DeepSeek银行部署加速，AI金融应用迎来跃迁.pptx

2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。

3目录CCONTECONTENTS1DeepSeek开源、低成本、强推理助推银行业应用

图表：随步数提升R1-Zero的AIME任务准确度资料来源：DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsviaReinforcementLearning，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：深度思考能力提升资料来源：DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsviaReinforcementLearning，DeepSeek-R1-Zero的能力随步数提升DeepSeek-R1-Zero自然涌现long-CoT能力4

图表：DeepSeekR1架构图资料来源：DeepSeek，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训练方法资料来源：木尧，5

图表：DeepSeekDAU快速增长资料来源：AI产品榜，图表：闭源模型与开源模型的差距正在缩小资料来源：EpochAI，开源易获得：DeepSeek使私有化部署模型也能够追平前沿闭源模型水平? 以DeepSeekR1为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源80%以上能力，就足以压缩闭源的生存空间。DeepSeek能力能够比肩OpenAIo1，开源使各行业机构能够轻松获取前沿模型能力，且可直接进行私有化部署或商业化开发。6

图表：DeepSeekR1成本与理论收入资料来源：DeepSeek，成本：DeepSeek低价策略下理论成本利润率依旧可达545%，部署成本极低? DeepSeek理论成本利润率极高，成本还有优化空间。通过优化，能够在白天负荷高的时候，用所有节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。以2025年2月27-28日数据为例，DeepSeekV3和R1推理服务占用节点总和，峰值占用为278个节点，平均占用226.75个节点（每个节点为8个H800GPU）。假定GPU租赁成本为2美金/小时，总成本为$87,072/天。如果所有tokens全部按照DeepSeekR1的定价计算，理论上一天的总收入为$562,027，成本利润率545%。图表：DeepSeek服务负荷统计7资料来源：DeepSeek，

性能：开源QwQ-32B性能比肩满血R1，再次降低部署成本? 阿里近期开源的QwQ-32B模型基于320亿参数规模，在数学推理、代码生成及通用任务中表现亮眼，综合性能对标DeepSeek