2026金融智能风控创新发展白皮书-华为

金融智能风控2026年10月编写组成员（排名不分先后）·中国工商银行股份有限公司·华为技术有限公司·北京金融科技产业联盟参编单位（排名不分先后）·中国人民保险集团股份有限公司·中信证券股份有限公司·国金证券股份有限公司·中国邮政储蓄银行股份有限公司·兴业银行股份有限公司目录 序言 04智启新局：人工智能重塑金融风控发展范式 061.1数智赋能：AI成为数字金融新质生产力的核心引擎 07 071.1.2技术驱动：大模型、智能体与本体智能协同演进，重构金融智 07 081.1.4战略定位：AI成为金融机构穿越周 081.2风控筑基：风险防控是金融行稳致远的核心基石 09 091.2.2政策授权：从“能不能用”到“安全稳妥用” 091.2.3系统框架：从“方向指引”到“路线图设计” 1.2.4执行标准：从“鼓励建设”到“规范边界” 2.1审势谋新：银行风控转型挑战与智能化发展新局 2.1.2大模型开启智能化风控新范式 2.2分层筑局：打造“场景技术治理”三维协同的智能风控3.0全域架构 2.2.1场景赋能层：全业务链条的风控应用矩阵 2.2.2技术底座层：全栈可控的智能化风控核心能力引擎 2.2.3治理运营层：智能化风控3.0的全生命周期治理体系 203.1数知双轮：构建数据与知识融合的风控认知根基 22 223.1.2三层分级知识体系架 223.1.3知识“采、建、管、用”全生命周期管理 233.1.4双飞轮迭代进化机制 253.1.5风控知识本体前沿探索 253.2模型矩阵：构建分层协同、大小联动的风控大模型矩阵 26金融智能风控创新发展|白皮书3.2.1分层递进的模型架构布局 263.2.2“选育用”全生命周期运营体系 273.2.3差异化适配的多元训练范式 293.3工具体系：保障定量分析结果精准可靠 3.3.1三大核心技能矩阵 3.3.2全生命周期统一运营体系 333.4智能中枢：打造全链路风控大脑智能体 343.5算力底座：构建金融级智能风控算力支撑 353.6研运协同：兼顾敏捷交付与全链路安全防护 363.6.1AI敏捷开发：加速技术到业务的价值转化 363.6.2AI安全防护：构建全链路风险防控屏障 374.1银行方面 39 394.1.2欺诈风险识别智能体 404.1.3反洗钱智能体 4.1.4人脸深度防伪风控系统 424.2保险方面 434.2.1视觉大模型的农险智能承保理赔应用 434.2.2基于视觉大模型和语音大模型的车险理赔反欺诈及质检应用 444.2.3构建承保端保险合同责任风险监测能力 444.2.4基于大语言模型的个人非车险业务智慧定报价与管控能力 454.2.5反洗钱智能风控场景 454.3证券方面 464.3.1舆情风险智能监控助手 464.3.2内控数智化场景 47 495.1全流程合规：筑牢风险决策可溯可观可审底线 50 5.1.2全时段观测：搭建模型健康度监控体系 5.1.3全周期审核：嵌入关键节点合规管控 5.2人机协同：打造专家赋能的风控能力传承体系 525.2.1专家知识显性化：实现专家能力规模化复用 5.2.2骨干复核闭环化：构建人机互补质量管控网 5.2.3新人培养体系化：打造实战化人才成长路径 535.3持续运营：构建上线即运营的数据闭环进化机制 545.3.1实时数据热循环：打通业务反馈回流链路 5.3.2多维指标体系化：量化智能风控运营成效 5.3.3正向运营飞轮化：驱动风控能力持续进阶 行稳致远：智能风控未来发展展望 56 6.2技术突破：可信智能与知识本体深化发展 596.3治理升维：坚持人本导向的可控发展路径 60插图图1-1金融风控政策演进 09图2-1传统风控体系的四大核心矛盾 12图2-2风控管理技术三阶段演进 14图2-3风控管理技术三阶段演进 16图2-4场景赋能层-风控应用矩阵 17图3-1三层分级知识体系架构 22图3-2知识采建管用全生命周期管理 23图3-3两级递进模型矩阵 26图3-4“选—育—用”全流程闭环 28图3-5多元训练范式 29图3-6风控工具体系 31图4-1知识采建管用全生命周期管理 46图4-2国金证券内控智能化架构 47图5-1风控全流程合规管控体系 50图5-2风控能力传承体系 52图5-3智能风控持续运营体系 54图6-1风控应用模式演进 57图6-2风控技术突破 59图6-3风控治理升维 60金融智能风控创新发展|白皮书序言AI单-007第一章/智启新局1.1.1宏观背景:数字经济时代,金融业迈入智能化转型深水区新质生产力已成为引领高质量发展的核心命题。2023年普惠金融、养老金融、数字金融“五篇大文章”；2025年3月，国务院办公厅印发《关于做好金融“五篇大文章”的指导意见》（国办发〔2025〕8号），明确要求“加快推进金融机构数字化转型，健全数字金融治理体系”，并支持“因地制宜发展新质生产力”。与此同时，2025年（国发〔2025〕11号），同年12月一步提出深化拓展“人工智能+”，“人工智能+”正式上升为国家行动纲领。至此，金融业的数字化、智能化不再是机构自发探索，而是国家战略与行业顶层设计共同作用下的必答题。金融监管总局、中国证监会联合印发《关于“人工智能+金融”的实施意见》（银发〔2026〕101号），首次从跨部委层面系统部署人工智能在金融领域的十大重点应用场景；2026年6月，金融监管总局印发《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8励应用”与“规范应用”两条主线并行，金融业的智能化在“五篇大文章”与“人工智能+”的双重指引下，金融业作为数据密集型和技术敏感型行业，天然是新一代信息技术落地的前沿阵地。从移动支付到线上信贷，从智能投顾到智能风控，金融机构的数字化转型正从“渠道线上化”迈向以数据驱动、模型驱动为特征的深水区。以大语言模型和智能体为代表的新一轮技术突破，正从底层重塑金融业的生产方式、组织形态与竞争逻辑，成为驱动金1.1.2技术驱动：大模型、智能体与本体智能协同演进，重构金融智能化基座与以往以判别式模型为主的传统人工智能不同，本轮生成式大模型具备更强的语义理解、知识迁移与内容生成能力，构成智能化能力的底层基座。在此基础上，以大模型为“大脑”、具备自主规划与工具调用能力的智能体技决策、能行动”。与此同时，本体智能通过构建统一的业务语义层，将分散的数据资产转化为机器可理解、可推理的知识网络，为大模型与智能体提供贴合真实业务逻辑的运营管理、风险防控等全链条复杂场景，助力金融机构从“系统辅助人工”向“人机协同决策”演进，金融智能化第一章/智启新局风险防控是金融行稳致远的核心基石2025年3月，人民银行召开2025年科技工作会议，要求；同月，人民银行召开2025年金融稳定工作会议，010-金融智能风控创新发展|白皮书1.2.3系统框架：从“方向指引”到“路线图设计”2025年12月中央经济工作会议明确提出“人工智能+，完善人工智能治理，创新科技金融服务”，为人工智能与金融监管的深度融合定下基调；同月，金融监管总局印发《银行业保险业数字金融高质量发展实施方案》，从数字金融治理、数字金融服务、数字技术应用、数据要素开发、风险管理和监管数字化智能化转型六大维度提出33项工作任务，明确要求“着力建设智能风控体1.2.4执行标准：从“鼓励建设”到“规范边界”2026年1月金融监管总局召开监管工作会议，提出做实分类分级监管，加快推进“金监工程”设计和建设。作为监管数字化智能化转型的重要抓手，“金监工程”旨在运用大数据、人工智能等技术强化监管穿透能力，标志着监管逻辑由“查机构”向“查行为、查功能”延伸。同明确推动“人工智能+信贷融资”场景应用落地，提升贷于银行业保险业人工智能安全开发应用的指导意见》提出32项指导性意见，首次明确AI应用需纳入全面风险管理体系，对高风险场景实施分类分级准入，并强制建立人工监督机制。AI不再是无条件可用，而是必须分级准入、纳从战略定调、政策授权，到系统框架、执行标准，风险防控的顶层设计与行业规则已日趋完善。但顶层设计的一是穿透式监管要求与数据孤岛现实之间的落差，监管要求穿透识别多层嵌套风险，但机构内部数据烟囱、跨机构数据壁垒仍是普遍现实，智能风控的效能天花板更多二是模型智能化与可解释性之间的冲突，深度学习模型的“黑箱”特性与风控决策“可解释、可追溯”的监管要求之间存在天然矛盾，如何在提升预测精度的同时满足三是效率提升与人工监督之间的取舍，强制性人工监督机制在零售反欺诈等高频场景中，与模型自动决策的时效优势存在现实冲突，“人机协同”的边界仍需在实践中尽管存在上述挑战，机构端已呈现明确响应：主要商业银行普遍将“防风险”置于战略更核心位置，推动智能部分领先机构已建成企业级风控中台，打通对公信贷与零售风控的数据壁垒，实时反欺诈模型的覆盖范围也从交易环节向贷前准入、贷中监测全链条延伸。监管导向与机构实践正加速形成合力，但技术能力、数据基础、组织文化的差异，将决定不同机构在这一轮风控范式跃迁中的领先第二章/破局立架第二章2.1审势谋新：从风控能力演进视角看，当前国内多数银行的风控智能化仍处于2.0及以下阶段，即以规则引擎、零散机器学习模型为核心，尚未形成体系化的智能生产能力。伴随业务规模扩张与风险形态升级，传统风控体系的能力边界与现实需求之间的缺口持续扩大，痛点已从单一技术短板升级为体系性的能力错配，集中体现为四大核心矛盾。-013第二章/破局立架一是场景覆盖不均与全链路管控的矛盾。传统风控体系呈现显著的“重贷前轻贷后、重大客户轻小微、重结构化轻非结构化”结构性失衡，信贷审批、反欺诈、合规审查、风险预警、贷后管理各环节能力割裂，尚未形成端到端的风险管控闭环。在信贷审批环节，对公大额授信高度中小微企业受限于财报数据缺失、抵质押物不足，传统风控模型缺乏有效抓手，“不敢贷、不愿贷”的困局长期存在；零售客群则以同质化规则为主，误拦率与漏判率难以平衡，风险防控与客户体验的冲突持续加剧。在贷后管理环节，人力产能瓶颈尤为突出，据公开案例及同业调研测算，国内中型银行对公客户经理人均管理的授信客户通常监管政策迭代加速，人工解读与规则映射效率低下，常规性合规校验占用风控人员超六成工作时间，高价值的风险二是数据维度单一与深度认知的矛盾。传统风控高度产业链信息、政企公开信息等非结构化数据的价值挖掘不足，大量隐性风险信号无法被有效捕捉。更为核心的短板在于，数据资产与知识体系长期割裂：行业通用规则、企资深风控专家的经验高度依赖个人传承，人员流动直接导对新型风险的识别滞后性强，决策过程黑箱化特征明显，可解释性无法满足监管审计要求，成为智能风控深化应用三是模型体系割裂与全域协同的矛盾。传统风控建设普遍采用“条线主导、场景独立”的模式，各业务条线独立建模、各自部署，数据壁垒与系统壁垒导致跨场景风险识别能力严重不足，例如跨信用卡、信贷、支付多渠道的团伙欺诈行为，在分散式风控体系下极易被拆分识别，难以形成全局关联判断。同时，大模型与小模型的协同机制尚未建立：传统小模型长于结构化数据定量预测，但缺乏语义理解与认知推理能力；大模型具备强泛化认知能力，但在精准计量、实时响应等场景存在短板，二者优势无法互补，导致定性研判与定量分析长期脱节。此外，风控工具体系分散，定量计算、规则校验、压力测试等能力分布缺乏统一的智能中枢进行能力调度与全局决策，各系统、四是治理机制缺失与持续进化的矛盾。传统风控体系普遍存在“重建设、轻运营”的倾向，治理能力与运营机制跟不上技术迭代速度。在合规治理层面，传统风控决策链路不透明，数据来源、推理过程、决策依据难以完整追溯，审计核查成本高、周期长，无法适配监管对智能风控可解释、可审计的严格要求。在人机协同层面，尚未建立一名成熟的对公风控审批人员培养周期长达3-5年，能力复制效率极低，人才缺口难以填补。在持续运营层面，模型与策略上线后缺乏常态化迭代机制，传统风控模型上线6-12个月后，识别准确率普遍出现明显衰减，而迭代优化周期长达3-6个月，难以适配风险形态的快速演化，最1监管部门及行业协会未发布对公客户经理人均管户的统计，该区间为课题组综合公开案例及同业调研估纵观银行业风险管理的技术演进历程，风控体系始终围绕“管控精准化、覆盖全域化、运营高效化”三大核心目标迭代升级，先后完成规则化线上落地、量化辅助决策两次关键跃迁，实现了风控作业从线下到线上、从经验主导到数据支撑的能力升级，但始终未脱离“技术工具支撑人工决策”的核心定位。随着大模型技术与风控业务逻辑的深度融合，以认知智能为风控2风控2.0评分建模量化辅助覆盖全域化线上化规则引擎标准固化管控精准化大模型智能体自主研判运营高效化随着金融数据资产的持续积累与建模技术的成熟应用，风控体系进入量化辅助决策的新阶段，以信用评分传统机器学习模型为核心技术载体，依托结构化的征信数据、交易流水、客户属性数据等构建量化风控模型，输出违约概率、欺诈评分、风险评级等标准化量化结果，为人工审批、风险预警、资产分类提供数据支撑与决策参考。这一阶段的数字风控能力本质是“风险判断的量化辅助工具”,通过数据建模有效弥补了纯人工判断的主观性偏差，大幅提升了零售信贷、交易反欺诈等高频标准化场景的风控效率与识别精度。但该阶段的模型能力高度依赖结构化数据，对经营舆情、司法文书、产业链关联等非结构化风险信息的价值挖掘不足；且各业务条线多采用独立建模、分散部署的建设模式，缺乏跨场景的关联推理与全域协同能力；模型黑箱特性导致决策可解释性弱，难以适配对公授信、合规审查等复杂风控场景的深度研判需求。式迈入认知协同的3.0新阶段。这一阶段以“大模型+风风控3.0阶段的规模化应用，将为银行风控带来三托“数据+知识”双轮驱动与“大模型+小模型”协同范面向大模型时代的风控升级需求，全域智能风控架构以“风险可控、价值创造、持续进化”为核心目标，是风控3.0在银行体系内的具象化落地载体。架构遵循“场景牵引价值、技术沉淀能力、治理保障长效”的建设逻辑，自上而下构建场景赋能层、技术底座层、治理运营层三级能力体系。三层架构并非孤立存在，而是形成纵向贯通、横向协同的有机整体：场景赋能层是价值输出端口，直接对接业务需求；技术底座层是核心能力引擎，向下沉淀通用能力；治理运营层贯穿全链路，是风控3.0稳健运行、持续进化的长效保障。三者共同支撑智能风控从单点应用走向全域覆盖，从工具辅助走向主体协同，从静态防御走向动态进化。信信贷审批反欺诈场景赋能层对公大客户数据知识智能中枢模型引擎大小模型协同合规管控闭环运营、持续进化零售个人工具体系计量工具研运安全合规审查中小微企业治理运营层技术底座层闭环迭代能力传承风控大脑协同联动的风控应用矩阵，构建“环节全覆盖、客群全适配、流程全闭环”的智能风控应用体系。环节全覆盖环节全覆盖流程全闭环贷后管理数字员工合规审查数字员工中后台·贯穿全流程差异化适配定量模型为主规则补充为辅风险预警数字员工贷中·动态监测与分级预警对公大客户定性研判为主定量校验为辅反欺诈数字员工覆盖申请与交易场景中小微企业数据补全为主知识赋能为辅信贷审批数字员工贷前·标准化风险评估图2-4场景赋能层-风控应用矩阵一是全环节全域覆盖，打造全生命周期智能风控应用售个人，数字员工采用“定量模型为主、规则补充为辅”二是客群分层适配，构建差异化风控能力体系。针对对公大客户、中小微企业、零售个人三类客群的风险特征差异，定制差异化的数字员工能力配置，实现精准施策、定量校验为辅”的能力配置，聚焦大额授信风险、关联交018-金融智能风控创新发展|白皮书2.2.2技术底座层：全栈可控的智能化风控核心能力引擎技术底座层是智能化风控的能力基石，承担着能力沉淀、技术赋能、安全支撑的核心作用。架构遵循“全栈可控、分层解耦、协同赋能”的建设原则，构建六大核心能力模块，为上层场景化应用提供标准化、可复一是数知双轮筑牢认知根基。通过多维数据体系与分解释性的高要求，构建标准化风控工具集，与模型能力形级知识体系的双向赋能，构建扎实的风控认知基础。多维成互补。工具集涵盖定量计算、规则校验、指标测算、压数据支撑体系整合行内客户信息、交易流水、信贷征信等力测试等类别，覆盖财务指标核算、风险敞口计量、合规物流水电等替代数据，通过统一数据治理形成标准化风控工具由智能中枢统一调度，数字员工在需要精准计量的环数据资产，将数据准备周期从周级压缩至天级。三层分级节自动调用对应工具，确保风险计量结果准确、可追溯、知识体系自上而下包括通用风险知识、企业风险知识、专可复现，全面提升智能风控的可信度与稳定性。家经验知识，从通用规则到专属逻辑、从标准方法到实战四是智能中枢统筹协同调度。以风控大脑智能体为载经验逐层递进，实现风控知识的体系化沉淀。知识通过标体，整合数据、知识、模型、工具全维度能力，实现全域准化采编流程实现数字化固化，并形成双向应用路径：推风险的统一感知、研判、决策与调度。核心能力包括全域自主持续进化五大模块，打通从风险信号捕捉到处置落地的全链路，实现多数字员工之间的任务协同与能力共享，依托业务反馈与风险演变实现知识动态迭代，持续适配风险变化。风控知识本体作为高阶探索方向，聚焦概念标准化与逻辑建模，将进一步提升数字员工对复杂风险的推理五是算力底座夯实运行支撑。构建弹性高效、安全可联动能力。控的算力体系，适配大模型时代的差异化算力需求。训练侧配置高吞吐算力集群，支撑模型微调与训练任务；推理二是模型协同强化核心引擎。坚持大小模型协同的长期技术路线，通过优势互补实现定性与定量深度融合。针同时全面适配国产异构算力，核心组件实现自主可控，满对不同风控任务配置差异化模型组合：多模态大模型负责单证识别、影像校验、财报解析，支撑数字员工的非结构化信息处理；NLP大模型融合机器学习小模型，支撑风险六是研运安全护航长效落地。一方面建立敏捷研运体定性与定量结合研判，输出兼具深度与精度的判断结果；系，配套DevOps工具链，实现模型、策略、数字员工时序预测大模型联动NLP大模型，覆盖反欺诈实时识别场景的快速上线与迭代，缩短交付周期；另一方面构建覆与事后归因全流程；图计算模型结合大模型，支撑团伙欺盖数据、模型、系统、应用的全链路安全防护体系，落实诈与关联风险识别。模型建设遵循“选、育、用”全流程数据分级分类、隐私计算、模型对抗防护、访问控制等安标准，精选适配底座、培育专项能力、科学落地应用，兼全机制，全面守住数据安全与业务合规底线。顾风控效果与算力成本。同时采用多元训练范式，针对时序场景强化风险演化规律捕捉，通过知识蒸馏实现模型轻量化落地，基于强化学习对齐业务目标与专家判断逻辑，三是工具体系保障计量精度。针对风控对确定性、可一是全流程合规管控，筑牢监管合规底线。实现数字员工决策可溯可观可审，通过区块链存证与全流程日志记录，实现从数据输入、模型推理到决策输出的完整链路留痕，每一笔风控决策都可反向追溯依据与推理过程，满足审计与监管检查要求。建立模型运行监测体系，实时监控准确率、召回率、误判率等核心指标，对效果衰减、异常波动及时预警，保障数字员工能力稳定运行。在风控全流程设置分级合规审核节点，高风险决策、大额授信等关键确保数字员工全流程运行符合监管规定与内部制度。能体上线即运营”理念，建立全量数据回流机制，将业务决策、处置结果、风险案例等一线实践数据反哺技术底座。构建多维度效果评估体系，从风险效果、业务效率、客户体验、合规成本四个维度定期开展全面评估，精准定位能力短板。基于数据回流与评估结果，持续更新知识库、优能力优化一业务验证”的闭环运营机制，实现风控数字员工能力的常态化迭代与持续进化。第三章/技术筑基智能中枢统筹全域风险智能调度。以领域大模型为核心，集成感知、记忆、规划、执行、协同全栈能力，依托标准化调用与多Agent协同架构，实现全域风险统一研判、分级处置与复杂场景智能决策。构，融合多模态、文本、时序分析能力，通过“选育用”标准化运营与差异化训练范式，推动风控研判实现定性+定量深度融合，兼顾精度、可解释性与落地效能。的云原生算力体系，适配大模型训练、大参数推理、长上下文分析、高并发实时风控等多元场景需求，保障业务稳定低时延运行。构建数据与知识融合的风控认知根基数据是智能风控的量化底座，知识是风险研判的逻辑内核。以打造风险领域大模型训练与应用新基建为核心目标，构建“数据+知识”双轮驱动的风控认知体系，是实现精准、可信、可解释智能风控的核心前提。据。隐隐性智慧→定制落地→通用共识专家经验知识企业风险知识战略导向流程制度历史经验自研工具数理统计、风险识别计量归因巴塞尔协议监管框架、行业共性风险特征第三章/技术筑基一的风控共识基础，构建大模型跨场景通用认知能力。专家经验知识为实操落地隐性智慧，是通用知识与企业制度在复杂场景的灵活转化，属于难以标准化的制度文档BadCase回流迭代024-金融智能风控创新发展|白皮书知识采集是知识体系的输入底座，核心目标是全面覆盖风控领域的显性知识与隐性知识，完成多源知识原料的信贷场景下，需要体系化归集监管政策、行内授信与贷后管理制度；萃取客户履约特征、行业风险指标等企业沉淀审批、预警、不良处置的专家实操经验；同步更新宏观经济、行业政策、区域风险等外部情报；形成多维度、以企业风险知识采集为例，需要风控专家与数据分析负面舆情等核心维度，提炼出一系列结构化的风险分析规这一风险点，可以将其拆解为：连续两个季度经营活动现金净流量为负、且与净利润的背离程度超过30%等具体规则，并设定相应的预警等级。这些规则被整理成结构化的“企业风险规则库”，可以直接被系统调用，用于自动而在专家经验采集过程中，其目标是将隐性专家经验显性化。可以通过多种方式进行经验萃取，例如：组织资深风控专家进行专题研讨，将他们在特定场景（如贷前调查、贷后现场检查）下的研判思路、关键关注点和决策逻辑以及历史重大风险案例进行结构化复盘，提炼出可供借鉴的经验教训。在日常工作中，通过人机协同的方式，让系统记录下专家在审核过程中的关键操作和判断依据，然后由专家进行归纳总结。这些被数字化沉淀下来的专家经验，构成了专家经验库的主体，为模型提供超越统计规律知识构建是知识资产的生产核心，通过清洗、结构化加工、数据合成、质量质检、分类上架五步标准化流程，将零散原料转化为机器可读、可复用的规则库、案例库、经验库、领域数据集，统一纳入三级知识体系管控。针对大模型高质量训练需求，采用“慢思考数据合成”机制保障数据品质，通过模型一问多答扩充研判维度，结合模型与正则规则双重质检过滤低质内容，依托智能打分实现答案择优排序，支持流程自主编排适配不同场景需求。同时常态化归集业务BadCase，经分析校验后回流至知识体系与训练集，支撑RAG（Retrieval-AugmentedGeneration，检索增强生成）库迭代与模型后训练，构知识管理是长效运营保障，围绕资产、质量、安全三大维度，依托业技融合专职团队实现精细化运维。资产层质量层面，搭建业技联合审核机制，对新增、迭代知识进行多轮校验，建立动态更新机制，适配监管、业务、风险身份认证、定期审计等全流程安全机制，重点保护客户敏感信息与核心风控策略。同时搭建跨部门知识共享平台，知识应用是价值落地核心路径，形成“推理侧赋能+训练侧赋能”双向价值体系。推理侧依托风控智能体，在风险研判、合规审核、预警监控等场景实时调用规则、案例与专家经验，将专业能力嵌入业务流程，实现知识即服务，提升决策精准度与处理效率；训练侧将结构化规则、典型案例、专家经验经脱敏格式化后，转化为高质量领域语料，用于大模型微调与强化学习，复刻专家因果推理与第三章/技术筑基3.2模型矩阵：金融风控场景兼具业务复杂性、监管严谨性与时效高要求，单一模型无法覆盖全链路风险研判需求。需构建纵向分层递进、横向技术互补的风控模型矩阵：纵向打造“基础大模型一领域大模型”两级架构，兼顾通用智能底座、企业数据安全与场景精准能力；横向融合多模态理解、自然语言处理、时序预测等多元技术范式，推动大模型与传统机器学习小模型协同联动，实现风险分析从“大企业定性为主、中小微模块协作模块协作-027第三章/技术筑基基础大模型是整个风控智能体系的能力基座，通过海量通用数据自监督预训练构建，形成多参数规模梯队，融合自然语言理解、多模态关联分析、复杂时序模式预测等全方位智能范式。随着通用大模型能力持续迭代，其在通用风险研判、基础资料解析等场景的表现已达到专业入门水平，多数标准化通用风险任务可直接由基础模型承载，避免了从零建设的高额投入，为上层模型提供通用认知与在风控场景中，基础大模型可支撑混合形态客户资料解析、财经资讯语义理解、基础风险趋势推断等通用型任务，以较低的算力成本覆盖广普性风控需求，为后续专业领域大模型针对实时反欺诈、小微企业信贷评估、企业授信审批、市场风险预警、合规监控等核心高价值风控场景，在基础大模型之上开展深度二次优化：通过注入风控领域专业知识、监管规则、专家经验与历史风险案例，结合参数高效微调、指令微调、思维链提示、知识蒸馏等围绕不同类型的风控任务，领域大模型形成差异化技多模态大模型：聚焦非结构化资料处理，可同时理解图像与文本信息，高效完成身份证、营业执照、房产证、购销合同、财务报表等资料的自动识别、信息提取、版面分析与影像校验，例如自动核验发票真伪、提取核心字段并与申请数据交叉比对，支撑贷前调查、贷中审查环节的NLP大模型+传统机器学习小模型：实现定性与定行业研报、舆情新闻、尽调报告等复杂文本，输出风险定基于NLP提取的财务指标与定性特征，计算违约概率、风险评分等量化结果。两者协同让风险评估兼具逻辑依据时序预测大模型：聚焦动态趋势预判，针对企业现金支撑贷后风险提前预警。该模型可联动NLP大模型，将舆情事件、政策变动等文本信息转化为特征输入，提升事件冲击下的预测精准度，覆盖反欺诈事中识别与事后归因3.2.2“选育用”全生命周期运营体系通过建立“选—育—用”全流程闭环标准，实现模型从选型适配、迭代优化到场景落地的全链路管控，形成业务反馈驱动的持续进化机制，保障模型能力与风控需求同步演模型选型的核心是动态追踪技术前沿，科学筛选适配风控场景的模型底座。需构建一套覆盖多维度的标准化评测体系，配套专业评测数据集与自动化评测工具，对开源模型、商用模型、自研模型开展横向对比验证。选型综合考量模型精度、推理速度、场景鲁棒性、可解释性以及部2.金融安全与价值对齐能力：验证模型对抗偏见歧视、钓鱼诱导的能力，确保输出符合监管要求，规避违规话术与5.金融业务辅助能力：验证风险报告生成、流程瓶颈识别、合规自动检查等业务赋能效果。针对不同时效与深度要求的场景，采用差异化调用策略：实时反欺诈等高并发、低延迟场景，调用轻量级推理调用大规模参数模型保障研判深度。应用过程中产生的实时业务反馈与效果数据，将回流至“选”“育”环节，驱模型基础能力金融安全对齐风控任务能力金融专业认知业务反馈/业务反馈驱动第三章/技术筑基图3-5多元训练范式监督指令微调是模型掌握标准化风控能力的核心范工程层面多采用QLoRA(QuantizedLow-RankAdaptation,低秩适配)等参数高效微调技术，冻结基针对现金流预测、违约概率预警、市场风险监测等时序类风控场景，采用专项时序训练范式，融合传统时间序列分析、状态空间模型与Transformer注意力机制等先进技术，让模型深度捕捉数据中的季节性波动、周期性规律与趋势性变化，学习风险随时间演化的内在逻辑。第三章/技术筑基尽管大模型在语义理解、逻辑推理等方面表现出色，但在需要进行精确计算的定量分析任务上，它依然存在着“幻觉”和不稳定的风险。针对风控分析对确定性、可解释性的高要求，需要构建一个标准化的风控工具集。在需要进行定量计算、规则极大提升智能风控的可信度与稳定性。图3-6风控工具体系风控工具体系基于MCP上下文协议构建标准化调用接口，让风控智能体可像调用函数一样按需调032-金融智能风控创新发展|白皮书模型类技能是工具调度的核心决策能力，覆盖预警、决策、计量、预测四大核心能力，支撑全流程智能化风险识别异常风险模式，实现市场、流动性等中长期风险的·决策类：适配信贷审批、额度管理等场景，依托逻辑回归、集成模型等算法，结合标准化特征工程优化输出风·计量类：通过专业量化算法精准测算PD（ProbabilityofDefault，违约概率）、LGD（LossGivenDefault，违约损失率）、VaR（ValueatRisk，风险价值）等核心风险参数，为风险定价、资本计提、合·预测类：基于历史时序数据与风险演化规律，预判客户逾期、行业风险走势等未来风险态势，支撑前瞻性风险2、数据类技能：全流程信息支撑底座数据类技能为工具调用全链路提供信息获取与数据处理能力，保障输入输出的准确性、时效性与合规性，支撑·业务信息检索：通过MCP服务协议对接企业内部业务·多源数据整合：调用ETL（Extract-Transform-Load，数据抽取、转换、加载）工具链实现结构化交易数据、非结构化财报文本、证件影像等多模态数据的融合处理，统一数据标准与口径，为模型与分析提供高·隐私计算适配：跨机构数据调用场景下自动激活联邦学习框架，在数据“可用不可见”的前提下完建模，在保障数据安全的同时拓展风控数据3、范式类技能：标准化业务流程载体·多模态知识检索，它允许智能体在一次请求中，同时检索文本、图像、表格等多种类型的知识，并将结果整合系统自动将其转化为SQL查询语句并执行，然后将结·智能化文档编写，它可以根据给定的数据和模板，自动第三章/技术筑基二是全流程部署管理框架。搭建覆盖技能注册、测-035第三章/技术筑基3.5算力底座：算力是大模型时代智能风控落地的基础保障。面对风控场景高并发、低时延、高安全的核心诉求，以及大参数量模型推理、长上下文业务分析、实时交易反欺诈等多元化场景挑战，需要构建弹性高效、安全可控的金融级算力底座，适配模型训练、一是池化调度实现算力弹性供给。基于云原生架构打造统一算力资源池，通过算力虚拟化、池化技术实现训练算力与推理算力的统一管理、动态分配。按业务场景分级构建专属算力资源池：针对交易反欺诈等强实时场景部署低时延专属算力池，预留固定算力资源保障毫秒级业务响应；针对大参数量模型推理、信贷长文本分析与风险报告生成等显存密集型场景，配置高显存算力资源池，支撑大批次长上下文任务稳定运行。针对风控业务的潮汐特性，采用模型预热、资源弹性伸缩等技术快速响应突发业务需求；通过细粒度资源隔离，保障不同业务线、不同模型的二是超节点架构突破算力性能瓶颈。随着模型规模升级与场景复杂度提升，单机算力已无法满足大参数量模型训练与推理需求。超节点架构通过高速互联总线将数十张算力卡整合成超级计算单元，突破单机内存与通信瓶颈，适配大参数量模型与MoE（MixtureofExperts，混合专家模型）混合专家模型的训练与推理场景。针对百亿级以上大参数模型的推理需求，支持张量并行、流水线并行等分布式推理策略，通过多卡显存共享与算力协同，破解大参数量模型单机显存不足、推理时延高的瓶颈；针对信贷尽调、风险报告等长上下文场景，依托超大统一显存空间承载全量KV（Key-Value，键值）缓存，避免频繁数据换入换出带来的性能损耗，保障长文本生成的流畅性与稳定性。同时支持“朝推夜训”的算力复用模式，日间承载线上推理、长文本生成、实时反欺诈等业务，夜间闲时开三是工程化创新释放算力极致效率。通过AI算力工程化全栈优化，在同等硬件条件下最大化算力使用效Decode分离的推理架构，为计算密集的预填充阶段与访存密集的解码阶段匹配差异化算力资源，降低首Token稀疏化推理、算子融合等技术，在保障风控研判精度的前提下大幅降低显存占用与计算开销；优化大规模专家并行算法，提升MoE大模型的通信与计算效率。针对信贷风险分析、合规报告生成等长上下文场景，采用滑动窗口注意力、增量KV缓存、上下文分段并行处理等技术，在保留完整语义逻辑的前提下，显著降低长序列推理的显存压力与时延增长幅度，保障万字级长文本生规交易由规则与小模型快速处置，仅少量可疑交易调用大036-金融智能风控创新发展|白皮书3.6研运协同：技术底座的价值最终要通过业务落地来体现。构建“研运一体”的风控技术运营体系，一方面通过敏捷开发机制提升需求响应速度，让智能能力快速落地业务场景；另一方面通过全链路安全保障体系筑牢风险防线，确保智能风控合规稳健运行，实3.6.1AI敏捷开发：加速技术到业务的价值转化银行AI敏捷开发以“快速响应业务需求”为核心，通4、跨团队协同机制建立“业务提出需求-数据提供支持-技术开发模型-1、低代码开发平台运营反馈优化”的敏捷闭环，通过相关工具链实现需求看板实时同步。通过该机制，缩短“信贷异常交易识别”模可视化流程编排器的开发环境，业务人员通过拖拽配置即沉淀反欺诈、信贷审批等场景的智能体模板，内置工集成模型性能测试（如响应时延、并发承载）、合规检测（如公平性校验）的自动化工具链，实现模型上线前的全维度扫描，提升问题检出率。采用容器化部署支持模第三章/技术筑基4、全链路合规体系第四章/场景深耕针对上述痛点，本项目以大模型技术为核心，构建企业信用风险智能评估领域大模型，实现从数据聚合、智能研判到分析报告的全链路升级。四是风险分析一键生成。基于大模型自然语言生成能力，将多维风险指标与推理结论转化为基层可读、逻辑清晰的风险分析描述，替代原有生硬的指标罗列，帮助客户规则的风险识别准确率提升超10%;同时为基层提供可读040-金融智能风控创新发展|白皮书4.1.2欺诈风险识别智能体金融业务数字化进程中，欺诈风险呈现手段隐蔽化、模式快速迭代、跨渠道联动等新特征。传统风险管理以专家规则和机器学习模型为主，存在三大痛点：一是复杂欺诈案例需人工逐一分析，效率低且难以捕捉隐蔽关联与时序规律，布控周期较长；二是账户管控后客户需到线下柜面办理解控，对客解释存在难度，办理成本高，服务质量有待提升；三是欺诈特征更新周期长，从发现到布控往往如何在保持涉案资金管控可比同业最优前提下，提升识别精准度、优化对客服务、加速解控流程、缩短布控周期，（2）技术方案针对上述痛点，创新建设"基于多轮模型组合的金融风险识别环节，建立大小模型融合的多路召回机制：传统模型保障已知欺诈模式精准拦截；时序预测大模型深挖交易行为的隐蔽特征与潜在涉案模式，识别新型欺诈变体；大模型基于语义理解与关联推理，对跨渠道复杂欺诈链路深度挖掘。同时，建立风险特征及潜在涉案模式自动挖掘的事前拦截机制，将防控关口前移。此外，依托推理大模型提供风险解释口径，辅助客户经理对客解释，解决风险解控环节，基于大模型与智能决策引擎实现解控申请自动处理，低风险客户秒级解控，大幅降低客户等待成本；推理大模型自动整合多维信息，输出结构化风险评估报告，辅助客户经理办理风险审核，将人工逐案分析升特征迭代环节，构建欺诈特征自动迭代机制，大模型持续从已确认案例中提取新型特征模式，自动生成候选特征并评估上线，将传统数周更新周期大幅缩减，强化事前（3）应用成效本案例取得了显著且可量化的成效。风险识别环节，模式18类的涉诈知识库，实现从客诉到行为链还原的全链路运行；显著缩短新型诈骗的响应周期，6月识别新型诈骗“境外电子支付类”时效相较警方的涉网犯罪监测反馈提前一个月。风险解控环节，智能体月均产出风险评估报告超过万份，采纳率超过95%；低风险客户秒级解控显著降低办理成本，提升服务质量。特征迭代环节，时序预测大模型有效深挖了隐蔽特征与潜在涉案模式，风险识别水平明显提升。整体而言，该模式实现了识别更精准、解释更清晰、解控更高效、迭代更敏捷的闭环升级，为金融-041第四章/场景深耕4.1.3反洗钱智能体随着国内外反洗钱形势愈发严峻，我国将反洗钱工作提升至维护国家金融安全的战略高度。面对比特币、虚拟货币、虚拟商品等新兴的洗钱威胁，传统依赖人工识别的洗钱风险防控模式已无法有效精准防控，亟需通过智能技术实现风险精准识别与流程自动化，提升金融风险防控能中国工商银行基于深耕多年的反洗钱领域专家经验以及系统自主研发专业技术底蕴，将人工智能大模型技术与洗钱风险防控手段有机结合，打造反洗钱智能体，在可疑交易甄别、客户洗钱风险协查审核等场景中，实现对洗钱可疑客户的司法文书智能识别、可疑交易智能分析和分析报告智能生成，高效捕捉客户存在的实质性的风险，大幅提升洗钱风险客户的识别效果，全面提升对交易监测预警客户智能化决策支持水平，切实落实中央金融工作会议对（2）技术方案基于中国工商银行自主研发的大模型技术平台“工银 智涌”，同业首创打造覆盖反洗钱工作全流程的一体化智 能体，创新推出可解释性决策机制，确保风险判断透明可 追溯，构建“风险识别-交易分析-疑点推理-报告生成”端到端智能闭环，大幅提升复杂洗钱模式识别的精准度与 可疑报告智能生成三大核心功能。洗钱风险识别利用大模型的信息抽取、总结摘要和推理表达能力，实现了对司法文书影像识别、内容分析和名单匹配的自动化，支持业务人员在处理每日近20万司法文书的过程中，快速掌握文书的案件类型、协查缘由、涉罪类型等关键信息，提升业务人员工作效率。可疑交易智能分析基于大模型对客户信息、账户情况、交易明细、风险信息等内容进行智能化分析处理，自动总结交易特征，推理洗钱可疑点，并提供完对客户身份信息、账户信息、内外部风险信息及交易特征指标进行自动化总结与推理，一键生成符合监管要求的可（3）应用成效反洗钱智能体已覆盖反洗钱工作全流程，全年分担分联人、交易记录、内外部协查等异构数据，智能识别客户身份与洗钱疑点，一键输出合规可疑报告，甄别质效提升超42%；在外部协查环节，实现司法文书影像识别、内容解析及风险分级全流程自动化，精准提炼洗钱风险与评判依据，有效破解文书分析流程复杂、专业门槛高的痛点，分类效率提升60%、准确率达95%；在尽职调查环节，一键自动撰写个人尽调报告，智能解析含夜间异常交易在内的数十项风险点，自动生成涵盖客户基础信息、交易行为深度分析、内外部风险等五大核心模块的完整报告，整体尽调效率提升30%。(2)技术方案三是大模型微调优化技术。通过PCA量化方法评估模型过拟合程度，有效优化模型训练效果，适配多变的伪造攻击模式。控能力。(3)应用成效日均业务调用量超9万次，日均拦截高风险人脸操作600第四章/场景深耕(3)应用成效围已覆盖10万余名三农服务人员，为超过8000万农户提供农险全流程服务。2025年上线智能验标质检功能，块超1000万个。044-金融智能风控创新发展|白皮书4.2.2基于视觉大模型和语音大模型的车险理赔反欺诈及质检应用（1）场景描述勘视频多模态分析模型，一方面通过目标检测算法，自动欺诈案件在车险理赔中时有发生，车险理赔反欺诈旨另一方面利用语音识别与语义分析技术，对查勘人员与客为提升反欺诈能力与理赔质量，融合视觉与语音大模型技户的对话内容进行关键词提取，识别是否完成推修、要求术，通过图像查重、视频智能质检和智能反欺诈风控决策引擎等功能，实现对重复索赔、不规范查勘和虚假案件的精准识别与拦截，有效提升理赔实务合规性与风险防控水三是构建“规则模型+AI算法”智能反欺诈风控决策平。引擎，支持秒级预警响应，持续开发反欺诈模型并嵌入理（2）技术方案一是图像查重模型。从每张图片提取特征，再对特征（3）应用成效一是图像查重模型。从每张图片提取特征，再对特征进行多轮加工计算，最终生成一条极难重复的特征信息，该应用显著提升了车险理赔反欺诈的识别精度与处理将该特征作为主键，在历史图片特征标识中进行查询和比效率，实现了从人工抽查到智能全量检测的转变。自上线对，识别重复索赔行为。以来，累计提供智能服务超过7亿次，成功阻断可疑理赔二是理赔查勘视频智能质检多模态模型。研发理赔查4.2.3构建承保端保险合同责任风险监测能力在财产险承保实践中，特别约定若表述不精准、不清晰，或与已备案条款内容相冲突等情形可能带来的报行合一和内控合规风险。为弥补传统基于规则的系统难以理解复杂文本语义，无法有效识别此类风险的不足，依托大语言模型技术，构建保险合同责任风险智能监测能力，实现（2）技术方案首先，从条款数据库中获取经报备、审批后的条款文其次，收集保单中条款的正负样本数据，人工分析其与标），并用大模型对正负样本数据进行扩充至模型训练所需的数据量级。随后，对样本数据进行人工标注，获得包含分析过程、保险风险变化结论等信息的思维链数据，并基于此利用大模型完成全部样本数据的自动标注，得到高质量有监督数据集。最后，基于上述数据，对预训练大语言模型进行微调，构建保险合同责任风险监测模型。模型将发现的扩大保险责任、降低赔付条件、删减限制性赔付条款等（3）应用成效该应用显著提升承保端风险识别与防控水平，实现从传统规则控制向智能语义识别的转变。通过自动化监测特别约定中的风险条款，有效防范扩大保险责任、突破费率标准、增加兜底责任等风险敞口。应用上线后已累计完成-045第四章/场景深耕4.2.4基于大语言模型的个人非车险业务智慧定报价与管控能力传统保单保费计算依赖人工根据费率表文本手工计算，而个人非车险业务保单数量多、出单效率要求高，复杂的费率计算规则往往耗费大量时间。为提升出单效率，销售人员只需在报价平台输入保障需求、年龄、地区等信（2）技术方案在费率表数字化技术方案中，引入大语言模型实现端到端的文本识别和结构化处理。通过语义理解自动识别复杂费率表的字段含义、公式以及单位，将费率表文本输出转化为标准化的结构化数据，并利用模型自动计算方案的基准保费、底线保费、授权保费、最高保费、风定保费，自动识别超权限业务，提升费率表处理效率与准确性，降（3）应用成效个人非车险智慧定报价已经产出7万余个方案，并发布到各销售系统。该应用改变了每年数以万计的个人非车费率的参数和系数的现状，大幅降低人工核算成本，极大提高了产品定价方案审批的准确性与效率，核保效率提升超50%。同时，改变了传统定报价流程中，合规底线、超授权事项的自动识别和控制，确保了个非业务合规有序经4.2.5反洗钱智能风控场景反洗钱智能风控应用结合专业反洗钱知识库和标准化监测规则，利用人工智能技术对客户及其交易行为进行智能分析和风险识别，旨在实现精准、高效的反洗钱监测，更好地满足监管合规要求，提升反洗钱工作的准确性和效（2）技术方案一是基于双塔模型的反洗钱名单监测应用。首先对历史积累的业务规则数据、客户数据、黑名单数据进行清洗和标准化处理，构建高质量的训练数据集；构建黑名单匹配双塔模型（黑名单塔和query塔分征及客户特征，利用深度学习技术进行特征向量化表示；通过余弦相似度等算法计算客户特征与黑名单特征的相似度，建立模糊匹配机制；基于相似度阈值和业务规则，智能判别客户是否属于黑名单，并自动触发相应的风险控制二是基于大语言模型的反洗钱可疑交易审核意见。首先反洗钱审核员上传多维度数据，通过智能体平台进行工作流搭建，利用大模型对“可疑交易案例分析”进行审核评价，得出审核结论。反洗钱岗完成可疑交易分析后，调例如客户收入与保费匹配度未分析等，以便反洗钱岗优化（3）应用成效一是名单监测覆盖度提升。在严格保护客户权益的基础上，通过双塔模型模糊匹配算法，有效解决了反洗钱名单库中因客户9要素信息不全、错误等问题无法直接匹配二是可疑交易分析效率提升。利用大语言模型的智能分析和报告生成能力，提升了反洗钱可疑交易识别效率、4.3证券方面智能监控主要解决"持续看、及时发现"的问题，应(2)技术方案中信证券积极探索大模型技术在舆情风险监控领域的深度应用，围绕“采集一清洗一解析一聚合一预警”全链路构建智能化舆情风险监控平台。舆情从采集到形成预警1、多源异构数据采集：覆盖近30个舆情源、约5000体系，融合200余个负面风险标签，支持邮件、企金融新闻输入金融新闻输入文本预处理清洗格式·去除网页标签·控制长度识别必选/禁用标签新闻类型判断一般新闻处理分支可多场景叠加，无命中则普通新闻抽取新闻实体公司、机构等，1-5个按各业务场景分别打标笠再合并去重AI打标签并判断每个标签的情感倾向结果整理去重结果是否理想?特殊场景下标签全为一般披露或为空从标题提取公告主体如公司名召回候选标签从标签体系筛选相关项去除错标、补充漏标回退到普通新闻流程重做召回与公告相关的标签第四章/场景深耕一级标签8个、二级标签9个、三级标签30个、四级标(3)应用成效目前日均处理舆情超过8万条，累计推送预警超过5000协同资源运营标准前沿效能048-金融智能风控创新发展|白皮书图4-2国金证券主动积极探索AI在证券公司的应用，推进公司内控全领域数智化发展，以大模型为基础构建内控智能底座，综合RAG、MCP、Agent、Skill、合规管理方向，基于合规数据集市，发挥大模型在规则理解上优势能力，落地了合规问答智能辅助、合规检查智能增强、异常行为智能识别、反洗钱智能监测等应用；为合规工作提供高质量高效率的辅助支持，提升了合规管风险控制方向，在风险数据集市上，强化DataFabric数据语义编织，探索实践DataAgent模式，实现对多类风险的智能识别与量化评估；风险日报场景可自动汇总全公司风险数据、生成洞察分析简报，市场风险预警能够对异常事件及时推送风险提示及综合分析，辅助风控人员快审计稽核方向，以审计数据集市为基础，依托审计信息关联分析，实现审计自动化、一键审计、智能审计、审计预警等模式，大幅度缩短现场审计的准备周期，为审计法规制度方向，结合知识工程和大模型技术，实现新规的智能演进分析，并能够与公司现有制度规范进行比较分析，提示制度更新要点及对应需求，支持各业务线及时（3）应用成效依托大模型和大数据的发展与应用，国金证券内控水平实现了进一步的提升。一是内控工作效率得到整体性提升，原本需要人工重复处理的数据整理、底稿检索、异常分析等工作耗时显著缩短。二是内控风控关口有效前移，依托大模型对多源异构数据的整合分析能力，能够更早捕治运并举：合规是金融风控的生命线。大模型驱动的智能风控存在推理链路长、决策逻辑隐蔽等特性，对合规审计提出了更高要求。需确保每一笔风险决策有据可查、有迹可循、权责清晰，全面满足内外部审计与监管要求。 运行中管控数据使用授权模型第五章/治运并举搭建端到端的决策溯源机制，对每一笔风控决策的全节点进行留痕归档，形成标准化决策审计档案。从数据源调用、特征加工处理，到模型版本参数、规则触发逻辑，再到最终决策结果，全链路信息完整记录、反向可溯。以信贷审批场景为例，针对系统拒贷决策，可一键回溯调用的征信数据、交易流水等输入信息，匹配的模型版本与特征权重，以及触发的具体风控规