大模型技术发展与应用 - 大模型技术快速发展，性能显著提升，DeepSeek模型的发布降低AI创新门槛，推动金融行业从基础模型转向应用创新 [1] - 金融行业正密集研发适应各类业务场景的智能体应用，呈现百花齐放局面，但应用效果分化明显 [1] - 金融场景应用需满足高准确性和优质用户体验，面临多重挑战 [1] 腾讯云大模型战略与实践 - 腾讯践行"AI in ALL"战略，将混元/DeepSeek模型能力拆解为可复用的"AI能力原子化"，嵌入全场景业务矩阵 [3] - 提出"云-数-模-应用"飞轮模型：云提供智算底座，数据湖为模型增强提供原料，四大板块驱动AI跨越数据和场景鸿沟 [5] - 腾讯金融云整合B端技术能力和C端生态，形成金融机构全方位合作解决方案 [5] 腾讯云金融行业AI解决方案 - 提供从智算底座到AI应用的全栈能力，包括智算底座TCE、大数据平台TBDS、混元大模型和一站式训推平台TI [8] - 智能体开发平台TCADP支持RAG、工作流和agent模式，集成外部工具和金融场景插件，快速构建金融Agent [9] - C端提供AI原生应用如超级应用元宝和个人知识库ima，知识库广场拥有超1000万篇公开知识 [10] 金融大模型应用场景 企业知识库场景 - 金融行业面临知识碎片化、检索效率低和安全合规风险高等挑战，腾讯乐享企业知识库解决方案推动知识整合 [12] - 支持混元与DeepSeek双模驱动，30多种多模态格式，多级分类管理，解决知识零散难题 [15] - 长生人寿基于乐享上线"AI-长小生"，落地企业知识库、AI小助手和AI陪练三大智能场景 [13] 信贷尽调助手 - 银行信贷经理人工编写尽调报告需2-3周，大模型信贷尽调助手将周期压缩至1小时，效率提升10倍 [19][20] - 报告生成采纳率超93%，支持对公信贷细分场景，形成"信贷智能体"覆盖贷前、贷中、贷后全流程 [20] - 解决RAG技术性能瓶颈和幻觉效应，通过后训练/全参数微调提升准确率 [19] 保险代理人助手 - 个险代理人团队面临工作负荷高、信息碎片化等痛点，AI助手优化全天工作流程 [24] - 支持多种文档输入、意图识别、KV提取和风险分析，分钟级生成保障思路和保险计划 [24][25] - 代理人可从低价值重复工作中解放，专注客户经营和学习提升 [26] 金融舆情应用 - 大模型技术实现舆情事件发现效率提升30倍，报告生成时效压缩至15分钟 [29] - 采用混元专项增训舆情大模型与DeepSeek双模驱动，赋能投研分析、风险监控等领域 [29] - 联合行业专家沉淀高质量舆情数据，拓展音视频及海外数据源处理能力 [29] 金融风控实践 - 腾讯积累丰富黑产和欺诈数据，形成全知识、全模型和全特征输入训练风控大模型 [32] - 风控大模型支持基于少量样本快速适配新场景，区分度提升20% [33] - 通过自监督和半监督学习完成训练，记忆信息多，掌握以往模型和特征全貌 [33] Data+AI未来趋势 - Data+AI从"单点技术突破"迈向"产业深度重构"，数据治理与AI开发需整体规划 [36] - 三大趋势：智能化管理挖掘数据价值、一体化存储打破数据孤岛、私域数据创造高价值 [37] - 腾讯金融云Data+AI解决方案支持结构化、非结构化及向量数据统一存储，简化架构提升效率 [40]