深圳金融创新大赛展示第1期:招商银行打造全栈自研大模型技术体系,树立行业数智化转型新标杆(一等奖项目)

项目构建了自主可控的大模型全栈技术体系，在基础设施、模型、应用均取得积极成效。基础设施方面，通过多项底层技术创新，实现计算核心利用率、单卡Token吞吐达业界领先水平；模型方面，持续优化主流开源通用模型性能，自主研发数十个垂直领域专精模型。

同时推动大模型场景建设，在批发、风险、运营、研发等全业务领域，数百个高价值场景集成AI能力，显著提升办公效率与客户体验。这一成果不仅展现了招商银行在金融科技领域的创新能力，也为金融行业贡献了大模型落地的工程化路径与标杆案例。

在AI技术一日千里的发展浪潮中，金融业正迎来前所未有的变革机遇。国家在《关于深入实施“人工智能+”行动的意见》中指出，人工智能将“重塑人类生产生活范式，促进生产力革命性跃迁和生产关系深层次变革”。金融业作为数据密集型行业，其数字化、智能化转型已从“选择题”变为“必答题”。在此背景下，招商银行提出“AI First”战略，协同推进大模型全栈自研技术体系与场景建设工程两条主线，实现技术优势全面转化为业务价值，全力推进数智招行建设。

招商银行通过自主研发和深度技术创新打造大模型全栈技术体系。

基础设施层，基于全栈自主研发，建成“功能、性能、效益”全面领先的大模型基础设施。

• 功能上，打造金融级异构卡智算云底座、基于异构卡的低延迟、高效率的推理平台和支持Agentic RL集群化训练的平台；

• 性能上，自研推理、训练框架实现全场景推理性能提升50%+，向开源项目贡献关键特性40个，招商银行也因促进行业技术生态发展获得两大主流开源项目的维护者资格（Maintainer）；

• 效益上，Token处理成本为主流公有云厂商的70%。

模型层，构建通用模型与领域专精模型的模型矩阵，实现质量、效率与安全的动态平衡。

• 开源通用模型方向，累计部署40余个前沿模型，覆盖多模态、多尺寸，通过算子优化提升推理性能，并率先解决DeepSeek、Qwen等模型异构算力卡适配问题；

• 领域专精模型方向，深度改造结构，自研落地60余个领域模型，覆盖客户服务、客户经营、中后台及研发领域，显著提升准确性与性能。

应用层，打造了业技协同最广泛、深入、高效的工具体系。

• 通过规划优化减少55% Token消耗、上下文压缩提升会话轮次3倍、工具执行并行耗时降低13%，Agent开发能力领先；

• 构建最广泛的业务技术协同模式，覆盖超1.2万名用户，业务人员占比超40%；

• 依托数据、模型、测评工具链建立高效迭代飞轮，应用周期缩短至8天。

通过大模型全栈自研技术体系，招商银行将技术优势全面转化为业务价值，推动大模型从技术创新走向业务一线，实现“技术开花、场景结果”的深度融合。

截至目前，已在零售、对公、风控、运营、办公等多个核心业务板块落地八百余个应用场景，覆盖知识问答、报告处理、风控合规、资料审核、研发等关键环节，全面提升员工效率、降低工作门槛、优化客户体验。

以研发场景为例，招商银行自研了“研发智能体DevAgent”，它是“感知－规划-执行-反馈-进化”多轮交互ReAct模式的研发智能体，可根据用户编程现场环境感知、企业研发知识检索等工具，以开发者的业务目标驱动，提供任务级功能需求的开发能力，具备跨文件、大片段代码生成的能力。目前，研发智能体DevAgent每月完成超过4.8万个开发任务，成为开发者提质增效的一大利器。

除此之外，还有更多业务领域正在广泛应用大模型。

• 在零售业务，“投研小助”为客户经理提供投研视角的量化分析和智能化产品筛选，将原需分析1000+指标的过程压缩至3分钟内快速出结果，研报资讯整理由2小时以上降至10分钟。

• 批发业务中，“火眼助手”为总分行数字化人员和客户经理辅助指标查询、数据分析和名单检索，降低取数和分析门槛，高频数据查询由10分钟缩短至20秒……

从“可用”到“好用”，大模型技术已深度融入招商银行业务生态，成为推动金融智能化转型的核心引擎，真正实现技术价值与业务价值的双向赋能。

为更好地衡量智能化价值，招商银行还创新性提出量化经济收益和量化经济成本概念，从银行和客户的两个视角，以人效提升、采购替代、风险控制、业务增长等7个维度进行度量，从人力、硬件等方面度量成本，建立了以成本收益比为牵引的财务视角度量体系，指导资源流向高价值场景，全行高价值场景智能化覆盖率超70%，率先进入价值创造的可持续发展模式。

展望未来，招商银行将坚定不移地推进“AI First”战略，持续探索金融科技的前沿领域，深化大模型技术在金融场景中的应用，推动金融行业数智化转型迈向更高水平。