随着银行加速新技术探索与应用，相关金融科技创新应用不断增多。从2020年初至今，中国人民银行及其分支机构对外公示了400项金融科技创新应用，其中390项创新应用申请机构包含银行，银行参与度为97.5%。

而在大模型技术备受关注的当下，银行也探索将大模型用于实际场景。此次，《银行科技研究社》对银行申请的大模型相关金融科技创新应用进行了整理。

8项大模型相关金融科技创新应用，国有行、股份行占5项

据《银行科技研究社》不完全统计，从2024年4月以来，基于大模型技术的创新应用共有8项，分为5个批次，来自于山东、上海、江苏、四川等地区。

8项创新应用中，有6项在名称中就明确基于大模型技术，而其他2项虽然在名称中未体现，但根据声明书介绍，也应用到了大模型技术。

申请机构方面，涉及国有银行（工商银行山东省分行、中国银行上海市分行、建设银行上海市分行）、股份制银行（招商银行上海分行、浦发银行及其上海分行）、城商行（上海银行）、民营银行（新网银行）、农商行（苏州农商银行），国有银行和股份制银行占5项。其中，仅有1项的申请机构中出现了外部机构。

关于这8项金融科技创新应用的运营时间（数据来自于各自声明书的拟正式运营时间），部分创新应用已于2024年开始运营，最晚的正式运营时间则是2025年12月。

值得一提的是，中国人民银行上海总部于5月30日公示上海市第8批金融科技创新监管工具创新应用，图表中的后4项创新应用即属于该批次。就在7月7日发布的公告显示，该批次6个创新应用已完成辅导、公示等，进入测试运行阶段，将面向用户提供服务。

而在具体应用上，信贷/融资成为大模型应用的主要领域，其他领域还包括营销、线上或线下咨询服务等。

当然，在这些创新应用中，并非只有大模型技术在发挥作用，还涉及其他技术，比如大数据、机器学习、RPA（机器人流程自动化）、多方安全计算等。

另外，上述大模型创新应用中，主要为对内服务场景，不过也有面客服务场景。比如在上海银行“基于大模型技术的手机银行支付便利化服务”中，基于大模型与人工智能技术，不仅能准确理解客户在各种服务场景下的自然语言指令，还能以自然流畅的语言进行回应和引导，提高语义理解准确性和客户交互体验。

大模型存在局限性，部分创新应用中结合RAG技术

据《银行科技研究社》了解，大模型本身仍有局限性，由于其存在“幻觉”问题可能导致生成的结果不准确等，或需要结合其他技术来提供服务。在上述8项创新应用中，有2项就提到应用RAG（检索增强生成）技术。

在中国银行上海市分行“基于大语言模型的科创企业普惠信贷服务”中，综合运用了大模型、RAG、生成式AI等技术。

其中，运用大模型技术，开发文本数据库、可视化分析以及报告生成等应用。通过将大模型参数分层，设计存用分离、检索预训练的创新记忆分层架构，进行基础底座大模型的训练，具有语义理解、智能问答、文本生成、多模态信息检索等功能，并支持行业大模型的应用拓展，和对相关技术的使用性能和安全性的评测；运用生成式人工智能技术，在政策知识库的范围内，理解自然语言问题并提供多轮对话以及匹配相应的政策和金融产品支持。

同时，运用RAG技术，整合外部结构化知识源，构建上海市区惠企政策知识库，将收集的政策信息结构化，利用知识源提供实体间的关系、属性、分类和其他形式的专业知识，帮助模型更准确地理解和回应基于知识的查询，形成交互式政策解读工具。

在浦发银行上海分行、浦发银行“基于大模型的跨境金融辅助决策服务”中，前者提供金融应用场景，后者负责系统研发及运维。该创新应用综合运用了大模型、知识工程、RAG、重排序（Reranker）算法等技术。

其中，运用大模型技术，一方面通过深度的语义理解、历史对话关联，准确识别客户意图，支持复杂跨境金融场景的需求分析，实现自动化的服务响应和决策优化；另一方面通过模型语义总结及润色生成能力，对复杂晦涩的管理政策进行总结归纳，高效传导至业务办理环节，提升业务处理效率。

同时，利用RAG技术，弥补大模型训练结束后无法接收外部信息的缺陷，将检索到的知识作为提示词构建的一部分，提升大模型回答的准确性。且运用Reranker算法，对初步检索出的候选文档集进行重新排序，在多路召回的初步结果中筛选出与问题最相关的文档，减少大模型处理无关信息的负担，提升输出答案的准确性。