银行人看得懂、用得上的 AI 知识库

Agent-First 内容写作、AI 大模型、银行业数字化转型的深度文章,拆解银行 AI 落地。

最新文章

贵模型何时撒手

2026-11-02模型路由成本优化Agent模型切换银行AI长程任务

NVIDIA、HKUST与UIUC研究长程Agent任务中从贵模型到便宜模型的一次性交接。AgentBaton检测器根据任务进度模式学习何时切换,在11对模型组合上平均省65.9%的API成本,同时保持准确率,最高比全程用贵模型还高8.8分。反向交接(便宜切贵)几乎不省钱。本文分析它对银行长程Agent任务的成本优化。

模型也会被投毒

2026-11-02后门攻击预训练投毒模型供应链银行AI安全AI安全Agent风险

Anthropic、UC Berkeley与UIUC发现:在预训练语料中投毒0.1%就能植入远程代码执行后门,且能穿过干净的后训练管线存活到CLI Agent。4B模型上普通文件路径触发时Pass@32攻击成功率92.7%,干净提示触发率0%。模型越大攻击越容易;0.0005%投毒率在单种子测试中仍有1.4%触发。本文分析银行使用开源预训练模型的供应链风险。

银行需要自己的OS吗

2026-11-02银行IT智能体操作系统大模型研发系统架构数字银行AI治理

新人工智能时代,银行IT从核心系统、信贷、风控、CRM、OA堆叠走向统一入口。本文回答三个问题:银行是否需要一个智能操作系统,需要怎样的操作系统,以及能不能用大模型加速研发建设。核心判断:银行需要的不是替代核心账务的新OS,而是架在所有系统之上的意图理解、任务编排、权限代理与审计总线;大模型能写代码和理解遗留系统,但权限、审计和回滚逻辑必须人来设计。

中美太空智能算力与在轨大模型深度对比:从 Suncatcher 的第一首俳句,到三体计算星座的二十五个模型

2026-11-02太空算力在轨大模型Project Suncatcher三体计算星座商业航天AI基础设施中美科技竞争

以 Google Project Suncatcher 在轨 TPU 首次生成 Gemma 4 回答为切口,系统对比中美太空算力路线:三体计算星座、星算计划、灵境星座与 Suncatcher、Starcloud、SpaceX 百万星申请;拆解能源、散热、辐射、星间链路、发射成本、芯片、维护、频轨与安全八大约束,并提出分层解决思路。

重排序别用决策调

2026-11-02重排序微调决策模型检索银行知识库RAG

Passau大学与ITU测试:决策微调是否比重排序微调更适合做重排序器。用6个Qwen模型从0.6B到27B、10个TREC DL与BEIR集合。重排序微调在0.6B到9B上赢5到29个nDCG@10点,27B打平;决策微调在9B以下不超过未微调基线。校准优势取决于问题措辞,不能弥补排序质量差距。本文分析银行知识库重排序该用什么微调目标。

检索不生成token

2026-11-02RAG检索决策模型银行知识库Agent推理成本

Cornell与ASAPP提出DecisionRAG,用决策模型做层级检索替代第一阶段检索器:不生成token,一次前向传播给候选打分,从宽主题逐层导航到文档和段落。在MultiDoc2Dial上比稠密检索加8B重排器高13.8个R@1点,Natural Questions上17.4个Hit@1点,检索仅0.7到1.8秒。本文分析它对银行制度库、合同库和客服知识库检索的意义。

主题分区

智能体61 篇

AI治理59 篇

金融科技59 篇

银行AI44 篇

大模型37 篇

风险管理34 篇