WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线

又到了一年一度“中国AI春晚”WAIC，各家大厂动作频发的时候。

今年会有哪些看点？你别说，我们还真在扒论文的过程中，发现了一些热乎线索。

比如蚂蚁数科的金融推理大模型，发布会还没开，技术论文已悄咪咪上线。

金融领域的推理大模型，你可以理解为金融领域的DeepSeek，带着SOTA的刷榜成绩来了。

同样是“杭州”背景科技公司，蚂蚁数科。

不仅在各项金融测评集上刷新SOTA，在MATH、GPQA等通用推理基准中，也有比肩DeepSeek R1，GPT-o1等超大尺寸推理模型的水平。

而且论文也把技术细节全部公开讲清楚了。

嘿嘿嘿，留给蚂蚁数科自己发布会上当新闻来讲的东西，不多了。

模型出厂即专家

新模型名为Agentar-Fin-R1，一共有两个不同参数版本：8B和32B。

蚂蚁数科的研究出发点很务实，就是要突破大模型应用在实际金融业务场景中遇到的行业问题。

与通用场景不同，金融应用在数据、幻觉和合规方面，有着更严苛的要求。核心面临的挑战有三点：

• 金融问题的复杂性：涉及法规、风险和实时数据，AI系统必须具备快速学习和适应的能力。通用大模型虽然会推理，但对专业术语、监管细节常常“一脸懵”。

• 可信度和可解释性：金融决策关乎重大利益，出错代价高。每一个推理步骤都必须透明可审计，确保决策过程的可信度和可解释性。

• 金融大模型评测集：业界缺少围绕真实金融业务场景，验证复杂任务推理、智能体应用等关键能力的金融大模型评测集。

针对于此，Agentar-Fin-R1基于Qwen3，从数据采集、训练框架、任务分类等角度出发，实现了针对金融任务的深度优化。

从效果上来看，首先，Agentar-Fin-R1在所有金融评测基准上——包括Fineva、FinEval、FinanceIQ和蚂蚁数科全新提出的Finova——均达到业界最优水平，超越业界开源金融大模型，也包括GPT-o1、DeepSeek-R1等超大尺寸通用推理模型。

还做到了兼顾专业与通用，在实现金融专业化的同时，通用推理能力没有明显损失。

△Agentar-Fin-R1与Qwen3的对比

具体实现方法主要包括以下创新：

• 更专业全面的金融数据标签体系，让模型“出厂即专家”；

• 更高效的加权训练算法，大幅降低大模型应用门槛；

• 模型能力结合真实业务场景自主进化。

我们逐一详细拆解。

更专业的金融任务数据标签体系

首先，训练行业大模型需要对行业知识进行系统化的学习，

针对金融任务纷繁复杂的实际情况，蚂蚁数科团队构建了精细化的金融任务分类体系，覆盖银行、证券、保险、基金、信托等全场景。并将复杂的金融领域任务分解为精准定义的类别，比如“意图识别”、“风险评估”、“合规检查”等等。

基于千亿级金融专业数据语料，再经过专门设计的可信数据合成和CoT数据精标，构建了迄今已知最专业最全面的金融领域训练数据集。

这样做的好处是，相当于打造了一个“课程大纲”，来作为整个开发流程的指导框架。

不仅能指导数据处理和训练工作流，还实现了系统化的任务向导优化，确保金融推理场景的全面覆盖。

多维度可信保障

以此为框架，对于垂直领域模型，最为关键的数据如何获取？

蚂蚁数科团队通过三个层次来确保数据的高质量。

首先，是源头可信。背靠蚂蚁在金融领域的长期积累以及真实数据，构建专业全面的金融领域训练数据集，并供下游进行可信的数据合成。

其次，是合成可信。引入可验证的双轨多智能体协作数据合成框架，也就是让多个AI智能体相互讨论相互审核，来保证合成数据质量。

最后，治理可信。通过人工抽样标注，基于自研奖励模型的打分过滤，去重、去污、去毒等全面数据处理，保证数据安全。

高效训练优化

训练方面，蚂蚁数科团队创新采用“加权训练”，以最大化提升数据利用效率及训练效率。

简单来说，就是动态分配训练资源，让模型在较难的任务上多投入精力学，在简单任务上少花精力。

具体到数据效率方面，是通过难度感知加权训练框架来挖掘数据潜力，结合标签引导合成和智能选择提升数据利用率。

在训练效率方面，则采用两阶段训练策略：

• 第一阶段，先进行知识全面注入，让模型把金融知识吃透；

• 第二阶段，专挑最难、最弱的题目用强化学习+目标微调，强化模型复杂推理能力。

除此之外，研究团队还构建了全面的归因系统，实现快速瓶颈识别和针对性改进。

相较于传统的SFT和RL，这种高效训练优化策略不仅能够缩短模型迭代周期、降低计算成本，更重要的是能够快速响应金融市场的动态变化，确保模型在风险控制、投资决策、合规监管等真实业务场景中，及时部署，自主“进化”。

同时，这也是模型保留通用能力的关键所在。

Finova：更严苛的评估标准

值得关注的一点是，这次蚂蚁数科不仅是在提升模型能力上下了功夫。为了验证模型在真实场景中的有效性，他们还在“考试题目”上下了功夫。

前文提到，在这项研究中，蚂蚁数科自己提出了一个新的评测基准Finova。

为什么要提新标准？原因很简单：现有的金融测评集，太简单了。

就像对于通用模型，人类专家们绞尽脑汁设置“人类最后的考试”，极限考验顶尖模型的性能，蚂蚁数科也希望在金融领域，能面向实际部署，更准确地评估模型的真实效用。

具体来说，Finova是从智能体执行任务能力、复杂推理能力、安全合规能力这三个真实场景中最受关注的维度，来对模型进行考察，共包含1350道金融难题。

智能体能力评估

从实际业务需求出发，标准化评估金融智能体的核心能力：

• 金融意图检测：精准识别投资咨询、产品询问、风险评估等复杂金融场景中的用户真实需求

• 金融槽位识别：准确抽取和结构化“万能险”、“科创板”等专业金融术语，构建金融文本理解基础

• 金融工具规划：智能解析用户需求并推荐匹配的金融工具，如投资组合分析、基金对比等

• 金融表达生成：基于多种来源的数据源综合生成准确可靠、严格符合监管要求的专业金融表达

举个例子，面对“能告诉我瑞士法郎兑加元现在报价多少，近期加元为什么跌得这么凶”这样的问题，模型理解用户意图为对“外汇”进行信息查询+分析解读，识别“瑞士法郎”、“加元”等槽位，调用相应查询工具，最后综合多种信息源生成回答。

复杂推理能力

深度整合金融数学计算、代码理解和多步骤复杂逻辑推理，模拟真实金融决策场景：

涵盖资产估值、投资组合优化、风险分析等核心金融业务；考验模型在历史数据分析、结果预测、复杂场景推理等方面的综合表现。

在这方面，感受一下，Finova的真题如下：

某工业公司2024年4月的财务数据显示：边际贡献总额为 $60,000，净利润为 $25,000。预计5月份销售量将同比增长5%，假设公司成本结构和固定成本保持不变。则该公司在此期间的经营杠杆系数（DOL）为 __，对应的净利润预期增幅为 __%（结果分别保留一位小数和整数位）。

安全合规验证

安全防护方面，识别和防范恶意输入、数据泄露、系统滥用等安全威胁。

合规监管方面，深度理解反洗钱法规、数据隐私保护、投资者保护、风险披露等多元化监管框架。

可以看到，在Finova这个新基准下，参与测试的模型评分相较于其他基准都有明显的下降，甚至得分几乎砍半。

其中，蚂蚁数科的Agentar-Fin-R1-32B达到了最高的69.93分，大幅超越了同尺寸金融推理大模型Dianjin-R1-32B（56.02分)，也超越了超大尺寸推理模型DeepSeek-R1（61.28分）和GPT-o1（60.46分）。

这进一步凸显了垂直领域模型在特定任务中的显著优势。

蚂蚁数科SOTA意外吗？

从实验结果可以看出，Agentar-Fin-R1这样的垂直模型，是行业赛道中的“隐藏王牌”，在实际应用场景中往往能比通用模型更快落地、发挥作用。

这也是为什么——是蚂蚁数科带来了这次最新的金融行业SOTA模型。

有必然性，基因就在那里。作为蚂蚁集团的科技商业化独立板块，蚂蚁数科长期浸润一线，天然具备对金融场景更深度的行业理解和数据积累。

并且从2017年起，蚂蚁数科已经布局AI，致力于以AI技术深度重构企业核心场景。

目前，在金融领域，蚂蚁数科累计已服务100%国有股份制银行，超60%城商行，以及数百家金融机构，支持金融业的高效数智化转型。

也有顺势而为的准确趋势判断。

实际上，作为蚂蚁数科的企业级智能体服务品牌，Agentar已经成为蚂蚁集团在金融领域AI实践的一个经验输出窗口。

Agentar链接数百个金融MCP，为金融机构规模化应用大模型提供强大的数据生态，并已联合金融行业机构推出超百个金融智能体解决方案，覆盖银行、证券、保险、通用金融等四大领域，能提升一线员工工作效率超80%。

现在，新模型出炉，可以说是蚂蚁数科本身行业洞察+数据积累+AI能力的一次集中体现。

当然啦，技术论文实现SOTA之外，作为模型和产品，更重要的还是实际应用表现。

建议蚂蚁数科的朋友，发布会多讲讲这方面的。

论文和性能成绩，我们已经替你们抢跑了哟～

论文地址：https://arxiv.org/abs/2507.16802

文章来自于微信公众号“量子位”，作者是“鱼羊”。