大模型在征信场景下的本地部署适配研究

郑浩然¹ 张家硕^{2（通讯作者）}

1上海交通大学博士后科研流动站/中国人民银行征信中心博士后科研工作站，上海市，200433；

2上海大学经济学院，上海市，200444；

摘要：国内大模型已进入稳定发展阶段，但征信行业受强监管约束，本地私有化部署成为必然选择。本文将国内大模型划分为通用、金融垂类、银行自研三类，总结稀疏化、长上下文、国产化三大趋势；针对信用报告解读、风险问答、合规咨询、反欺诈分析、智能客服五类核心场景构建选型体系，结合国家级基础设施、持牌个人征信机构、备案企业征信机构、地方融资信用服务平台四类主体制定差异化落地路径，并提炼低精度量化损失评分精度、过度稀疏引发时延波动、动态批处理不适配低并发场景三项关键约束。研究表明，征信行业需结合业务特性与合规要求构建专属本地化部署方案。

关键词：大语言模型；本地部署；征信场景；模型选型

参考文献

[1]中国信息通信研究院.2025年大模型平台落地实践研究报告[R].北京:中国信息通信研究院,2025.

[2]中华人民共和国国务院.征信业管理条例:国务院令第631号[A].2013-01-21.

[3]中国人民银行.征信业务管理办法:中国人民银行令〔2021〕第4号[A].2021-09-27.

[4]丁略涛.生成式人工智能在征信领域的应用研究——前景、风险与对策[J].征信,2024,42(08):27-36.

[5]史宏志,赵健,赵雅倩,等.大模型时代的混合专家系统优化综述[J].计算机研究与发展,2025,62(05):1164-1189.

[6]ZHENG Y,DU X,LIAO L,et al.Agentar-Fin-R1:Enhancing financial intelligence through domain expertise[EB/OL].arXiv:2507.16802,2025-07-24.

[7]WANG D,KIM D,JIN B,et al.FinLoRA:Finetuning quantized financial large language models using low-rank adaptation[EB/OL].arXiv:2412.11378,2024-12-16.

[8]KWON W,LI Z,ZHUANG S,et al.Efficient memory management for large language model serving with PagedAttention[EB/OL].arXiv:2309.06180,2023-09-12.