11 月 2 日，度小满与香港科技大学、香港生成式人工智能研发中心（HKGAI）联合发布轩辕 4.5 金融增强大模型，成为行业首个自进化金融增强大模型，覆盖场景包括信贷获客、风险管理、客户经营等核心业务在内。
按照官方的表述，轩辕 4.5 是基于 RSI 构建的金融增强模型，目标是打造 " 一人千面 " 的 AI 原生应用体验。从官方发布数据来看，核心指标极具冲击力：
金融核心场景效果提升 30.00%，成本只有通用模型的 10.00%；
短期逾期风险下降约 50.00%，信贷年化逾期风险整体降低 12.00%；
AI 信审员能力超 80.00% 人工信审员，客户等待时长由 10 分钟缩至 2 分钟；
AI 贷后专员催回率提升 8.00% 以上；
客服 Agent 独立处理 80.00% 高频问题；
企微 Agent 使一名客户经理可服务 2 万客户，相当于过去 10 名客户经理；
基于轩辕构建上千个智能体、5000 余项技能；
多模态模型 TTFT 降低 2 倍，推理成本为通用模型的 1.00%。
在公开金融基准测试中，轩辕双模型（包括大语言模型与视觉语言模型）位居同等参数规模模型首位。据称，轩辕 4.5 已承接度小满内部 90% 的业务需求，日均 Token 使用量超过 1000 亿。
金融大模型的垂类破局
自 2023 大模型元年开始，行业大模型就迎来了产品的井喷。然而，时隔三年，从实际落地效果来看，金融垂类大模型与其他行业相比，成效依然相对有限。金融机构们在积极探索的同时，态度也始终怀抱审慎。而这一现象，本质是源于金融垂直赛道高风险、低容错、强监管的行业属性。
具体来看，核心痛点主要是四个方面：
首先，是幻觉与逻辑严谨性。通用大模型基于海量数据生成结果，目标往往是自洽，而非严格求真，因此 " 幻觉 " 普遍存在，然而在金融场景里，信贷审批、反洗钱穿透、研报撰写与投资决策中，数据和逻辑的微小偏差都可能诱发重大损失或合规事故，" 幻觉 " 带来的影响是致命的。
其次，是基于数据安全的合规红线。金融机构的核心资产是客户的财务数据、账户流水及未公开商业信息，监管机构对数据跨境、隐私保护及算法公平性的要求日趋严格，金融机构在调用外部通用模型时会面临敏感隐私保护硬约束，二者往往难以有效平衡。
第三则是模型黑箱带来的可解释性匮乏。深度学习模型的决策过程复杂且不透明，当风控系统拒绝一笔贷款或智能投顾生成资产配置方案时，机构必须具备可倒推的归因逻辑，以备监管和审计核查所需，如果推理轨迹无法倒查，模型的应用价值就会被限制在辅助边缘，难以渗入核心业务。
最后，是时效性与专业深度。金融市场瞬息万变，静态训练的大模型很难自发捕捉最新脉搏，复杂财报拆解、跨指标风险穿透等工作需要严密的金融思维，这是缺乏行业语料沉淀的通用模型难以企及的，再加上千亿级模型部署带来的昂贵算力开销，一直以来金融大模型的全面实用之路步履维艰。
而面对这些痛点，轩辕 4.5 找到了新的破题思路。
2025 年 10 月，代码工具 Cursor 推出 Composer 模型，它不再让 AI 临时调用功能改代码，而是用真实开发中查找文件、编辑代码、排查报错的完整操作记录来训练，让 AI 从学习阶段就熟悉编辑器整套操作，大幅减少凭空生成代码的问题。
同样的思路下，2026 年 8 月，法律 AI 公司 Harvey 披露 Tenet 模型，依托可二次开发的开源基础模型，围绕律师办案完整流程做优化，让 AI 主动检索法规判例、核对合同风险，而非简单调取资料写文书，这家公司当前估值已突破 150 亿美元。
二者的底层逻辑有很强的共性：一改在通用模型上 " 加装配件 " 的思路，而是在训练阶段就吃透行业工作流，通过自进化把专业能力变成模型的 " 自带天赋 "。而这也成为度小满轩辕 4.5 的进阶思路：依托信贷、风控真实业务流程训练，让 AI 熟悉调取业务数据、核验风险、撰写金融材料的整套流程，同时，在金融强监管语境下，始终强调流程可追溯、数据合规。
数据是最直观的反馈。
度小满方面披露数据显示，语言模型在金融场景下效果最多超越 GPT-6 达 30%，成本仅为后者的十分之一；多模态模型能力对标 GPT-6，推理成本降至百分之一。这一点，也使 " 一人千面 " 的金融服务或将成为可能。
所谓 " 一人千面 "，是指同一个客户在不同时间、不同情境下需求不断变化：小微经营者备货时需要融资，回款后需要统筹还款和资金安排，随着生活阶段变化又会产生装修、子女教育、养老等需求。
" 我们希望每个人都有一位全时陪伴的金融顾问，持续理解他的经营、生活和资金需求，再调动背后的风控、投研等专业能力，把这种理解转化为适合当下的金融服务。要让这样的服务惠及每个人，就需要更强的金融能力、更低的服务成本，并在真实场景中持续迭代。这正是我们研发轩辕的出发点。" 度小满 CEO 朱光在轩辕产品发布会上表示。
极高的 ROI 支撑 AI 原生金融体验，轩辕 4.5 具备了向更多真实业务场景深度渗透的能力。这一点，无疑对中小金融机构具有极高的吸引力。
大模型这样技术密集型的赛道，人才聚集效应极强，这已经在客观上决定了，自建大模型不可能成为大多数银行的选择。借助外脑，以技术采购的方式填补大模型需求将成为主流路径。
2026 年初发布的《中小银行数字金融发展研究报告（2025）》显示，79.03% 的受访中小银行对大模型 " 非常关注 "，74.19% 的受访银行选择与第三方科技公司合作开发大模型，自主研发的只有 16.13%。此外，《中国大模型中标项目监测与洞察报告》显示，2026 年上半年金融行业大模型中标项目 406 个，同比增长 110%，银行机构占比接近半数。
从大模型的关注度和实际中标项目数据来看，中小银行的需求尚未得到完全释放。
成本或许是首当其冲的考量因素。
经济下行周期中，商业银行的经营也不断承压。国家金监总局数据显示，2026 上半年商业银行净利润近 1.24 万亿元，同比 -0.57%；而资产质量方面，中小银行承压更为明显，相较于国有大行不良率 1.21%、股份制商业银行 1.23% 的数据，城商行和农商行不良率分别达到了 1.87% 和 2.83%。
因此，对中小金融机构而言，降本增效的压力尤为突出。
一家长三角城商行技术负责人告诉十字财经，一家中型银行若日均智能会话处理量达到 10 万次级别，每月仅词元直接采购成本就可能达到数十万元，某银行面向财富管理的 AI 智能体日均词元消耗突破上亿次，但回复内容高度同质化，无法千人千面，某银行小微企业信贷风控智能体日均词元消耗超过 3 亿次，核心风控逻辑却仍过度依赖传统抵押物评估……在其看来，这样高消耗、低回报的投入并不具备可持续性。
而数据与人才的客观限制则是第二重掣肘。中国地方金融研究院副院长顾雷认为，中小金融机构拥抱 AI，真正的短板是数据碎片化、孤岛化：" 这些机构很难完整获取小微企业、个体工商户的工商、税务、经营流水信息，又无力承担数据清洗、标注、治理的成本，最终只能依赖定制化与本地化程度都不高的普适型数据软件。"
此外，人才不足也是难以弥补的现实短板。北京市银行业协会调研显示，城商行金融科技条线人员占比仅 6.32%。成都银行 2026 年招聘 AI 专家，因通过资格审核人数未达开考要求而取消流程。
但中小银行人预算少、底子薄，监管标准却不会因此而降低。
2026 年 6 月 18 日，金融监管总局发布《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8 号），提出 32 项要求：外部引入的生成式人工智能模型需经网信部门备案；涉及资金交易、信贷审批等高风险应用，须经本机构风险管理委员会批准后方可实施；外包合作机构实行名单制管理。这意味备案资质、可审计、可追溯这些要求必须严格落地，一样都不能少。
一言蔽之，预算可控的前提下，在监管框架内尽可能地效益最大化，成为了中小银行当下的共同诉求。
而度小满轩辕 4.5 的能力结构，恰好满足了这一需求。它不仅把金融核心场景的成本压低到了通用模型的十分之一，更用短期逾期风险下降约 50% 的硬核数据，直接击中了中小银行资产质量承压的 " 阿喀琉斯之踵 "。更深层的契合在于基因的重叠，度小满原生的小微信贷风控长板，与城商行、农商行下沉沉淀的个体工商户客群画像高度重合，这种天然的场景黏性，让中小银行得以 " 现取现用 "，直接跳过了高昂的冷启动鸿沟。
更重要的是，轩辕 4.5 给行业带来了一种关于 " 自进化 " 的全新解法。基于 RSI 机制构建的自进化闭环，意味着模型不再是一个一次性交付的 IT 资产，而是一个能随着真实业务数据的持续回流、在实战反馈中自我迭代的 " 数字生命体 "。它在度小满内部承接 90% 业务需求、日均冲刷上千亿 Token 的过程，本身就是一场高强度的自我演练。
当金融大模型开始自我进化，AI 落地金融业的下半场钟声已经敲响。
这不再是一场关于参数规模与榜单跑分的军备竞赛，而是一场关于谁能更深地扎进金融工作流、谁能更高效地完成生产力变现的淘汰赛。度小满用轩辕 4.5 打出的这套 " 高 ROI+ 强合规 + 自进化 " 组合拳，或许正是中小机构在强监管、紧平衡周期里，跨越数字鸿沟、实现弯道超车的那张关键入场券。
