

易鑫Agentic AI解决方案的底层逻辑，源于一个核心公式：

Agent=Model+Harness

Model与Harness相辅相成，缺一不可。

大模型具备强大的理解、推理与生成能力，但在业务应用中存在很大的局限性：

Harness则是弥补Model局限性的关键。

作为连接模型与应用的中间层框架，Harness的核心价值在于两件事：

二是给模型划好规矩、守住底线，把不确定的概率性输出转化为确定的业务结果。

Model提供智能潜力，Harness提供执行标准。

基于这个逻辑，易鑫推出了行业首个专属的Agentic大模型XinMM-AM1，并配套设计了全面的Harness AI Infra（Harness Framework）和三层Harness体系。

这两者的结合，正如易鑫CTO贾志峰所言，「Agentic基础模型和Harness AI Infra，是金融垂直行业真正把Agent用起来的两个轮子，缺一不可。」

轮子一：专为汽车金融打造的Agentic大模型——XinMM-AM1

XinMM-AM1绝非通用模型的简单套壳，而是在业务实践中打磨而成的专属模型。

极高的工程效率：参数量约为300亿，单卡吞吐可达370 tokens/s，响应延迟低于200ms，可支持语音实时交互，完全匹配汽车金融一线业务的高效需求。

优质的专有数据：拥有超过15T tokens的训练语料，且绝大部分来自易鑫真实、多元的汽车金融业务场景，让模型更懂行业痛点，更贴合业务实际。

四大核心能力：全渠道互动、全模态感知、全局协同决策和全量安全合规，全方位覆盖汽车金融从渠道到资管的全链路需求。

轮子二：基于人机协同的Harness AI Infra和三层Harness体系

为了让Agent真正走进业务流程，易鑫设计了全面的Harness Framework和三层Harness体系（人类驾驭层、Agentic驾驭层、数据驾驭层）。

这相当于Agent的「手脚」与「运行规则」，可使AI赋能的业务安全合规、全链可审计、低成本维护更新。

Agentic驾驭层：根据模型能力边界和人类特长进行动态混合编排。一旦大模型出现「幻觉」或试图做出违规承诺，系统能在毫秒级触发熔断机制，瞬间切换至人工干预链路。

数据驾驭层：打通人与AI的操作数据，通过人类示范修正模型能力边界，相关数据反哺模型训练，这不仅放大了人与AI各自的优势，还推动模型持续进化，Harness逐渐变轻。

易鑫「Model + Harness」如何重塑核心业务？

「Model + Harness」的协同效应，充分释放了易鑫Agentic AI解决方案的核心价值。

从前端智能进件，到中端风控决策，再到后端融后服务，易鑫Agentic AI解决方案，不再是孤立的单点应用，而是覆盖汽车金融全链路的一站式AI智能服务解决方案。

那么，从概念到落地，易鑫Agentic AI解决方案究竟如何通过「Model + Harness」赋能核心业务？

场景化应用案例一：风控和反欺诈前置，构建全链路风险屏障

传统汽车金融风控多在客户提交资料后进行风险拦截，主要依赖静态征信信息与人工审批。

易鑫Agentic AI采用全链路风险管控模式，不仅将风控节点前置，还可以处理语气、语速、情绪波动等非结构化数据，实现风险的动态识别与实时拦截。

渠道线索即时核验：客户留资后，XinMM-AM1会立即调用渠道风险识别工具，核查渠道和线索的真实性和质量，并迅速判断线索跟进的优先级。

声纹检测识别风险：确认线索后，XinMM-AM1自动调用外呼Agent致电客户，并实时调用声纹检测工具，与历史声音风险库比对，捕捉高风险信号（如通过声纹匹配发现客户为历史黑名单客户）。

场景化应用案例二：一次对话即办理，告别沟通「拉锯战」

在传统流程中，客户常需要与信息采集、产品推荐、风控验证等多个环节重复对接，导致流程割裂与重复，同时影响审批效率与客户体验。

易鑫Agentic AI通过多模态实时交互与跨模块协同，在一次交互中完成联动和业务目标。

Example:

而XinMM-AM1能够通过实时情绪分析，识别语调升高、语速加快等细微变化，进而判断出语义背后隐藏的不耐烦、催促等负面情绪。

基于此判定，XinMM-AM1会自适应调整为安抚性话术或主动转换话题，从而更好地贴合客户情绪，实现高效沟通。

信息采集与方案推荐：在交互过程中，XinMM-AM1能引导客户提供进件信息和电子授权，并自动完成进件信息的采集。同时，XinMM-AM1能实时联动产品与风控模块，根据资质推荐最优金融方案，在一次对话中完成信息录入和方案匹配。

数据闭环与模型进化：人类处理复杂情绪、疑难问题、棘手案例的操作数据，同步反哺至XinMM-AM1的训练，形成「AI助人，人教AI」的闭环。

英伟达CEO黄仁勋曾预言：未来的主流极有可能是Agent，新兴的AI技术（如Agent和机器人等）将会创造100万亿美元的价值。十四届全国政协委员、科技部原副部长李萌则指出，从大模型到Agent，是AI向生产力落地的必然路径，金融Agent更是撬动金融新质生产力的有力工具。

宏观趋势已然清晰，关键在于如何落地。易鑫通过Agentic大模型与Harness的结合，让AI真正应用于真实、复杂、充满变数的汽车金融场景。

汽车金融的效率革命已拉开序幕，而这，正是易鑫给出的答案。