- 综合排序
- 最热优先
- 最新优先
- 来自专栏资讯分享
2023金融业大模型报告重磅发布 | 附全文下载
11月9日，在2023金融街论坛“构建数实融合新模式，助力产业数字金融新发展”分论坛上，中国银保传媒与腾讯研究院联合发布《2023金融业大模型应用报告》，深入解析大模型发展趋势，建立金融业大模型应用体系化蓝图 在金融领域，行业大模型为金融市场带来了前所未有的机遇，从精准营销、客户服务、代码生成等多个场景，助力金融机构在服务和管理方面实现“效率革命”。 - 司晓 腾讯研究院院长以大模型为代表的新一代人工智能技术，正在加速改变人们的生活方式，助力千行百业；在金融行业，借助领先的数字化基础，云基础架构和AI的深度结合，大模型的应用将比其他行业更加超前，更快速更深刻的重塑金融服务的体验 在明确了模型在某一行业的具体应用场景后，企业可以根据实际需求投入相应的资源，以实现最大化的投资回报。第一大问题：如何判定所建场景当使用哪类大模型？ 在将大模型应用到行业之前，需要对技术成熟度、需求频次和场景价值三个方面进行思考。通过对金融机构、大模型服务商、腾讯内部技术团队的调研，本报告形成了金融业大模型应用体。
4.9K00编辑于 2023-11-24 - 来自专栏资讯分享
共赴数智金融的新时代：《2023金融业大模型应用报告》发布
《2023金融业大模型应用报告》（以下简称《报告》），深入解析大模型发展趋势，建立金融业大模型应用体系化蓝图，指引数智金融产业演进。 《报告》力求客观、准确地反映相关趋势，以务实求效的核心基准探明金融业大模型的应用场景。全球大模型发展趋势以大模型为核心驱动了第四波人工智能浪潮。 在大模型能力的加持下，各行各业都选择拥抱这一轮科技浪潮，将迎来范式转换与场景变革。明确大模型在金融业的场景落地边界《报告》明确了大模型在金融业场景的落地边界。 基础大模型定位通用技术基座，行业大模型定位专用行业引擎，技术基座持续为行业大模型提供生命力以满足场景特定需求。 大模型在金融业的价值与应用大模型催生“效率革命”，为金融行业提质增效。
85820编辑于 2023-11-14 - 来自专栏资讯分享
腾讯云联合信通院正式发布「金融行业大模型标准
会上，腾讯云作为推动行业大模型发展的核心单位，联合信通院正式发布国内首个金融行业大模型标准，为金融行业智能化的高质量发展提供了重要支撑，为全面促进大模型安全合规和可信发展提供了重要保障。 随着金融行业大模型进入规模化应用的全新阶段，全面评估模型的应用能效成为该领域的重要方向。 另外，在9月7日举行的2023腾讯全球数字生态大会上，腾讯云与信通院还共同发布了《行业大模型标准体系及能力架构研究报告》，该报告参考了腾讯云在行业大模型产业应用领域的实践和经验，为金融机构构建行业大模型提供了标准化流程 例如，腾讯云的金融风险控制解决方案融合了腾讯过去20多年的黑灰产对抗经验和上千个真实业务场景，相较于传统模式，提高了10倍的效率，整体反欺诈效果也提升了约20%。 同时，该行还构建了专属的金融客服大模型，为银行投资、财富管理、绿色金融等业务提供智能咨询、辅助分析和决策等服务。不断为千行百业输送行业大模型解决方案的同时，腾讯云一直以来都在积极参与大模型标准建设。
1.1K20编辑于 2023-10-11 - 来自专栏钱塘大数据
如何构建金融行业大数据用户画像？
进入移动互联网时代之后，金融业务地域限制被打破。金融企业没有固定业务区域，金融服务面对所有用户是平的。 金融消费者逐渐年轻化，80、90后成为客户主力，他们的消费意识和金融意识正在增强。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户(在本行资产很少，但是在他行资产很多)，筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据+移动位置数据(别墅/高档小区)+物业费代扣数据+银行自身数据+汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务 C：需找理财客户 利用自身数据 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
2.3K40发布于 2018-03-06 - 来自专栏大数据文摘
大数据金融渐行渐进
金融，作为现代经济中枢，其实也已透出了大数据金融的曙光。 过去的2013年，中国金融界热议最多的或许是互联网金融，更有人指出2013年是中国互联网金融元年。 因此，要准确反映近年新金融趋势，“大数据金融”比“互联网金融”更为贴切。 大数据金融有以下七大特征： 网络化的呈现。在大数据金融时代，大量的金融产品和服务通过网络来展现，包括固定网络和移动网络。 传统金融想也不敢想的金融深化在大数据金融时代完全实现。 大数据金融图景 尽管大数据技术还处于早期发展阶段，但大数据金融已透出了一片曙光。我们结合多方面的文献和事实，试图勾勒出大数据金融图景。 泛金融化。金融供给也许不再是传统金融业者的专属领地，许多具备大数据技术应用能力的企业都会或多或少涉足、介入金融行业。 金融企业与非金融企业间的跨界融合成为常态。同时，金融企业在提供传统金融服务的同时，其服务范围、内容也会泛金融化，会提供综合的、社会化的服务。 多层次的行业格局。
870160发布于 2018-05-21 腾讯云教育行业大模型概要
一、 产品定位与核心亮点 腾讯云教育行业大模型是基于大语言模型技术，面向教育行业特定需求优化的专业模型。其核心技术属性为依托“知识引擎”平台对外提供服务的知识应用构建平台。 场景：通过数智人形象搭载大模型，提供有“温度”、有“速度”的专业招生咨询。 三、 应用框架和功能介绍 功能框架 教育行业大模型是腾讯云知识引擎平台的核心组成部分。 知识引擎是一个基于大语言模型的知识应用构建平台，提供知识问答、知识总结等开箱即用的应用类型及原子能力服务。教育行业大模型作为平台模型层的一个专项选择，服务于教育场景。 支持动漫、水墨、油画等20+种风格，出图时间约5~10秒。高级版支持Prompt智能扩写。 智能图生图：输入图片，输出风格转化后的图片。支持5种风格，针对人像优化，出图时间约5~10秒。 牵头国内首个金融行业大模型标准，并作为核心编写单位参与中国电子工业标准化技术协会和中国人工智能产业发展联盟的大模型技术标准制定。 沙利文2024年大模型评测中，腾讯混元大模型能力领先。
22210编辑于 2026-05-312025 工业大模型应用报告
以生成式AI为主的大模型应用呈现U型分布 2.3. 大模型与小模型将长期共存并相互融合 工业大模型应用的三种构建模式 3.1. 模式一:预训练工业大模型 3.2. 模式二:微调 3.3. 三种模式综合应用推动工业大模型落地 大模型应用探索覆盖工业全链条 4.1. 大模型通过优化设计过程提高研发效率 4.2. 大模型拓展生产制造智能化应用的边界 4.3. 大模型基于助手模式提升经营管理水平 4.4. 大模型基于交互能力推动产品和服务智能化 工业大模型的挑战与展望 5.1. 工业大模型应用面临数据质量和安全、可靠性、成本三大挑战 5.2. • 定量分析： • 样本规模：统计分析 99个工业大模型应用案例；引用中国信通院 507个AI小模型应用案例 作为对比基准。 报告详细对比了预训练工业大模型、微调、检索增强生成（RAG）三种模式的数据需求、优缺点及适用场景。
20710编辑于 2026-05-31【机器学习金融模型】
高频交易策略优化：机器学习驱动的市场微观结构解析 利用LSTM网络捕捉盘口数据时序特征 构建基于TensorFlow的LSTM模型处理逐笔委托数据，输入层接收买卖一档价量变化序列，隐藏层提取微观模式特征 Dense, Attention model = tf.keras.Sequential([ LSTM(128, return_sequences=True, input_shape=(60, 10
31610编辑于 2025-12-18- 来自专栏钱塘大数据
AI掀起金融革命，50%金融人失业，70%投行面临转型
已经失守的不仅仅是财务人员，看看金融人员的未来。 华尔街失守：摩根大通家的AI将36万小时的工作缩至秒级 银行家向码农低头。曾经汇聚全球顶尖金融人才的华尔街可能率先被人工智能攻陷。 年前瑞银集团的交易大厅： 现在的交易大厅却成了这个样子： 用更高的科技取代成本高昂效率低下的人工劳动是所有行业的一大趋势，估计在两三年后，交易大厅能空出一个足球场来~ 四、数据揭露残酷的现实 2016年全球12家最大投行的分析人员降至 5981人，低于2015年的6282人，科技公司里的金融工作者逐年增长： LinkedIn的数据显示，Google 4.75万员工里，有1200人曾经在全球排名前十的投行工作；至少750名Apple员工来自投行 ；据CEO卡兰尼克说，Uber员工中有一成到一成半来自金融服务业，曾经在高盛工作的员工占5%。 金融数据服务商Kensho创始人预计，到2026年，有33%-50%的金融业工作人员会失去工作，他们的工作将被电脑所取代。
1.9K100发布于 2018-03-06 - 来自专栏智能算法
金融行业大数据用户画像实践
进入移动互联网时代之后，金融业务地域限制被打破。金融企业没有固定业务区域，金融服务面对所有用户是平的。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务 C：需找理财客户 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
3K100发布于 2018-04-02 - 来自专栏灯塔大数据
金融行业大数据用户画像实践
进入移动互联网时代之后，金融业务地域限制被打破。金融企业没有固定业务区域，金融服务面对所有用户是平的。 金融消费者逐渐年轻化，80、90后成为客户主力，他们的消费意识和金融意识正在增强。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务。 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
2K70发布于 2018-04-10 - 来自专栏数据科学与人工智能
金融行业大数据用户画像实践
文|鲍忠铁，TalkingData首席金融行业布道师，上海大数据产业联盟金融行业专家，金融行业大数据实践推动者。 进入移动互联网时代之后，金融业务地域限制被打破。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务 C：需找理财客户 利用自身数据 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
3.3K60发布于 2018-02-28 - 来自专栏数据的力量
金融行业大数据用户画像实践
文|鲍忠铁（微信号：daxiakanke），TalkingData首席金融行业布道师，上海大数据产业联盟金融行业专家，金融行业大数据实践推动者。鲍忠铁同时也是36大数据的专栏作者。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务 C：需找理财客户 利用自身数据 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
2.8K60发布于 2018-06-21 - 来自专栏华章科技
金融行业大数据用户画像实践
文|鲍忠铁，TalkingData首席金融行业布道师，上海大数据产业联盟金融行业专家，金融行业大数据实践推动者。 进入移动互联网时代之后，金融业务地域限制被打破。 金融企业是最早开始用户画像的行业，由于拥有丰富的数据，金融企业在进行用户画像时，对众多纬度的数据无从下手，总是认为用户画像数据纬度越多越好，画像数据越丰富越好，某些输入的数据还设定了权重甚至建立了模型， DMP可以帮助信用卡公司筛选出未来一个月可能进行分期付款的客户，电子产品重度购买客户，筛选出金融理财客户，筛选出高端客户（在本行资产很少，但是在他行资产很多），筛选出保障险种，寿险，教育险，车险等客户， B：寻找高端资产客户 利用银联数据＋移动位置数据（别墅／高档小区）＋物业费代扣数据＋银行自身数据＋汽车型号数据，发现在银行资产较少，在其他行资产较多的用户，为其提供高端资产管理服务 C：需找理财客户 利用自身数据 可以看出移动App已经可以满足人们大部分生活需要，提供了人们的衣食住行、教育、医疗、旅游、金融等服务。移动App包围了人们的日常生活，成为人们消费的主要场所。
3.3K30发布于 2018-08-17 《工业大模型应用报告》核心概览
以判别式AI为主的小模型应用呈现倒U型分布 2.2. 以生成式AI为主的大模型应用呈现U型分布 2.3. 大模型与小模型将长期共存并相互融合 工业大模型应用的三种构建模式 3.1. 模式一:预训练工业大模型 3.2. 模式二:微调 3.3. 模式三:检索增强生成 3.4. 三种模式综合应用推动工业大模型落地 大模型应用探索覆盖工业全链条 4.1. 大模型基于交互能力推动产品和服务智能化 工业大模型的挑战与展望 5.1. 工业大模型应用面临数据质量和安全、可靠性、成本三大挑战 5.2. 工业大模型应用将伴随技术演进持续加速和深化 方法论说明 研究方法：定性分析与定量分析相结合。定量分析基于对99个工业大模型应用案例的收集与统计分析；定性分析结合行业专家观点进行深度解读。 模式路径：工业大模型的构建存在三种主流模式：预训练工业大模型、微调与检索增强生成（RAG）。这三种模式往往综合应用，而非孤立选择，以平衡成本、精度与泛化能力。
21010编辑于 2026-05-31腾讯云教育行业大模型产品概要
一、产品定位与核心亮点 腾讯云教育行业大模型是基于大语言模型（LLM）打造的垂直领域知识应用构建平台，依托腾讯云知识引擎对外输出服务。 教师 80% 精力用于书写教案；教学案例更新慢（教育部要求高职资源年更新率不低于10%）；多媒体素材缺失。 大模型助力教师备课：智能生成教案PPT大纲、智能文生图/图生图补充课件素材。 功能框架 产品基于知识引擎平台构建，架构分为三层： 模型层：混元大模型、精调知识大模型、教育行业大模型、医学/金融行业大模型等。 配置层：知识库管理、应用评测、审核发布、数据看板、运营调优。 硬核指标 文生图/图生图性能：出图速度约 5~10秒。 文生图风格：支持 20+ 种风格（动漫、水墨、油画、赛博朋克等）；图生图支持 5 种风格（针对人像优化）。 信通院认证：入选信通院首批优秀大模型案例；牵头国内首个金融行业大模型标准；作为核心编写单位参与信通院《大规模预训练模型技术和应用评估方法》及中国电子工业标准化技术协会《人工智能大模型 第一部分 通用要求
20710编辑于 2026-05-31- 来自专栏腾讯研究院的专栏
政策监管严控 今年互联网金融将迎行业大洗牌
多数互联网金融资深人士表示，种种举措表明，行业迎来大洗牌，政府在加强互金监管，规范和梳理互联网金融行业，既鼓励合法规范的互联网金融平台发展，也在清理不规范的互联网金融平台。 程猛说，“金融与实体经济息息相关，民间资本作为中国金融资本中的一部分，我们一直在自我稳健发展的同时，支持实体经济、小微企业的发展，这才是互联网金融的立足点。 也就是说，互联网金融的本质仍是金融，金融注重的是稳健和安全，只有做好了基础的风控安全，才可以更好地进行服务和产品的创新，而具有独特金融服务创新及风控管理能力的企业将最终获得市场投资人及用户的青睐。 这就意味着，互联网金融生态战略或成主流，数据资产成为未来互联网金融发展的核心优势。 从此前颁发的《关于促进互联网金融健康发展的指导意见》中可以看出，监管层更愿意看到传统金融机构与互联网金融相互合作、监督，比如明确要求互联网金融平台必须实行第三方存管制度。
1.2K60发布于 2018-02-06 - 来自专栏量子位
一行代码提高大模型10%性能，开发者：免费午餐
克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 大模型微调有“免费的午餐”了，只要一行代码就能让性能提升至少10%。 这是一种新的正则化技术，可以用于提高微调监督（SFT）模型的性能。 这种方法已经被HuggingFace收录进了TRL库，只要import再加一行代码就能调用。 有网友试着用这种方法微调了基于Guanaco（一种羊驼家族模型）的Mistral-7B，结果性能提升明显。 那么，NEFTune是如何用一行代码给一众大模型“打鸡血”的呢？ 结果在不同的训练数据集中，Llama 2调整后都有至少10%的性能提升，在Alpaca数据集上更是直接翻倍。 推广到OPT和Llama 1，NEFT方法同样可以带来一定的性能提升。 结果显示，NEFT方法在不同的数据集和模型上，对模型的其他能力均没有显著影响。 实验过程中，作者还发现，模型生成的文本和并不是照搬训练数据，提示了模型具有一定泛化能力。
54720编辑于 2023-10-25 - 来自专栏python3
利用itchat 10行python代
使用的是python第三方库itchat，itchat模块是一位叫littlecodersh的大神写的模块，附上大神的github地址,有兴趣的朋友可以去尝试玩一下itchat模块，很有趣的！！！https://github.com/littlecode...
1.8K30发布于 2020-01-02 - 来自专栏算法channel
10 行实现最短路算法
使用优先队列之后这段代码会变得非常简单，同样也不超过十行，为了方便同学们调试，我把连带优先队列实现的代码一起贴上来。 0 que = PriorityQueue() INF = sys.maxsize edges = [[], [[2, 7], [3, 9], [6, 14]], [[1, 7], [3, 10 ], [4, 15]], [[1, 9], [2, 10], [6, 2], [4, 11]], [[3, 11], [5, 6]], [[4, 6], [6, 9]], [[3, 2], [5, 9]
1.1K20发布于 2020-08-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号