自 2023 年起，通用模型依靠堆参数、堆数据的暴力美学（拓展规则），展现了大力出奇迹的效果。大模型行业的竞争，也成为一场比拼参数和规模的军备竞赛。

但随着 Scaling Law 遇到瓶颈，规模扩张的边际收益递减，算力投入和成本压力日益凸显，产业开始提出新的问题：能不能以小博大，用更少的资源，获得更强大的 AI 能力？

RSI（Recursive Self-Improvement，自我递归改进），凭借自我迭代和优化训练的技术能力，成为一个全新的技术支点，让垂类行业模型有了以小博大的可能。问题在于，谁能基于这一技术思路，率先打造出媲美通用模型的行业大模型呢？

2026 年 11 月 2 日，在 2026 香港金融科技周开幕式上，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。轩辕 4.5 基于 RSI 技术在获客、风控、客户经营等核心金融场景中，效果提升 30%，成本仅为通用模型的 10%。

度小满 CEO 朱光在峰会中提到，香港科技大学和 HKGAI 的研究能力，与度小满长期积累的金融业务经验、真实应用场景和工程能力形成互补，三方联合推动 AI 在金融领域的深度应用，助力香港金融行业的智能化升级。

三方合力，让金融大模型走向自进化。那么，轩辕 4.5 发布之后，又能撬动一个怎样的金融未来？

力大砖飞的模型训练思路，不再适用于当下的金融智能化阶段。究其原因，是 AI 正在进入金融领域的深水区。

首先，AI 正在逐步进入金融的核心业务，这些严肃场景的专业性强，容错率极低，通用模型在开放知识和通用推理上表现出色，却未必能直接胜任这些专业融业务。

此外，随着 AI 应用的规模部署，Agent 智能体的大量引入业务流程，金融机构对 Token 的消耗持续攀升，单纯依靠堆数据、堆参数的资源军备竞赛难以为继，投入越来越高，也难以支撑长期、大规模的商业应用。

即使金融机构持续加大投入，但金融垂类模型的训练还受到高质量数据供给的约束。一些金融场景的闭环数据，比如信贷风控、反欺诈的数据，是很多通用模型无法获取的。

所以，当 AI 进入金融领域的深水区，垂类大模型不仅没有被通用模型所替代，反而价值进一步提升。轩辕 4.5 的 AI 自进化之路，就是在这一背景下展开的。

当 AI 开始自进化，会带来哪些改变？轩辕 4.5 的三次飞跃，或许可以作为参照。

轩辕 4.5，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金融增强大模型，包含大语言模型和多模态模型两部分。

它的第一个飞跃，技术创新驱动下的能力进化。

传统模型的优化流程，往往依赖大量人工参与，需要人发现问题，分析原因，再转化为策略和训练任务，经过新一轮训练后，才能将改进后的能力部署上线。这个过程不仅耗时，也让许多实时、动态的业务信息，无法及时沉淀为模型能力。

轩辕 4.5 的语言大模型，采用全流程 RSI，改变了模型研发和优化的组织方式。

度小满自研的 Xuanyuan-Machine 机制，在模型训练的 Agentic 数据合成、有监督微调、强化学习等全流程中，参与新模型的研发。模型能够围绕金融任务持续生成和优化训练数据，不再完全依赖人工整理样本，形成持续改进的循环。

数据显示，度小满的风控策略迭代周期从原来的两周缩短至四天，短期逾期风险下降约 47%。也就是说，业务中反馈和发现的问题，能更快进入 AI 学习流程，模型与风控策略也更快得到优化。

金融任务的专业性、复杂性、低容错率，不仅要有大模型，还要求金融大模型掌握金融领域的专业方法。这就要依靠轩辕 4.5 的另一个技术创新：长链路强化学习。

轩辕 4.5 引入 GiGPO 双层优势估计，通过不同层次的优势评估，改善长链路任务中的稀疏奖励和信用分配问题，帮助模型学习复杂任务中的决策方式。再结合基于信贷标准作业流程（SOP）的奖励机制，把金融业务的专业标准转化为训练中的评价依据，对模型的表现进行打分。在线策略蒸馏（OPD），则帮助模型吸收不同领域专家的策略和经验。这些机制结合起来，让金融大模型逐步掌握了专业工作方法。

与此同时，度小满在可信合规的金融智能体环境中，构建了超过 1000 亿 Token 的金融可信合规数据飞轮，为模型训练提供真实业务背景。这些真实业务数据，让金融大模型对金融场景的理解，远超通用模型。

很多金融业务，只靠单一的文本材料，并不足以支撑专业判断。轩辕 4.5- 多模态大模型除了全流程 RSI 以外，采用原生多模态架构，首 Token 响应时间降低约两倍，消减多模态信息瓶颈，并通过模拟真实业务中的复杂推理链路，提升在长文档信息抽取、跨表数据对比及逻辑演算中的准确性，以及金融合规性与严谨性。

举个例子，在消费流水审核中，门店提供的订单截图并不是标准化的。某商家的订单截图上显示商品金额 1404.16 元，旁边标注「共 2 件」。

某头部通用模型，就将数字理解为单件商品的价格，在汇总时重复计算，最终得出 2913.71 元。轩辕则结合页面语义，理解订单金额与商品件数，避免重复计算，识别出 1404.16 元已经是整笔订单的总价。不同模型理解能力的差异，会直接影响后续的系统决策。

看起来只是一个简单的数字识别问题，实际上考验的是模型能否同时理解数字、页面结构和业务。实现了自进化的轩辕 4.5，比通用模型更能胜任复杂的金融任务。

在专业能力的基础上，轩辕 4.5 的第二个飞跃，是成本优化。

AI 要在产业中实现规模化应用，成本和 ROI 十分关键。目前，轩辕 4.5 的大语言模型，推理成本约为通用模型的十分之一，视觉语言模型推理成本约为 GPT-6 的百分之一。不只具备更高的专业能力，还提高了长期大规模使用的性价比。

企微就是一个例子。传统客户经理需要花费大量时间梳理客户需求，制定沟通话术。企微 Agent 能够结合客户历史对话，更有效地管理客户关系。度小满披露，一名客户经理结合企微 Agent，服务客户数量可提升至 2 万人，工作量相当于原来 10 名客户经理。

只有模型的成本可控，这类能力才有普及，帮助客户经理提高服务效率，也让更多人接受到更高质量的人工专业服务。

智能体，作为金融 +AI 的一大应用方向，在轩辕 4.5 的加持下，进一步深入金融业务场景。这是轩辕 4.5 的第三个飞跃：场景深化。

目前，轩辕 4.5 已承接度小满内部约 90% 的业务需求，覆盖信贷获客、风险管理、客户经营等核心场景。基于轩辕，度小满已构建上千个智能体、5000 余项技能，推动金融服务从 " 千人一面 " 走向 " 一人千面 "。

比如 AI 信贷数字顾问。同一个人，在不同时间、不同经营阶段，可能有完全不同的资金需求。举个例子，一家火锅店的老板，计划再开一家分店。传统的产品推荐可能主要根据他的基本资质，匹配一款标准贷款产品。但要真正理解他的需求，还需要结合多维信息分析他的资金需求。比如，考虑到新店开业初期现金流较为紧张，模型可以辅助匹配先息后本的还款方案，让客户在经营回款之后再偿还本金，从而更好地适应经营周期。据度小满披露，相关 AI 能力帮助新客户用信转化率提升 20%。

客服场景中，客服 Agent 不再只是根据关键词匹配标准答案，能够理解用户意图、查询知识库，处理多个环节的复杂问题。目前，度小满客服 Agent 可以独立处理约 80% 的高频问题，复杂问题再由人工兜底。

正如度小满首席 AI 官谢剑在峰会中提到的，AI 在金融行业最大的机会，是将足够强的金融专业能力与对客户需求的个性化洞察结合起来，让 " 一人千面 " 的金融服务成为可能。

这些变化共同说明，大模型参数的军备竞赛告一段落，行业垂类大模型的价值时代也正式开启。

阿基米德需要一个支点，才能撬动地球。对于金融 AI 而言，一个真正撬动技术价值的支点，也不可能只靠单一技术突破来构建。

拿自进化金融增强大模型来说，轩辕 4.5 背后，是度小满与香港科技大学、香港生成式人工智能研发中心（HKGAI）的产学研协同探索，共同构筑金融大模型持续进化的技术基础。

这也提醒我们，金融增强大模型的竞争，正在从拼参数、拼榜单，转向拼进化能力、拼成本、拼场景。归根结底，这是一场综合能力的竞争。

有价值的 AI，不是发发参数规模全球第一的新闻稿，就大功告成了，需要进入业务流程，完成复杂任务并基于业务反馈持续优化。从这个角度看，轩辕 4.5 的自进化技术支点，撬动的不只是一个模型的能力边界，更为金融大模型走向行业深水区和普惠化应用，打开了广阔空间。