三年前，ChatGPT 开启生成式 AI 副本，一路打怪升级，势如破竹。三年后，参数量暴涨、训练成本高企，模型性能虽持续攀升，却也走到了一个关键转向点—— 在这场「副本更新」中，比起通用对话助手的泛能力，更具行业深度的垂类模型迅速成为焦点，特别是在信息密度极高的金融行业。 大科技企业已陆续下。瞥觥概坦沤鹑诖竽Ｐ汀，蚂蚁集团则在外滩大会发布「 AntFinGLM 」，并部署于内部应用产品 AI 金融管家「蚂小财」。 AI 还能快速处理大量交易数据，帮你识别隐藏的风险点，无论是投资者、分析师，还是金融机构，都可以把它当作队伍里的「智能打野」，在复杂局势中做出更聪明的决策。 合同、说明书、理赔材料……金融机构每天处理大量文档。措辞稍有不同，就可能误导客户。打造一个「AI 合规官」之前，先得啃下多源文件的一致性校验这块硬骨头。 作为全球最具影响力、参赛人数最多的金融智能赛事之一，AFAC大赛已连续举办三届。每届都坚持「真实业务数据 + 典型场景任务」为底座，吸引了上万支队伍参与，累计参赛人数超三万，产出了多个具有前沿价值的算法与可落地的解决方案，真正把比赛卷成了产业进化的推手。 今年的 AFAC2025 大赛，在上海市科学技术委员会指导下，由北京大学、复旦大学、香港大学、蚂蚁集团等全球 20 余家顶尖高校、科研机构、科技企业共同联合发起，还邀请了 50+ 位来自产业与学术界的一线专家担任评委，既保障赛事前沿性与挑战性，也为赛事注入跨界创新势能。 优秀项目有机会接入创投名师辅导+政府/产业投资资源直连，再配上「天使基金」绿色通道；还有机会获得高强曝光与展示，一步打通「技术→产品→融资」链路，助力项目在真实场景中站稳脚跟。 比如，「基金产品的长周期申赎预测」这道赛题，考的其实就是：能不能做出一个能「读懂基金情绪」的智能预测系统。也就是提前判断某只基金未来一段时间是「钱要进来」还是「钱要出去」。这不仅能帮助平台提前预判资金流动、防范大规模资金腾挪带来的风险，还能辅助机构做出更科学的投研和交易决策，提升用户的信任感和持有体验。 这道题的挑战在于：光有一个模型还不够，选手必须在预测准确率、模型效率和不同时间跨度的适应性之间做好权衡，还要真正理解哪些信息才是对预测最关键的「信号」。 保险行业每天都要处理大量复杂文档，比如保单条款、免责说明、销售材料等。乍一看这些材料没什么特别，但只要一个「免责条款」版本不一致，就可能引发理赔纠纷，甚至触碰监管红线。而现实中，这些工作仍大量依赖人工审阅，效率低、成本高、容易出错。 因此，选手要用自然语言处理、知识图谱等技术，构建一个能自动「对比文档、识问题、报风险」的系统，实时定位那些「出戏」的内容。同时，还要支持对动态规则的适配和更新，比如新出的监管要求或产品条款变动。 在金融行业，许多关键流程，如风险评估、财务审计、合规检查等往往需要模型会「深度思考」，但部署到实际系统中时又必须快、准、稳。传统的「长思维链」推理虽然逻辑上完整，但在算力成本、执行效率上都有短板。真正能落地的AI，不只是「能思考」，更要「想得快、想得好、想得值」，如何给思维过程「健康瘦身」，让AI在保持判断力的同时，不耽误实战节奏？ 金融研究报告在投资决策中扮演着重要角色，而「多模态金融报告生成」这一关，正是一次构建研报 Agent 实战。利用 Agent 系统、检索增强生成技术等方法，你得让模型读得懂图表、看得懂K线，还能结合舆情、数据、政策生成一份有参考价值的研报。 所谓「新质生产力」，关心的是 AI 如何像扫码支付一样真正进产业、入人心，不再只是高冷的技术，而是实实在在让非技术人也能高效用起来的智能工具。 「普惠金融」赛道则关注如何通过技术，让更多小微企业、个体用户、农户等「传统金融难触达群体」获得平等金融服务。比如，AI 能不能根据用户的年龄、职业、收入等信息，智能推荐更合适的理财与保险方案，让金融更个性化、更有温度感？ 「金融数据要素」的主题则直接切中金融数字化核心，关注数据融合与价值释放——比如，在用户许可的情况下，如何将来自传统业务、电商平台、社交网络的多源数据打通，用于金融领域的风险建模？让数据从「存量」变为「能力」。 最后，是被视为未来最大风口之一的「养老金融」方向。根据国际金融协会的数据，2025 年全球养老资产将达 53 万亿美元。如何用 AI 服务多样化养老需求，让智能服务在真正有需要的人群中落地，是一个值得脑洞大开的新课题。 从高精度的时序预测，到语义对齐与知识融合；从思维链压缩的高效推理，到多模态生成的智能体搭建 …… 每一道题，都不是单纯追求算法分数或模型效果，而是聚焦如何在业务一线真正「用起来」。 选手要拿出的，不只是一个聪明的算法，还包括能落地的解法：工程实现力、场景理解力、系统打磨力……无论擅长哪一 part ，只要能给出解决方案，这场比赛就有你的舞台。