第251章 大模型落地（1 / 2）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
八月下旬，鹏城的天气进入了一年中最难熬的阶段。气温连续一周挂在三十五度以上，海风被闷热的水汽裹住，吹在身上没有凉意，只让人觉得黏糊糊的。T厂大楼的中央空调二十四小时不停转，会议室玻璃上凝了一层薄薄的水雾。
林晨坐在二十楼的小会议室里，面前是三个部门的负责人——金融事业部的孙总、产品部的刘姐、还有他们大模型应用部的陈铭。空调出风口正对着他的后颈，吹了一个小时，脖子有点僵。他把椅子往旁边挪了半米。
今天是FGPT项目的月度评审会。大屏幕上投着上个月的数据——智能客服试点接入金融事业部的理财咨询业务线，跑了一个月，准确率从刚上线的百分之六十七提升到了百分之七十八。这个数字对于通用大模型来说不算什么，但在金融这个容错率极低的领域，七十八意味着已经达到了人工客服辅助工具的最低门槛。
用户留存呢？孙总翻着报告问。
陈铭把第二页投上去。试点期间接入的用户大概两千三百人，使用过至少一次智能客服的人里，复访率百分之四十一。对比行业平均水平——通用AI客服的复访率大概在百分之十五左右。
四十一很高。孙总放下报告，这说明用户不只是在尝鲜——他们真的在用。
因为回答是靠谱的。陈铭调出了一组对照数据，我们对比了同一个问题分别丢给通用大模型和FGPT的结果。通用模型在解释理财产品的风险等级时，有百分之十二的回答包含了不准确或误导性的信息。FGPT的错误率不到百分之三。差距在于我们做了垂直领域的指令微调——用了几万条金融监管文件和产品说明做训练数据。
孙总点了点头。产品部的刘姐接过话头：从产品角度看，七十八的准确率还不够直接面向C端用户独立提供服务。但如果定位是辅助人工客服——帮客服人员快速检索信息、自动生成回复草稿、实时校验合规性——这个准确率已经可以上线了。
你们的意思是先做内部工具？孙总问。
林晨把椅子往前拉了拉，第一步，FGPT智能客服不直接面对用户，而是嵌入金融事业部的客服工作台——当客服人员看到用户提问时，系统自动给出推荐回复和合规提醒。人工做最终确认。这个模式的好处是零风险——每一条回复都是人工审核过的，FGPT只是提效工具。
第二步呢？
第二步等准确率超过百分之九十，再做直接面向用户的自助客服。林晨翻开手里的笔记本，上面有几行他在昨晚写下的规划，时间线——今年Q3做完内部工具上线，Q4把准确率从七十八推到八十五以上。明年Q1评估是否达到直接面向用户的标准。
刘姐在平板上记了几笔。这个节奏我可以推动。但需要金融事业部配合做两件事——第一，提供一线客服的使用反馈，帮我们迭代模型；第二，开放更多的业务场景数据，让FGPT能覆盖理财产品之外的第二条业务线。
孙总看了看表。第一条没问题。第二条——你们想要什么业务线？
智能投研辅助。林晨把陈铭上周写的方案投到大屏幕上，用FGPT的文本理解能力，帮个人投资者分析研报、解读财报、筛选市场信息。这不是替代人工分析，而是帮普通投资者看懂专业内容——研报动辄几十页，里面全是术语和表格，一个散户根本读不完也读不懂。
这个方向——孙总皱了下眉，合规风险有多大？
很大。所以我们不做投资建议。陈铭翻到了方案的合规说明部分，FGPT在智能投研里的角色是信息整理者——帮用户把一篇五十页的研报压缩成五百字的要点摘要，用通俗语言解释专业术语，按用户指定的条件筛选信息。但我们不给或的建议。所有涉及投资决策的内容，全部标记为仅供参考，不构成投资建议
而且用户端的每一次输出都有完整的合规审查日志。林晨补充了一句，万一以后有监管问询，我们能追溯每一次对话的完整链路。
孙总沉默了大概半分钟，翻完了方案的最后一页，然后合上报告。方案我带回部门讨论。下周给你们反馈。
散会后，林晨和陈铭走回工位。走廊的空调比会议室还冷，过道两边的玻璃办公室里有人在大声开会——好像是云服务部门在争论某个架构方案。
你觉得孙总会批吗？陈铭边走边问。
林晨的回答很干脆，金融事业部的客服团队每天要处理几万条用户咨询，高峰期加班加到晚上十点。能帮他们提效的工具，没有理由不批。智能投研方向上——他会犹豫，但最终也会批。因为T厂的金融业务需要技术亮点，而FGPT目前是全公司唯一的金融大模型。
↑返回顶部↑