DeepSeek银行部署加速，AI金融应用迎来跃迁.pdf

核心观点

◼DeepSeek开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方

法的工程化优化大幅降低了部署成本。近期采用大规模RL训练方法的阿里QwQ-32B等模型也在缩小规模的同时达到了

DeepSeekR1671B的应用效果，有望进一步催生银行落地应用。

◼我们认为金融行业人工智能的应用价值大体可以分为三个层次：降本增效，价值创造与决策赋能。在实际银行落地应用

中，可能包括：1）降本增效：智能客服、信贷审批、合同质检；2）价值创造：AI编程、智能风控、智能营销等；3）决

策赋能：深度分析和决策辅助。

◼从实际落地应用情况看，大行发力更早，中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早，

邮储银行、浦发银行、江苏银行等也有较为领先布局应用。AI一体机的出现为机构提供了全新的解决方案，凭借其开箱

即用、软硬件一体化设计等优势，正在成为很多中小银行智能化转型的重要选择。

◼建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。

◼风险提示：AI技术落地不及预期、竞争加剧、信息更新不及时等。

2

目录

DeepSeek开源、低成本、强推理

CCONTE

1助推银行业应用

CONTENTS

3

性能：后训练阶段大规模应用强化学习，表现推理能力扩展

◼DeepSeek模型在Post-Train阶段大规模应用了强化学习方法。R1使用了冷启动+大规模强化学习方法，R1-Zero版本模

型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和long-CoT能力涌现等）。

图表：随步数提升R1-Zero的AIME任务准确度图表：深度思考能力提升

DeepSeek-R1-Zero的能力随步数提升DeepSeek-R1-Zero自然涌现long-CoT能力

资料来源：DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsvia资料来源：DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsvia

ReinforcementLearning，ReinforcementLearning，

4

性能：DeepSeek推理架构优化，可适配银行高并行、高响应的业务场景

◼DeepSeek通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。它在MoE架构的基础上，

通过多头潜注意力机制（Multi-HeadLatentAttention，MLA）进行优化；在后训练阶段采用冷启动+大规模强化学习方

式，不再使用传统SFT做大规模监督微调，甚至绕过了一些CUDA，采用PTX汇编来提升能力；在推理场景下通过大规模

跨节点专家并行（ExpertParallelism，EP）来优化通信开销，尽可能实现负载均衡。

图表：DeepSeekR1架构图图表：DeepSeekR1训练方法

资料来源：DeepSeek，资料来源：木尧，

5

开源易获得：DeepSeek使私有化部署