金融大模型能自己进化吗？在香港金融科技周上亮相的轩辕4.5给出了一个值得关注的答案。这款由度小满、香港科技大学与香港生成式人工智能研发中心联合发布的金融增强大模型，在获客、风控、客户经营等核心金融场景中实现效果提升30%。更关键的是，它是金融领域首个将自进化RSI技术运用于模型训练及智能体场景目标适配的模型。
金融行业一直是大模型最渴望落地、也最谨慎对待的领域。渴望，是因为金融业务高度依赖数据与决策，获客、风控、客户经营等环节都有大量可被智能化改造的空间；谨慎，是因为金融业务容错率极低，一个错误的风控判断可能带来真实的资金损失，一个不合规的营销话术可能引发监管风险。因此，金融大模型的竞争从来不只是比谁的模型更大，而是比谁更懂金融场景、更能把效果落到业务指标上。
轩辕4.5公布的30%效果提升，正是在这个背景下值得留意的数据。它覆盖的不是某一个单点任务，而是获客、风控、客户经营等多个核心金融场景。获客场景里，模型要更准确地识别有真实需求的客户；风控场景里，模型要在复杂信号中更早发现风险；客户经营场景里，模型要更贴合地理解客户需求、提供合适的服务。多个场景同时提升30%，说明这不是针对某一个基准的优化，而是模型整体能力在金融场景中的系统性进步。
真正让轩辕4.5与众不同的，是“自进化RSI”这项技术。RSI即递归自我改进，通俗地说，就是模型能够在运行中不断从反馈里学习、调整自己的策略，而不是训练完成后就一成不变。金融场景变化极快：市场环境在变，客户行为在变，欺诈手法也在变。一个静态的模型很容易在几个月后就跟不上变化，而具备自进化能力的模型，理论上可以在持续运行中适应新的数据分布与业务目标。把这项技术首先用在金融领域，恰恰切中了金融业务“变化快、要求高”的痛点。
模型结构上，轩辕4.5包含大语言模型和多模态模型两部分。这个组合同样贴合金融业务的实际形态：金融业务既有大量文本——合同、报告、客服对话，也有大量非文本信息——报表、图表、证件影像、交易流水的可视化呈现。只懂文字的模型处理不了影像，只懂图像的模型读不懂条款，两者结合才能完整地理解一笔业务。金融增强大模型的“增强”二字，很大程度上就体现在这种针对金融场景的专门化设计上。
三方联合发布的背景，也值得注意。度小满来自金融科技一线，拥有真实的业务场景与数据；香港科技大学提供学术研究力量；香港生成式人工智能研发中心则连接着区域创新资源。金融大模型的研发，本来就需要业务、学术与产业三方协同：没有业务场景，模型容易脱离实际；没有学术纵深，技术容易停留在工程拼接；没有区域协同，资源难以有效整合。轩辕4.5的发布方组合，恰好对应了这种协同需求。
当然，自进化技术在金融场景的应用也带来新的问题。模型自我调整的过程必须可审计、可回溯、可干预，否则一旦进化方向偏离业务目标或合规边界，风险可能被放大。金融监管对模型的可解释性有明确要求，任何“黑箱式”的自我进化都需要配上相应的治理机制。轩辕4.5在金融场景目标适配上的探索，接下来需要回答的正是这些问题：进化如何被监督？效果如何被持续验证？出现偏差时如何快速纠正？
放在更大的图景里，轩辕4.5的亮相，标志着金融大模型竞争进入了新的阶段。早期的竞争比的是“有没有金融大模型”，现在的竞争比的是“模型能不能在真实业务里持续变好”。自进化、智能体、场景目标适配这些关键词，指向的都是同一个方向：模型不再是一次性交付的产品，而是能够伴随业务共同成长的系统。谁先把这条路走通，谁就可能在金融智能化的下一轮竞争中占据先机。
香港金融科技周作为发布舞台，也颇具象征意义。香港是连接内地与国际金融市场的重要节点，在这里发布一款金融大模型，本身就带有面向更广阔市场的意味。未来，轩辕4.5能否从发布走向规模化应用，能否在更多金融机构的真实业务中复现30%的提升，将是检验它的真正标准。
来源：新浪财经
