银行的“DeepSeek时刻”：信贷审核等场景已搭上AI快车

　　“我行已成功本地化部署微调DeepSeek-VL2多模态模型、轻量DeepSeek-R1推理模型，分别运用于智能合同质检和自动化估值对账场景。”江苏银行人士说。

　　“应用DeepSeek-VL2多模态模型，将信贷材料综合识别准确率提升至超97%，信贷审核全流程效率提升了20%。”苏商银行人士表示。

　　近日，多家银行成功本地化部署DeepSeek大模型，应用于智能合同管理、智能风控、资产托管与估值对账、客服助手、智库等多个场景。业内人士认为，DeepSeek的面世有助于中小银行缩小与大型银行在大模型应用方面的差距。大型银行在资源投入、生态系统构建及数据积累上的优势依然明显，中小银行在短期内难以赶超。

　　此外，银行在探索大模型应用之际，还面临着数据安全、隐私泄露、合规挑战、场景适应性不足等多重风险。因此，如何平衡技术进步与风险防控，已成为金融机构在运用人工智能技术过程中必须正视的议题。

　　DeepSeek-VL2多模态模型能同时处理文本、图像、语音等多种数据类型，较单一领域模型部署节约了算力成本，为进一步解决金融领域的多模态场景问题，如票据识别、合同解析等提供了技术基础。DeepSeek-R1模型则在模型规模和性能上具备优势，能够针对风险评估、投资分析等复杂任务，以及报告撰写、合规审查等高质量文本生成需求，提供更加出色的解决方案。

　　多家银行已实现DeepSeek系列大模型本地化部署，应用场景包括智能合同管理、智能风控、资产托管与估值对账、客服助手、智库等。此外，还有股份行表示，正在对DeepSeek系列大模型进行测试，评估其降本增效作用。

　　在谈及使用体验时，多家已部署DeepSeek系列大模型的银行表示，该系列模型有效提升了业务效率与准确性。

　　“我行携手华为成功引入部署DeepSeek系列大模型，目前已在AIB平台京行研究、京行智库、客服助手、京客图谱等多个关键业务场景中试点应用，大幅提升了知识驱动的大模型服务质量和效率。”北京银行相关人员说。

　　“在智能信贷领域，传统OCR技术存在表格识别率低、手写体解析难、画中画拍摄文档解析难等问题。”上述苏商银行人士表示，该行应用DeepSeek-VL2多模态模型，通过构建“多模态技术+混合专家框架”的创新体系，实现对嵌套表格、影像资料等复杂场景材料的精准解析，将信贷材料综合识别准确率提升至超97%，信贷审核全流程效率提升了20%。

　　“传统资产托管估值对账存在录入工作量大、对账异常回溯困难等问题，需依赖人工处理每日超2000封差异化邮件，融易新媒体消息，对TA信息、交易信息、估值信息等区分后手工录入比对。”上述江苏银行人士表示，凭借轻量化DeepSeek-R1推理模型引擎高效计算特性，可完成资产托管估值信息自动化解析录入、自动化对账，并结合邮件网关解析处理能力，实现邮件分类、产品匹配、交易录入、估值表解析对账全链路自动化处理，识别成功率超90%。目前该行已初步实现业务集中运营，按照平均手工操作水平测算，每天可减少9.68小时工作量。

　　在DeepSeek大模型应用探索初期，各家银行倾向于审慎行事，通过精选少数场景进行初步试验并逐步扩大应用范围。波士顿咨询公司董事总经理何大勇建议，银行在选择这些场景时，应权衡收益潜力、潜在风险及实施难易程度。

　　“场景的选择不应仅仅局限于笼统的‘业务环节’定位，如简单地决定应用于财富管理的营销或公司金融的授信审批。相反，对场景的细分与选择需深入到AI的究竟角色及其所要解决的究竟问题类型。在评估成本收益时，除了直接的运营成本节约外，还需考虑潜在风险可能引发的额外间接成本。”何大勇说。

　　一方面，银行业拥有大量用户群体，积累了海量数据，是大模型应用的优质场景。另一方面，DeepSeek等生成式人工智能大模型技术提高银行数字化转型的效率和质量，是商业银行高度重视的发展方向。目前，银行业在应用大模型方面主要采取两种策略：一是资金、技术和数据资源充足的大型银行倾向自主研发金融大模型；二是多数中小银行与外部的大模型服务提供商合作，并根据自身数据进行微调，以打造符合特定业务需求的大模型。

　　“DeepSeek面世给大型银行与中小银行均带来了积极影响。”上海金融与发展实验室主任、首席专家曾刚说。

　　对于大型银行来说，DeepSeek可以作为一个高效、可扩展的技术工具：首先，DeepSeek作为一个成熟的AIGC工具，可以提供现成的技术框架和算法支持，减少从零开始研发的时间和成本；其次，DeepSeek的强大自然语言处理（NLP）能力和数据分析能力，可以在合同校验、智能风控、资产估值等场景中快速迭代，不断提升模型的精准性和适用性；最后，可快速开发出更多场景化应用，如智能客服、精准营销、供应链金融等。