當大模型以應用落地論英雄時，誰在裸泳顯而易見。尤其在復雜業務場景下，面對千絲萬縷的業務邏輯，模型能不能用和好不好用之間的界線愈發明顯。金融行業作為復雜業務場景的代表，自然成了大模型們的“照妖鏡”。觀察那些用得好的金融大模型不難發現，它們都有一個共同點，那就是都是垂直模型。
更進一步而言，Agentic Model 垂直模型已經成為實現大模型在金融行業落地最佳價值的最優實現路徑。
背后的邏輯很簡單。金融行業關乎到民生根本，對于準確性、可解釋性以及合規性的要求都遠高于其他行業，任何一個微小誤差，都可能引發蝴蝶效應。顯然，這不是一個通用模型就能輕松應對的。回歸到技術發展脈絡，當前，AI 正處于自主行動階段，能夠實現從理解意圖到執行行動全流程自主處理的 Agentic Model，正為行業應用帶來更多想象。
這也是為什么，在 2025 云棲大會第二天上午召開的「新模力 新點金：金融大模型技術峰會」，一早就被參會人群圍得水泄不通。在通往超級人工智能 ASI 的路上，金融行業迫切需要找到足夠智能化的解法，找到能夠在剛性約束下解決實際問題的能力。
無法垂直化的 AI，在金融行業沒有未來
回顧科技浪潮在金融行業的整體發展脈絡不難發現，金融行業因其特殊性，在應用新技術時，往往比其他行業更加謹慎。這種謹慎性延續到了 AI 時代，卻也成了企業焦慮的根源。
一方面，AI 技術發展的日新月異，讓所有人看到了其在業務場景中帶來的真實價值，金融行業同樣渴求用 AI 技術為業務帶來新解法。另一方面，金融行業對于準確性、可解釋性以及合規性的要求從未減弱半分，倉促應用新技術很可能為業務帶來不可控的風險因子。
面對 AI，金融科技一時間仿佛只有兩種解法。要么從頭開始預訓練自己的行業模型，要么為基座模型外掛一個知識庫。前者需要企業將全部知識、數據投入訓練，成本高，周期長，投入產出比嚴重失衡；后者看似周期短，但對于后續的迭代優化要求極高，智能化程度也比較低。顯然，這兩種方式都不適合數據密集、技術密集、知識密集的金融行業。
轉折點出現在垂直模型。阿里云智能集團公共云事業部副總裁、新金融行業總經理張翅在接受 InfoQ 采訪時表示，垂直模型的邏輯是，將那些行業核心知識、能力與經驗內化到模型本身，為復雜的領域場景提供確定性解法。從更務實的落地視角來看，垂直也意味著 AI 技術真正開始尊重金融行業的專業性和復雜性，更專注于業務真正需要什么，這才是 AI 在金融領域創造價值的唯一路徑。
阿里云智能集團公共云事業部副總裁、新金融行業總經理張翅
在垂直模型的認知上，扎根到千行百業的云服務商們，顯然敏銳得多。在前年的云棲大會上，通義千問就帶著八大行業模型集體亮相，并且有三款模型是專門面向垂直業務領域的。這其中，就包括面向金融領域構建的通義點金。
市場的反應是檢驗垂直模型的最終標準。從數據上看，過去一年中國金融大模型市場規模突破 28 億元，同比增長 80%，并且這種增長勢頭還在持續。從行業應用上看，通義也交出了一份不錯的答卷：九成國有大行、政策性銀行均已使用通義大模型，12家股份制銀行全部接入通義大模型， 排位前10的財險都在使用通義大模型，他們普遍以通義大模型家族作為主力模型，支撐 70%以上AI場景。
在真實的金融業務場景中，垂直模型到底用得好不好，這次的云棲大會-金融大模型技術峰會，以及金融 Agent 展區，實際上已經給出了答案。
招商銀行數據資產與平臺研發中心總經理杜志明在《招商銀行大模型體系與應用實踐》主題演講中提到，目前招行已經構建了覆蓋基礎設施、模型、中臺到應用的四層模型體系，并將大模型技術應用到包括零售金融、對公金融、投資金融、中后臺運營在內的多個業務場景中。同時，招行在2024就開始與通義實驗室探討合作，并與阿里云聯合成立了大模型創新實驗室，以推動多模態技術、數據雙飛輪驅動在模型訓練領域的創新方法，以及在模型安全和模型測評領域的探索。
招商銀行數據資產與平臺研發中心總經理杜志明
平安集團首席科學家肖京在《人工智能賦能金融業務數字化高質量發展》主題演講中表示，目前，全集團基于通義千問、DeepSeek等開源模型，已部署智能體超 5 萬個，覆蓋大部分核心崗位 11 萬員工，滿足員工在不同工作場景中的應用需求，實現業務“三提兩降”——提升效果、提升效率、提升用戶體驗、降低風險、降低成本。
目前在各領域取得顯著進展：在營銷領域方面，數字人及數字員工整合大模型、圖像、語音、NLP 等技術，廣泛應用于遠程面審、培訓陪練、客戶服務、內容生成等場景，AI 輔助工具月活躍使用率近50%，顯著提升代理人觸訪率；在服務方面，全集團每年超 20 億人次客服由 AI 完成，占比 80% 以上，并已向 30 家外部金融機構輸出智能客服能力；在運營方面，車險智能化出單覆蓋 1.2 億單，超 80% 業務由 AI 端到端完成，單均耗時從過去的 5.7 分鐘降低至 1.2 分鐘，效率提升近 80%；而風控方面則通過 AI 挖掘多維度數據，構建數據圖譜，形成從宏觀、中觀到微觀的全維度金融風險管理體系。
平安集團首席科學家肖京
垂直模型在保險行業的核心業務環節中，同樣起到了關鍵支撐。
中國大地保險黨委委員、總裁助理劉璞在《保險行業 AI 大模型應用探索與實踐》主題演講表示，人工智能的發展進入全新加速度，伴隨通用大模型（如 DeepSeek、通義千問）的廣泛普及與算力成本驟降，工程創新大幅降低了微調與蒸餾門檻，使AI不再是巨頭專屬。中小企業可依托“百模千態”開放生態，以輕量化方式實現降本增效與敏捷轉型。
大地保險自 2023 年啟動大模型預研工作，與阿里云合作廣泛，并在 2025 年8月聯合阿里云共建了“大地-阿里云人工智能聯合實驗室”，共同探索 AI 技術在保險領域的模式創新和人才培養。在平臺建設方面，大地保險攜手螞蟻數科打造 AI 中臺“靈山界”，該平臺集成大模型、數據、算力與開發框架，以“通用大模型+行業小模型”為技術路線，在 AI 底層模型方面接入通義千問、DeepSeek，并支持本地與云端混合部署模式，構建了以感知智能、認知智能和計算智能為核心的 AI 能力體系。目前，大地保險已在多個業務場景中落地 AI 應用，并取得顯著成效。以保險營銷場景為例，以銷售人員日常工作為主線進行智能化重構，AI 營銷助手可以自動生成文案、海報；數字續保可以自動生成續保日歷與報價方案，并提醒銷售人員及時聯系客戶；數字報價員可以通過語義交互智能采集信息并生成報價，替代傳統手工錄入。
中國大地保險黨委委員、總裁助理劉璞
在金融 Agent 展區，這些應用的實際效果更加顯性化。比如，眾安信科構建的 AI保險代理人助理能高效解決信息不對稱、需求匹配難、信任建立難以及效率瓶頸四大痛點；中華財險打造的保險產品智能開發助手能覆蓋從條款“編寫—審核—報備—配置”全生命周期管理過程；中再壽險智能理賠助手能嵌套在理賠業務系統中，大幅優化復雜的理賠流程；大智慧的金融數據 AI 助手能實現企業盡調、風險預警、輿情監測等多場景高效數據服務。
這些應用表明，AI 技術正逐步從單點工具轉變為系統性能力，更深的行業 know-how、更精的數據能力、更敏捷的迭代，共同構成新的競爭壁壘。這也使得垂直模型在金融這類復雜業務場景中，正變得越來越不可替代。
但這種垂直并非簡單的金融數據與通用模型的疊加，而是從底層架構到應用場景的全鏈路深度適配。這種深度垂直化能力，也是通義點金本次升級能夠引發外界廣泛關注的根因——一口氣發布了五大開箱即用的垂直模型（Qwen-dianjin-fin-R1、Qwen-dianjin-fin-OCR、Qwen-dianjin-fin-Persona、Qwen-dianjin-fin-TIR、Qwen-dianjin-fin-PRM），構建了“合成-訓練-評測-應用-迭代”的一站式金融垂直模型生產工場，為行業應用帶來的想象空間，無疑是巨大的。顯然，行業對垂直模型的價值，還是達成了共識的。
拆解通義點金：如何成為金融行業用好 AI 的一站式工場？
正如前文所言，垂直模型是將行業核心知識、能力與經驗內化到模型本身。更進一步而言，只有把足夠多的能力內化到模型中，AI 才能真正向前發展。
實現這種內化的關鍵，在于將大模型的訓練方法拆解為企業可用的“模型數據飛輪”。這也是通義點金一直在堅持的技術路線。張翅在接受采訪時提到，通義點金選擇的是更輕量、敏捷的后訓練方案。如果說基座模型決定了大模型的聰明程度，那么后訓練的效果，則決定了大模型是否可用、是否好用、是否能用。
其中，一種操作方式是，通過模型蒸餾快速將通用模型的能力與企業的業務數據對齊，提升基準性能。另一種操作方式是，通過強化學習技術，將業務過程中的規則與邏輯反饋給模型，實現持續自我優化。本質上，就是將基礎模型訓練中的“SFT（監督微調）-RL（強化學習）-新一輪 SFT”多輪循環，拆解為企業在解決具體問題時可靈活運用的工具。從而讓企業能以更小的算力代價、更簡單的工程流程，獲得更準確、更智能的解決方案。
通義點金在數據飛輪能力上的升級，可以說是本次峰會《新模力·新點金》年度發布最大的一個驚喜點。畢竟要想構建垂直模型，數據是最重要的組成部分之一。
這一次，通義點金提出了模型與業務雙向持續螺旋上升的雙飛輪方法論，在平臺底層架構實現了兩個關鍵數據飛輪。第一個數據飛輪專注于解決冷啟動問題。冷啟動時，業務專家往往難以清晰定義復雜的業務場景與預期結果。通過結合相應數據來模擬真實業務環境，包括原有系統日志、已有智能體的數據，以及第三方數據，進行仿真和擬合，從而實現數據飛輪一。
第二個數據飛輪會引入更系統的評測工具與方法，比如，利用大模型進行交叉評測，從對抗或監管視角檢驗邏輯合理性，以及將業務中固有的專業校驗工具集成到平臺層，避免每個智能體重復調用，從而優化流程復雜度與動態編排效率。
“我們希望這個平臺真正能做到以模型為核心，專注于金融能力構建的一站式金融垂直模型生產工場”，張翅表示，目前，通義點金已經在數據擬合、模型評測等關鍵環節取得實質性進展，開源了相關框架與模型能力，并且能夠與企業已經在構建的智能體平臺實現融合。
數據飛輪得以讓模型實現持續迭代，但對金融行業而言，這還不夠。金融行業的背后是信任、風險和監管三大支柱的剛性需求，業務本質決定了行業對于可解釋性的要求極高。
為了提高模型可解釋性，通義點金利用阿里云可觀測鏈路 OpenTelemetry，以及其他可觀測服務，以堆棧的形式呈現 Agent 調用過程。在構建評測集上，早期通義點金的實踐集中于構建靜態金融知識評測集，隨著應用場景對模型的考驗變得多維且動態，通義點金也在與不同的垂直細分行業領先企業深度共創，共同開發基于真實業務環境的 Agent 實戰評測數據集。
本次會上，阿里云和盈米基金聯合發布了理財智能體評測集。這類動態數據集的最大價值在于，它不僅能定義優劣標準，更能讓模型在模擬實踐中迭代，并將反饋信號精準關聯至具體的決策環節，從而實現更高效、更定向的能力優化。
除了通義點金的全面升級和理財智能體評測集，這次發布會上還有幾個重磅發布值得關注。一個是阿里云和盈米基金聯合發布的投顧智能體模型，另一個是阿里云和國通星驛聯合發布的商戶經營場景識別模型。
前者依托包括通義點金在內的阿里云全棧 AI 能力構筑核心能力層，將 Al 服務范式從 WorkFIow 轉向 Agentic，實現工具調用準確性與順序一致性的提升，服務達成率大幅提升至 90％ 以上，有效降低“轉人工”比例。后者通過通義點金數據飛輪能力，結合場景數據與行業數據，為支付環節中的不同場景提供多樣化 AI 能力，能實現秒級識別問題，等待時長減少 90%，以及同時審核數萬商戶，減少人工 50% 審核量。
模型層面的能力是表，其背后對應的底層基礎設施以及生態支撐，才是內里。對于金融行業而言，穩定可靠的基礎設施是業務連續性與客戶信任的生命線，甚至能直接決定智能應用的業務價值。根據 IDC 發布的《中國金融云市場（2024 下半年）跟蹤》報告，2024 年中國金融云整體市場規模達 692 億元人民幣，同比增長 11%。其中，阿里云以 18.4% 的市場份額穩居第一。并且，自 2019 年上半年起，阿里云已連續 6 年蟬聯中國金融云整體市場冠軍。
云基礎設施的規模效應，是垂直模型在金融行業規模化落地的核心保障。生態層面的深度集成，則是業務價值打通最后一公里的加速器。
進一步而言，技術平臺的能力最終必須注入企業具體的業務流程中。對于金融行業來說，這一過程最大的挑戰是，復雜且封閉的軟件研發環境。每家企業都有自研平臺和操作規范，通用的解決方案在此往往水土不服。
因此，實現軟件的智能化升級，必須解決一個核心難題：如何深度適配這些異構環境，確保無縫集成，并在測試、研發、生產等多元場景中實現高效的人機協同。數據顯示，通義靈碼已經服務了八成大型金融企業，已成為國內最受歡迎的輔助編程工具，并且在工商銀行、平安集團等多家頭部銀行、保險、證券等企業成效顯著。例如平安集團有超1.5萬名研發工程師正在通過自研工具“平安愛碼”進行AI編碼，該工具引入了阿里通義靈碼為其增強續寫功能。AI編碼正覆蓋平安集團旗下銀行、保險、科技等核心業務線，部分新項目的代碼AI生成占比超70%。
依托阿里豐富的產業生態與底層能力，阿里云已經具備全棧金融 AI 能力，未來將向金融行業提供三種服務范式：一站式技術保障與問題解決，端到端的 AI 交付，全生命周期的持續迭代。隨著未來垂直模型應用進入深水區，金融行業也將面臨新的挑戰，但萬變不離其宗，問題的答案或許就藏在“更深度垂直化”的道路上。
