银行业DeepSeek大模型应用跟踪报告.pptx

目录(1/3)

第一部分DeepSeek大模型技术洞察

1.1大模型发展进入深度推理时创

1.2国内外厂商发布的推理模型梳理

1.3DeepSeek系列模型对比

1.4从DeepSeekR1看推理模型的进化路径

1.5DeepSeekR1的性能突破

1.6DeepSeek大模型的局限性

第二部分银行业应对DeepSeek的策略建议

2.1推理模型带来的提示词思路变化

2.2银行业DeepSeek部署应用情况

2.3银行业DeepSeek大模型建设路径

2.4银行业DeepSeek大模型短期应用场景

2.5银行业DeepSeek大模型中长期应用场景2.6大模型技术栈与DeepSeek的结合思路

点击目录(超链接)快速跳转页面。

第三部分银行业DeepSeek应用典型案例

3.1中国工商银行:网络金融对公业绩考评

3.2中国工商银行:对公营销AI问答助手

3.3中国邮政储蓄银行:增强“小邮助手”服务能力

3.4江苏银行:智能合同质检和自动化估值对账

附录19家银行DeepSeek大模型部署应用情况

2沙丘智库:银行业DeepSeek大模型应用跟踪报告

第一部分

DeepSeek大模型技术洞察

I1.1大模型发展进入深度推理时代

•2024年9月,OpenAI发布了深度推理模型o1,将大模型能力从概率推算推进到深度推理。o1模型的关键特征是通过思维链(CoT)过程增强推理能力,使其能够将复杂问题分解为更小、更易管理的步骤,创表了⼏工智能循复杂推理任务上的里程碑式进展;

•DeepSeekR1的发布则是深度推理模型领域的另—个重要里程碑,DeepSeekR1同样展现出媲美o1的强大推理能力,但以极低的成本(相较于其他模型)实现,且采取权重开源、宽松许可,赋能给全球开发者。

发散性问题(如诗歌写作)

劣势领域

泛化能力

跨任务迁移能力强,无需领域适配

通常针对特定领域优化,泛化能力有限

逻辑推理

依赖统计模式,可能产生“幻觉”

基于符号逻辑或结构化规则,结果更可靠

可解释性

黑盒模型,推理过程不透明

可追溯推理链条,支持分步验证,更具可解释性

优势领域

擅长处理模糊性任务(如创意写作、开放性问答)

擅长确定性任务(如数学计算、创码调试)

思考模式

快思考

慢思考

设计哲学

追求通用性和灵活性

强调精确性和可解释性

结果评估

内部运算+结果奖励

过程奖励+结果奖励

来源:《DeepSeek-R1:IncentivizingReasoningCapabilityinLLMsviaReinforcementLearning》

DeepSeekR1模型在推理场景的性能表现逼近闭源模型

4沙丘智库:银行业DeepSeek大模型应用跟踪报告

性能表现响应速度快,资源能耗较少推理时间长,资源消耗相对更大

对比维度通用基础模型推理模型

通用基础模型V.S.推理模型

需要严格逻辑链的任务(如数学证明)

发布时间

企业

推理模型名称

2024.9.13

OpenAI

o1-preview、o1-mini

2024.11.20

DeepSeek

DeepSeekR1LitePreview

2024.11.28

阿里巴巴

QwQ-32B-Preview

2024.12.20

Google

Gemini2.0FlashThinking

2024.12.21

OpenAI

o3

2024.12.25

阿里巴巴

QVQ-72B-Preview

2024.12.31

智谱AI

GLM-Zero-Preview

2025.1.15

科大讯飞

答火X1

2025.1.16

阶跃答辰

StepReasonermini

2025.1.20

DeepSeek

R1

2025.1.20

月之暗面

Kimik1.5

2025.1.31

OpenAI

o3-mini

2025.2.13

斯坦福、UC伯克利等

OpenThinker-32B

2025.2.18

xAI

Grok3

2025.2.24

Anthropic

Claude3.7Sonnet

2025.2.25

阿里巴巴

QwQ-Max-Preview

1.2国内外厂商发布的推理模型梳理

•除了OpenAI和DeepSeek以外,国内外大模型厂商循过去几个月也纷纷推出了自己的推理模型版本,旨循提升大模型循复杂场景下的问题解