作者｜龚伟华 王彦博 魏文术「华夏银行，龚伟华系首席信息官」
文章｜《中国金融》2026年第12期
当前，在新一轮科技革命与产业变革加速演进的背景下，智能经济正成为重塑全球竞争格局、驱动产业跃升的关键力量。2026年政府工作报告明确指出要“打造智能经济新形态”，“十五五”规划纲要强调要“促进模型算法迭代创新”，凸显了模型算法创新对经济发展的重要促进作用。模型算法不再是简单的技术工具，而是逐步演变为一种“底层操作系统”。一方面，模型算法通过对复杂关系的建模与抽象实现对多维信息的统一表达；另一方面，通过推理与决策能力的不断增强，模型算法参与甚至主导经济活动的关键环节。
在这一进程中，金融行业因其高复杂性与高信息密度的特征，成为检验模型算法能力的关键领域之一。特别是以商业银行信贷风控为代表的一系列典型场景，本质上均属于高维复杂决策问题，这对模型算法能力提出了极高要求。如何突破传统技术方案在复杂决策场景中的能力瓶颈、构建面向未来的智能经济模型算法底座，已成为当前金融机构亟须解决的重要问题。本文以授信调查报告的生成为例，探讨智能经济大模型技术的创新应用。
对公授信调查报告是商业银行公司业务信贷风控的第一道关口，其质量直接影响信贷决策的科学性与稳健性。在传统模式下，该类报告高度依赖客户经理人工完成，需整合年报、财报、评估报告、合同等多源材料，经过摘录、比对与归纳形成综合判断，单笔业务通常耗时数天至数周，难以匹配实体经济“短、频、急”的融资需求。同时，授信分析涉及财务结构、股权关系、行业特征及隐性风险等多维要素，其背后往往包含复杂的风控规则与经验判断，呈现出典型的高复杂度、强专业性特征。在这一过程中，既存在多源异构数据整合难度大、非结构化信息处理效率低等技术挑战，也面临隐性知识难以显式建模、业务经验难以规模化复制等瓶颈。因此，如何借助前沿模型算法，实现对复杂信息的高效解析与风险语义的精准刻画，成为推动银行信贷业务发展的关键问题。
华夏银行创新提出“4F”授信调查报告智能生成业务方案，即面向申请人、保证人、抵押人、质押人四类客户身份（Figures），针对上市公司年报、季报等披露报告、财报四表一注、抵质押物评估报告等11类非标文件（Files）开展智能解析，集成行业分析、智能财报分析、抵（质）押物分析、负面舆情分析四大核心功能（Functions），实现“一次上传、智能解析、统一填充、一键生成”的规范格式（Formats）输出，将对公一般授信调查报告撰写时间由天级缩短至分钟级。
针对人工智能大模型智能体在授信调查报告生成过程中面临的技术难点，华夏银行开展了一系列创新技术攻关。一是构建多智能体框架。将身份评估、文档分析、功能应用和报告组装四类智能体集成到统一调度框架，基于对话缓存存储与向量存储高级检索组成的双记忆池协同工作机制，保证四类客户信息跨智能体不丢失。二是优化模型上下文协议。围绕业务分析工具、RAG（检索增强生成）相关工具、引擎工具、人工智能辅助工具及数据和文件处理工具等，将智能财报分析、搜索引擎、OCR（光学字符识别）、数据核验、文件解析、文件读写等能力进行封装，使人工智能模型从“文本生成器”进化为能够主动执行任务、整合资源的智能助手。三是优化知识管理技术。鉴于通用RAG在金融垂直领域通常存在召回噪声大、溯源链路丢失等问题，华夏银行构建了涵盖双路检索、查询重写、倒数排名融合和重排序的知识管理技术框架，有效提升了模型效果。四是优化多模态模型技术。授信调查报告自动生成所涉及的文本内容极为广泛，加之标注样本稀缺，导致内容提取困难重重，传统OCR技术难以完全胜任。华夏银行通过预训练视觉编码器将图片转化为数字特征，并与语言指令融合，共同作为大模型的输入信息，利用图像本身具有的多标签语义信息，为现有无标签数据样本提供了新的伪标签无监督标注方法，有效提高了特征表达能力。
华夏银行将量子计算引入大模型智能体的授信调查报告生成过程，通过量智融合的方式推进模型算法创新升级。
量子经典混合LoRA（低秩适应）技术的创新应用。针对授信调查报告生成中跨页表格信息自动提取的难题，华夏银行使用量子经典混合LoRA技术对当前该场景下使用的经典RoBERTa模型进行微调。微调技术在大语言模型的效果和性能提升中发挥着关键作用，它能有效避免从零开始训练大规模参数模型的高昂成本和巨大计算资源消耗，并使模型能够更精准地学习特定任务的特征。量子经典混合LoRA技术是使用量子算法对经典LoRA微调技术中的低秩矩阵进行替换，利用量子纠缠和叠加特性高效地实现数据表达，在降低模型参数量的同时，有效提升模型的准确性。具体而言，针对经典RoBERTa模型结构，华夏银行创新性地引入量子经典混合LoRA技术对其进行替换，通过角度嵌入法将向量嵌入至量子比特中，从而构建参数化量子线路。最终，通过对每个量子比特进行测量并提取期望值，生成最终的输出向量。实证结果显示，在模型准确性方面，量子经典混合LoRA技术较经典LoRA技术的F1-score从0.9646提升至0.9721；在可训练参数量方面，量子经典混合LoRA技术较经典LoRA技术降低了74.76%。
量子基础大模型技术的创新应用。以量子基础大模型赋能授信调查报告生成，有效实现降本提质增效。2021年谷歌发布的论文中显示，用快速傅里叶变换技术替换Transformer结构中的自注意力子层，能使BERT等小规模参数量大模型在GPU（图形处理器）上的训练速度提升80%，但模型损失相应也增加约10%。华夏银行创新使用量子傅里叶变换替换Transformer结构中的自注意力子层，构建了量子基础大模型。量子态的叠加和纠缠特性能更有效地捕捉和表示复杂的全局依赖关系，能够弥补采用快速傅里叶变换产生的模型损失。在此基础上，进一步结合MLA（多头潜在注意力）机制将高维输入映射到低维的潜在空间，而后在低维空间中执行多头注意力计算，从而减少计算量和内存占用；同时，采用MSG模型增长机制，先从小规模参数量的模型开始训练，然后逐渐增大模型参数量规模，并设计适当的模型增长算子和调度策略，实现高效且稳定的量子基础大模型训练过程。综合运用如上方式，华夏银行构建了多款不同参数规模的量子基础大模型，较传统基础大模型更高效地实现了算力成本节省和训练效率提升。以训练14B参数量MoE基础大模型（激活参数量2.4B）为例，在8卡英伟达H800的算力条件下，传统方案训练时间一般约555天，量子基础大模型仅需59天即可完成训练，较常规方案训练基础大模型成本节省约89%。华夏银行进一步将构建的量子基础大模型应用于授信调查报告生成场景，即基于量子基础大模型实现对抵质押物评估报告、房产及权证类核心业务信息的高效提取和分析，从而快速生成尽调报告。实证表明，基于14B参数规模的量子基础大模型生成的授信调查报告生成效果可对标Qwen3-32B大模型，且平均响应时间从13.3秒降低至9.3秒，实现了金融场景下大模型推理效率的有效提升。
在智能经济时代，模型与算法不再只是技术工具，而正在演变为重构资源配置方式与经济运行机制的重要技术底座。以量子计算与人工智能相融合为代表的新一代技术体系，为金融机构以授信调查报告生成为代表的高度复杂系统的智能决策提供了新方案。可以预见，随着量子计算与人工智能的持续融合演进，模型算法创新将在金融领域不断深化，进一步释放数据算料与智能算力的协同价值，推动金融体系更好服务实体经济，为智能经济的高质量发展提供坚实支撑。■
[本文获北京市科技计划项目《基于CoE架构的银行信贷风控大模型系统关键技术研究与应用》（项目编号：Z241100001324024）支持]
（责任编辑 张一帆）
