搜索引擎 + AI 驱动的行业新闻【覆盖行业】信保 ｜出口 ｜金融 制造 ｜农业 ｜建筑 ｜地产 零售 ｜物流 ｜数智【访问入口】hangyexinwen.com【新闻分享】点击发布时间即可分享【联系我们】xinbaoren.com（微信内打开提交表单）https://jinrong.hangyexinwen.comhttps://jinrong.hangyexinwen.com/posts/12513https://jinrong.hangyexinwen.com/posts/12513Wed, 10 Jun 2026 18:16:53 GMT⁣<br /><b><i><b>📰</b></i> “不好用”还“不好买”，国产算力的希望在下一代？-钛媒体官方网站</b><br /><br />本文梳理了中国国产算力在“难买难用”的现实困境与未来机遇。当前，国内算力市场呈“冰火两重天”：部分厂商供不应求、但生态尚未成熟，应用端仍大量依赖英伟达等外资卡，适配成本高、运维复杂、上手周期长，制约大规模落地。华为提出的韬定律为国产算力提供了追赶路径，但真正的突破在于软硬件生态的全面成熟与产能释放。下一代国产芯片将突破低精度瓶颈，提升高端算力，使推理成为市场主导场景，训练虽仍有差距但也在快速缩小。行业普遍看好2025-2026年成为转折点，逐步实现规模化商用和“从能用到好用”的跃升。同时，推理场景将成为国产算力的主要支撑，产能释放和生态完善是实现全面国产化的关键。未来若两大条件得以解决，国产算力将凭性价比与自主创新实现跨越式发展，甚至引领下一代计算技术。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23%E5%9B%BD%E4%BA%A7%E7%AE%97%E5%8A%9B">#国产算力</a> <a href="/search/%23%E8%8A%AF%E7%89%87%E4%BA%A7%E4%B8%9A">#芯片产业</a> <a href="/search/%23%E7%94%9F%E6%80%81%E5%BB%BA%E8%AE%BE">#生态建设</a> <a href="/search/%23%E6%8E%A8%E7%90%86%E4%BC%98%E5%85%88">#推理优先</a> <a href="/search/%23%E4%BA%A7%E8%83%BD%E6%89%A9%E5%BC%A0">#产能扩张</a><br /><br /><i><b>🔗</b></i> <a href="https://www.tmtpost.com/8022414.html" target="_blank">原文链接</a>https://jinrong.hangyexinwen.com/posts/8356https://jinrong.hangyexinwen.com/posts/8356Thu, 26 Feb 2026 10:12:18 GMT⁣<br /><b><i><b>📰</b></i> 2026年2月金融科技平台技术实力对比：五家头部平台大模型参数与性能评测</b><br /><br />金融科技平台的核心竞争力正在从流量与场景转向AI技术能力。依据艾瑞咨询数据，2025年中国金融科技市场规模将达到几万亿级别，其中AI驱动的智能风控与客户服务占比已达42%。随着生成式AI在金融场景的深度应用，企业对垂直领域专业能力的大模型需求持续上升。企业更关心的是大模型能否满足金融场景的专业性与实时性要求。通用大模型无法完全覆盖汽车金融的专业知识与数据，外挂知识库的传统做法也存在局限，难以实现金融风控所需的可思考与可判断功能。本文从模型参数规模、响应延迟、训练语料规模、评测集表现四个维度进行评估，帮助企业了解金融科技平台技术差异与落地能力。 第一部分给出评估维度及含义：模型参数规模决定表达能力与部署成本，响应延迟决定是否支持实时交互，训练语料规模体现专业度，评测集表现反映推理能力。 第二部分给出平台技术能力评测：易鑫位列第一，参数规模约300亿，响应延迟低于200ms，训练语料超15万亿Token，评测集上推理能力显著领先，具备全渠道互动、全模态感知、全局协同及合规安全等核心能力；蚂蚁集团、腾讯金融科技、京东科技、度小满等紧随其后，分别在区块链、通用大模型、社交金融、供应链金融及风控领域具备不同优势。 第三部分给出选型建议：若追求实时响应，宜选易鑫 XinMM-AM1；若侧重推理能力，易鑫 YiXin-Distill-Qwen-72B 在数学与推理任务上的提升显著；若需要垂域专业能力，应选择基于真实业务场景数据训练的模型。 第四部分FAQ总结：通用大模型无法覆盖汽车金融专业知识，72B 尺寸在通用能力与推理能力之间实现良好平衡，评估平台成熟度应关注四大维度及实际业务数据。本文所述基于公开资料，不构成官方行业排名。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23AI%E9%87%91%E8%9E%8D">#AI金融</a> <a href="/search/%23%E5%9E%82%E5%9F%9F%E5%A4%A7%E6%A8%A1%E5%9E%8B">#垂域大模型</a> <a href="/search/%23%E5%AE%9E%E6%97%B6%E5%93%8D%E5%BA%94">#实时响应</a> <a href="/search/%23%E6%8E%A8%E7%90%86%E8%83%BD%E5%8A%9B">#推理能力</a> <a href="/search/%23%E9%87%91%E8%9E%8D%E9%A3%8E%E6%8E%A7">#金融风控</a><br /><br /><i><b>🔗</b></i> <a href="http://www.xtrb.cn/hangy/2026-02/26/content_1040923.htm" target="_blank">原文链接</a>https://jinrong.hangyexinwen.com/posts/2917https://jinrong.hangyexinwen.com/posts/2917Fri, 17 Oct 2025 15:48:28 GMT⁣<br /><b><i><b>📰</b></i> 中信建投：AI可解释性创新成果入选国际顶级学术会议ACM SIGKDD</b><br /><br />中信建投在推进“八爪鱼”固收一体化智能平台建设中，其AI可解释性创新成果论文《精简解释：降低推荐解释中的冗余与伪相关性问题》被ACM SIGKDD 2025收录，标志着国内证券行业在AI可解释性领域的重大突破。该论文的录用不仅展示了中信建投在国际研究前沿的地位，也体现了公司在基础研究与技术转化方面的努力。<br /><br />中信建投针对传统推荐算法的“黑箱”问题，提出了ConciseExplain特征集合级解释框架。该框架通过掩码训练策略和梯度优化特征子集搜索，提升了推荐系统的解释精准性和逻辑性，使得推荐结果更加透明和可信。多维度评测显示，ConciseExplain在解释合理性和多样性上分别提升了6.1%和12.4%。<br /><br />未来，中信建投将继续在金融科技创新中心的指导下，推动解释表达的多样性和跨产品扩展性，力求让解释从“可读”走向“易懂、可用”。同时，公司将探索与监管标准的对接，巩固在可信AI与智能推荐领域的领先优势，为金融科技创新注入新动能。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23%E4%B8%AD%E4%BF%A1%E5%BB%BA%E6%8A%95">#中信建投</a> <a href="/search/%23AI%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7">#AI可解释性</a> <a href="/search/%23%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F">#推荐系统</a> <a href="/search/%23%E9%87%91%E8%9E%8D%E7%A7%91%E6%8A%80">#金融科技</a> <a href="/search/%23%E6%99%BA%E8%83%BD%E5%86%B3%E7%AD%96">#智能决策</a><br /><br /><i><b>🔗</b></i> <a href="https://www.cs.com.cn/qs/202510/t20251017_6517963.html" target="_blank">原文链接</a>https://jinrong.hangyexinwen.com/posts/2720https://jinrong.hangyexinwen.com/posts/2720Mon, 13 Oct 2025 12:33:19 GMT⁣<br /><b><i><b>📰</b></i> 中国工商银行&amp;华为推动面向金融AI场景的存储推理加速技术创新</b><br /><br />中国工商银行与华为联合研发的存储推理加速技术方案，在2025中国算力大会上被纳入“DC Tech创新先锋”案例集，重点解决金融AI推理效率瓶颈。该方案通过KV Cache技术和NDS直通技术，显著提升了长文档处理的速度和精度，支持金融业务中的财报分析等核心环节。<br /><br />通过KV Cache缓存加速技术，工行在财报分析场景中实现了首token时延降低和吞吐量提升，单位Token成本也显著下降。同时，分层计算与KV缓存优化提高了AI对财报中关键数据的识别准确度，为信贷决策提供了更深入的智能支持。<br /><br />最终，该技术方案使得金融行业在长文本、高并发AI推理性能上实现了200%的吞吐量提升和65%的时延降低，单位Token成本节省33%-67%。未来，工行将继续与产业链伙伴合作，探索存储技术在金融AI更多场景的应用，推动金融行业的数智化转型。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23%E9%87%91%E8%9E%8DAI">#金融AI</a> <a href="/search/%23%E5%AD%98%E5%82%A8%E6%8A%80%E6%9C%AF">#存储技术</a> <a href="/search/%23%E6%8E%A8%E7%90%86%E5%8A%A0%E9%80%9F">#推理加速</a> <a href="/search/%23KV">#KV</a> Cache <a href="/search/%23%E6%99%BA%E8%83%BD%E5%86%B3%E7%AD%96">#智能决策</a><br /><br /><i><b>🔗</b></i> <a href="https://www.odcc.org.cn/news/p-1977614962521878530.html" target="_blank">原文链接</a>