又到了一年一度“中國AI春晚”WAIC，各家大廠動作頻發的時候。

今年會有哪些看點？你別說，我們還真在扒論文的過程中，發現了一些熱乎線索。

比如螞蟻數科的金融推理大模型，發布會還沒開，技術論文已悄咪咪上線。

金融領域的推理大模型，你可以理解為金融領域的DeepSeek，帶著SOTA的刷榜成績來了。

同樣是“杭州”背景科技公司，螞蟻數科。

不僅在各項金融測評集上刷新SOTA，在MATH、GPQA等通用推理基準中，也有比肩DeepSeek R1，GPT-o1等超大尺寸推理模型的水平。

圖片

圖片

而且論文也把技術細節全部公開講清楚了。

嘿嘿嘿，留給螞蟻數科自己發布會上當新聞來講的東西，不多了。

模型出廠即專家

新模型名為Agentar-Fin-R1，一共有兩個不同參數版本：8B和32B。

圖片

螞蟻數科的研究出發點很務實，就是要突破大模型應用在實際金融業務場景中遇到的行業問題。

與通用場景不同，金融應用在數據、幻覺和合規方面，有著更嚴苛的要求。核心面臨的挑戰有三點：

• 金融問題的復雜性：涉及法規、風險和實時數據，AI系統必須具備快速學習和適應的能力。通用大模型雖然會推理，但對專業術語、監管細節常常“一臉懵”。
• 可信度和可解釋性：金融決策關乎重大利益，出錯代價高。每一個推理步驟都必須透明可審計，確保決策過程的可信度和可解釋性。
• 金融大模型評測集：業界缺少圍繞真實金融業務場景，驗證復雜任務推理、智能體應用等關鍵能力的金融大模型評測集。

針對于此，Agentar-Fin-R1基于Qwen3，從數據采集、訓練框架、任務分類等角度出發，實現了針對金融任務的深度優化。

從效果上來看，首先，Agentar-Fin-R1在所有金融評測基準上——包括Fineva、FinEval、FinanceIQ和螞蟻數科全新提出的Finova——均達到業界最優水平，超越業界開源金融大模型，也包括GPT-o1、DeepSeek-R1等超大尺寸通用推理模型。

還做到了兼顧專業與通用，在實現金融專業化的同時，通用推理能力沒有明顯損失。

△Agentar-Fin-R1與Qwen3的對比

具體實現方法主要包括以下創新：

• 更專業全面的金融數據標簽體系，讓模型“出廠即專家”；
• 更高效的加權訓練算法，大幅降低大模型應用門檻；
• 模型能力結合真實業務場景自主進化。

圖片

我們逐一詳細拆解。

更專業的金融任務數據標簽體系

首先，訓練行業大模型需要對行業知識進行系統化的學習，

針對金融任務紛繁復雜的實際情況，螞蟻數科團隊構建了精細化的金融任務分類體系，覆蓋銀行、證券、保險、基金、信托等全場景。并將復雜的金融領域任務分解為精準定義的類別，比如“意圖識別”、“風險評估”、“合規檢查”等等。

基于千億級金融專業數據語料，再經過專門設計的可信數據合成和CoT數據精標，構建了迄今已知最專業最全面的金融領域訓練數據集。

這樣做的好處是，相當于打造了一個“課程大綱”，來作為整個開發流程的指導框架。

不僅能指導數據處理和訓練工作流，還實現了系統化的任務向導優化，確保金融推理場景的全面覆蓋。

多維度可信保障

以此為框架，對于垂直領域模型，最為關鍵的數據如何獲取？

螞蟻數科團隊通過三個層次來確保數據的高質量。

首先，是源頭可信。背靠螞蟻在金融領域的長期積累以及真實數據，構建專業全面的金融領域訓練數據集，并供下游進行可信的數據合成。

其次，是合成可信。引入可驗證的雙軌多智能體協作數據合成框架，也就是讓多個AI智能體相互討論相互審核，來保證合成數據質量。

最后，治理可信。通過人工抽樣標注，基于自研獎勵模型的打分過濾，去重、去污、去毒等全面數據處理，保證數據安全。

圖片

高效訓練優化

訓練方面，螞蟻數科團隊創新采用“加權訓練”，以最大化提升數據利用效率及訓練效率。

簡單來說，就是動態分配訓練資源，讓模型在較難的任務上多投入精力學，在簡單任務上少花精力。

具體到數據效率方面，是通過難度感知加權訓練框架來挖掘數據潛力，結合標簽引導合成和智能選擇提升數據利用率。

在訓練效率方面，則采用兩階段訓練策略：

• 第一階段，先進行知識全面注入，讓模型把金融知識吃透；
• 第二階段，專挑最難、最弱的題目用強化學習+目標微調，強化模型復雜推理能力。

除此之外，研究團隊還構建了全面的歸因系統，實現快速瓶頸識別和針對性改進。

相較于傳統的SFT和RL，這種高效訓練優化策略不僅能夠縮短模型迭代周期、降低計算成本，更重要的是能夠快速響應金融市場的動態變化，確保模型在風險控制、投資決策、合規監管等真實業務場景中，及時部署，自主“進化”。

同時，這也是模型保留通用能力的關鍵所在。

Finova：更嚴苛的評估標準

值得關注的一點是，這次螞蟻數科不僅是在提升模型能力上下了功夫。為了驗證模型在真實場景中的有效性，他們還在“考試題目”上下了功夫。

前文提到，在這項研究中，螞蟻數科自己提出了一個新的評測基準Finova。

為什么要提新標準？原因很簡單：現有的金融測評集，太簡單了。

就像對于通用模型，人類專家們絞盡腦汁設置“人類最后的考試”，極限考驗頂尖模型的性能，螞蟻數科也希望在金融領域，能面向實際部署，更準確地評估模型的真實效用。

具體來說，Finova是從智能體執行任務能力、復雜推理能力、安全合規能力這三個真實場景中最受關注的維度，來對模型進行考察，共包含1350道金融難題。

智能體能力評估

從實際業務需求出發，標準化評估金融智能體的核心能力：

• 金融意圖檢測：精準識別投資咨詢、產品詢問、風險評估等復雜金融場景中的用戶真實需求
• 金融槽位識別：準確抽取和結構化“萬能險”、“科創板”等專業金融術語，構建金融文本理解基礎
• 金融工具規劃：智能解析用戶需求并推薦匹配的金融工具，如投資組合分析、基金對比等
• 金融表達生成：基于多種來源的數據源綜合生成準確可靠、嚴格符合監管要求的專業金融表達

舉個例子，面對“能告訴我瑞士法郎兌加元現在報價多少，近期加元為什么跌得這么兇”這樣的問題，模型理解用戶意圖為對“外匯”進行信息查詢+分析解讀，識別“瑞士法郎”、“加元”等槽位，調用相應查詢工具，最后綜合多種信息源生成回答。

復雜推理能力

深度整合金融數學計算、代碼理解和多步驟復雜邏輯推理，模擬真實金融決策場景：

涵蓋資產估值、投資組合優化、風險分析等核心金融業務；考驗模型在歷史數據分析、結果預測、復雜場景推理等方面的綜合表現。

在這方面，感受一下，Finova的真題如下：

某工業公司2024年4月的財務數據顯示：邊際貢獻總額為 $60,000，凈利潤為 $25,000。預計5月份銷售量將同比增長5%，假設公司成本結構和固定成本保持不變。則該公司在此期間的經營杠桿系數（DOL）為 __，對應的凈利潤預期增幅為 __%（結果分別保留一位小數和整數位）。

安全合規驗證

安全防護方面，識別和防范惡意輸入、數據泄露、系統濫用等安全威脅。

合規監管方面，深度理解反洗錢法規、數據隱私保護、投資者保護、風險披露等多元化監管框架。

可以看到，在Finova這個新基準下，參與測試的模型評分相較于其他基準都有明顯的下降，甚至得分幾乎砍半。

圖片

其中，螞蟻數科的Agentar-Fin-R1-32B達到了最高的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）。

這進一步凸顯了垂直領域模型在特定任務中的顯著優勢。

螞蟻數科SOTA意外嗎？

從實驗結果可以看出，Agentar-Fin-R1這樣的垂直模型，是行業賽道中的“隱藏王牌”，在實際應用場景中往往能比通用模型更快落地、發揮作用。

這也是為什么——是螞蟻數科帶來了這次最新的金融行業SOTA模型。

有必然性，基因就在那里。作為螞蟻集團的科技商業化獨立板塊，螞蟻數科長期浸潤一線，天然具備對金融場景更深度的行業理解和數據積累。

并且從2017年起，螞蟻數科已經布局AI，致力于以AI技術深度重構企業核心場景。

目前，在金融領域，螞蟻數科累計已服務100%國有股份制銀行，超60%城商行，以及數百家金融機構，支持金融業的高效數智化轉型。

也有順勢而為的準確趨勢判斷。

實際上，作為螞蟻數科的企業級智能體服務品牌，Agentar已經成為螞蟻集團在金融領域AI實踐的一個經驗輸出窗口。

Agentar鏈接數百個金融MCP，為金融機構規模化應用大模型提供強大的數據生態，并已聯合金融行業機構推出超百個金融智能體解決方案，覆蓋銀行、證券、保險、通用金融等四大領域，能提升一線員工工作效率超80%。

現在，新模型出爐，可以說是螞蟻數科本身行業洞察+數據積累+AI能力的一次集中體現。

當然啦，技術論文實現SOTA之外，作為模型和產品，更重要的還是實際應用表現。

建議螞蟻數科的朋友，發布會多講講這方面的。

論文和性能成績，我們已經替你們搶跑了喲～

論文地址：https://arxiv.org/abs/2507.16802