前言：

根据生成算法、预训练模型、多模态数据分析等AI技术的聚集融合，AIGC技术的实践效用迎来了行业级大爆发。

作者| 方文三

图片来源|网 络

在内部模型迭代与多技术协同的作用下，以“大规模”+“预训练”为核心的大模型产品，逐步由Transformer基础架构走向集图像识别、语义理解、视觉感知于一体的多模态、全应用模型体系，以产品化、业务化模式实现AIGC能力的进一步释放。

随着专业化应用进程的推进，通用大模型在解决特定场景的专业化问题时暴露出部分局限性问题，行业深度信息的缺失导致其很难在专业领域提供高价值的服务。

此外，通用大模型对于数据、算力的较高要求也提升了其在细分领域落地应用的门槛，相比之下，在专业度及成本方面更具优势的垂类大模型或将成为未来大模型技术落地应用的核心方式。

预计未来5年，服务于特定行业的垂类大模型将实现超80%的专业领域覆盖，大模型能力将以专业化定制产品的方式为更多垂类专业领域赋能。

金融大模型产品的核心构建流程主要由以上三个环节构成，首先是作为技术底座支持的通用大模型为金融大模型产品的构建提供底层技术能力、算法、基础参数等底层模型逻辑方面的支持。

在此基础之上，以解决特定领域应用能力短板问题的模型工具链系列产品将作为模型层与应用层的桥梁，为垂类模型的构建提供应用层面的增强，此外，私域信息库的模型训练将全面提升大模型产品的业务适配能力，为机构提供客制化的模型服务。

从整体来看，以GPT4-Turbo、LaMDA 为代表的国际市场头部通用大模型，在模型架构能力、参数范畴、应用交互使用体验方面具有相对领先的优势，但随着近年国内大模型产业的爆发式增长，国内市场也出现了“文心大模型”、“通义千问2.0”等立足于自身大模型产品架构基础与生态体系建设的国产通用大模型产品，考虑到金融行业对于信创建设与数据保护有较高要求，国产通用大模型体系的建设对于大模型技术在国内金融市场的应用至关重要。

以下是《2024年中国金融大模型产业发展洞察报告》部分内容：