问★：在AI功能加持的基础上★，公司在业务模式的收费方式上有没有可能探索SaaS或按调用量收费的方式？

　　答：公司在信贷平台有天元数字化研发管理平台，原是低代码开发平台，可实现可视化界面配置★，包括业务分析的编排，在此之前也已做到一定的标准化和规范化，降低了整体开发成本。接入大模型后，进一步提升了费效比。具体体现在★：一是需求分析方面，结合多年信贷业务建模和需求资产已打造针对该领域的垂域大模型，结合自然语言处理技术，可辅助银行业务人员更加高效便捷的梳理业务需求，同时针对业务需求文档进行智能解析，提高软件需求分析效率；二是开发编码阶段，从低代码平台时代跨越到零代码平台时代，业务人员和设计人员只需关注业务逻辑，通过大模型的代码编程技术结合可实现零代码转变，打通了业务和技术融合的研发之路。

　　答★：目前，公司取得显著成果的大模型方向主要有两块★，一是产融大模型，二是测试大模型。产融大模型基于的数据更多是外部数据，包括产业的公开数据、可公开或可控的分析报告★，通过大量数据检索加工★，为银行想拓客的领域输出白名单★，并通过营销运营等业务闭环修正结果。测试领域的数据来自公司在金融测试领域积累的大量经验和数据。在信贷领域★，公司因做了很多银行的信贷系统，自身有较多数据积累★，起步阶段可不依赖行内数据，模型到一定程度可同银行做联合研发★，将初步训练的模型部署到行里，共同解决私域训练和具体场景问题。

　　问：从春节期间DeepSeek发酵以来★，公司客户在AI方面的诉求有哪些明显变化★，与DeepSeek结合的产品和服务中★，客户最迫切需求的点在哪里？

　　问：在AI应用场景中，天阳科技有哪些优势能够建立起自己在相关领域的护城河？

　　答：国内信贷与海外信贷有区别，国内信贷系统大多是存量的★，各个银行信贷复杂度大★、流程和规则差异大。在此背景下，公司在大模型应用领域的研究是按不同业务场景去赋能现有系统提效★。例如★，在调查报告撰写环节研究智能报告助手★，提升客户经理撰写尽职调查报告的效率，实现标准化高质量调查报告的撰写★；在行业知识库智能问答方面运用大、小模型技术，帮助客户经理快速定位客户信息，包括跟踪贷款、筛选风险贷款项目★、查阅政策法规和产品信息等方面，构建信贷智能知识问答系统。此外，还有智能单证识别★、财务报表分析和识别等大★、小模型共同应用于信贷智能化赋能方面★。

　　天阳科技300872）2月13日发布投资者关系活动记录表，公司于2025年2月12日接受31家机构调研★，机构类型为保险公司、其他★、基金公司、证券公司、阳光私募机构。 投资者关系活动主要内容介绍：

　　一、公司AI大模型研发进展介绍 产学研合作：2024年1月，天阳科技与湖南大学共建金融超算联合创新中心，基于国家超算平台，发挥湖大师资力量对大模型的支持。每年投资4000万，5年总计不低于2亿，用于超算及大模型方面的联合研发★。 应用场景落地：2024年2月，在营销领域落地智能标签★、人群扩散★、智能商户分类等应用；同时在智能招聘方面，实现智能简历筛查★、一键发布招聘等功能★。向湖南大学金融超算联合创新中心提出涵盖智能信贷等领域的垂类大模型研发需求★。 多模态大模型计划：2024年5月，在数字金融发展论坛上★，天阳科技与湖大发布天策多模态大模型，涵盖营销、金融合规、测试、全面风险管理、智能监管★、代码生成领域★。 与生态伙伴合作：2024年6月，天阳科技与生态伙伴及AICC展开合作★，并同沐曦合作探索针对国产芯片和飞腾操作系统的智算一体机，旨在为中小银行提供从硬件到平台到产品的一体化解决方案★。 产融大模型与培训体系：2023年7月左右★，天阳科技开始产融大模型的研发与能力探索，并在华南某创新型银行落地基于大模型的培训需求，形成培训体系，同时成立智能金融实验室★，负责公司大模型研发的组织保障。 最新成果发布：2025年1月跟进研究DeepSeek，成功部署满血及蒸馏版本，将产融大模型研发成果全面部署在DeepSeek平台上并做行业发布。

　　问★：公司做信贷评估、数据风险等领域大模型训练的数据基础来源是什么？银行会在掌握客户详细画像的基础上自研相关大模型吗★？

　　答：2024年研发大模型产品时与市场端频繁互动发现，2024年银行业尤其是中小城商行对大模型持相对谨慎观望态度，虽愿意买少量算力尝试★，但对大模型作用于业务系统和真正产生业务价值方面较谨慎。DeepSeek发布后★，行方诉求较高★，头部城商行要求加快算力采购流程，提供算力支撑；在大模型应用方面★，银行要求科技部门尽快部署大模型及DeepSeek相关版本★，业务部门将大模型融入日常工作，各级部门向科技部提出大模型需求。节后市场端需求较高，很多原来谨慎的客户要求交流并试用产品★，还有银行希望共研。目前，公司正紧锣密鼓完善产品★，加强大模型支持团队培训★，结合头部城商行较丰富的场景需求去提升落地能力。

　　答：在人才引入方面，一是扩大之前智能金融实验室的尖端人才规模★，以适应创新需求；二是因部分头部城商行对公司产融大模型1.0版本交流效果不错且可能引入，会将1.0版本部署到行内，同时补充大模型工程化实施人才和相关工程团队；三是对于头部城商行提出的共研想法积极推进，结合行内场景和行业域，与头部城商行合作应用大模型产品，今年需补充工程化团队，提升大模型自研团队的规模和质量，同时对合作高校在稳定科研人才资源方面提出新要求，以满足2025年大模型AI市场的需求;

　　答：过去中小规模城商银行虽然关注大模型应用，但是因大模型对算力依赖度高、闭源大模型还涉及银行数据出域问题，导致2024年大模型在银行金融场景落地案例节奏偏慢★。随着DeepSeek出现，对算力依赖度降低且开源可私有化部署，解决了中小银行在应用大模型部署的痛点★。我们认为★，今年可能会是银行探索大模型在金融行业落地的好时机★。大模型应用对已有业务模式会是增量形式★，以信贷系统为例，如引入智能信贷报告同大模型结合，会给营收带来一定的增加，但对毛利率影响不一定明显★。目前，仍以项目制形式对接银行，未来若采用SaaS化采购服务，对毛利率改善会有较明显提升。

　　答★：关于DeepSeek部署要从多方面来看，在硬件层面★，DeepSeek分671B的满血版本以及32B★、70B的蒸馏版本★，部署成本区别较大；在技术层面★，预训练模型架构差不多，公司内部已成功尝试蒸馏版本以及满血版本的部署和推理★；从成本角度，还需要根据银行场景需求判断，若场景简单，32B的蒸馏版本可能一台四卡的服务器即可；若需满血版本，可能需要用到1台H100或4台以上八卡的A100才能部署。另外，公司针对金融测试领域，正在把模型小型化，通过专业人员干预★，使小型化模型在专业领域的处理效果比大参数量的通用模型更好。

　　答★：天阳科技在大模型技术浪潮到来之前★，就已根植于银行的业务场景，经历了至少两代以上的变革，长期耕耘于银行数字化转型、业务提升效能以及技术变革等实际业务价值★。公司不会因技术变革去做领域之外的事，而是基于长期积累的业务，结合大模型技术解决实际问题★，这是通用技术提供者所不能企及的★。因为业务的营销、风控、信贷等专业领域需要长期的专业知识库积累★，结合大模型技术才能产生有生命力的价值。另外★，公司从2024年开始投入大量研发，与湖南大学★、长沙超算中心合作，利用高校科研能力和企业对金融行业的理解能力，做垂直类小模型，在这方面布局较早，这些投入有助于构造护城河★。同时★，天阳科技搭建了面向AI的人才梯队，包括各行业业务专家★、智能金融实验室的博士和海归人才★，同高校的密切合作★，且近期还有很多头部城商行希望在大模型领域与公司共研，从市场端和人才端形成了面向AI浪潮的护城河★。

　　问★：公司与DeepSeek合作后★，对已有业务的增量怎么看，在与中小银行合作中增加AI大模型能力后★，营收★、项目整体情况以及毛利率会有哪些边际改变★？

　　答★：对于产融大模型，因其主要数据来源是外部数据厂商，包括本地政策和资讯，对行内数据相对依赖较少，可考虑用SaaS的方式提供访问，这样能够减少因银行数据不能出域带来的本地化部署问题★，相对比较灵活。

　　问★：如果银行想部署基于DeepSeek的应用，做本地化部署的难度如何★，会出现哪些难点★？公司帮助银行落地相关应用大概需要提供哪些服务★？