金融行业：DeepSeek银行部署加速，AI金融应用迎来跃迁

中 泰 证 券 研 究 所专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信｜证券研究报告｜2 0 2 5 . 0 3 . 1 3DeepSeek银行部署加速，AI金融应用迎来跃迁分析师：闻学臣执业证书编号：S0740519090007分析师：苏仪执业证书编号：S0740520060001分析师：王雪晴执业证书编号：S0740524120003联系人：蒋丹Email：jiangdan@zts.com.cn2核心观点◼ DeepSeek开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方法的工程化优化大幅降低了部署成本。近期采用大规模RL训练方法的阿里QwQ-32B等模型也在缩小规模的同时达到了DeepSeek R1 671B的应用效果，有望进一步催生银行落地应用。◼ 我们认为金融行业人工智能的应用价值大体可以分为三个层次：降本增效，价值创造与决策赋能。在实际银行落地应用中，可能包括：1）降本增效：智能客服、信贷审批、合同质检；2）价值创造：AI编程、智能风控、智能营销等；3）决策赋能：深度分析和决策辅助。◼ 从实际落地应用情况看，大行发力更早，中小银行正在快速追赶。如工商银行、建设银行、招商银行等大行布局更早，邮储银行、浦发银行、江苏银行等也有较为领先布局应用。 AI一体机的出现为机构提供了全新的解决方案，凭借其开箱即用、软硬件一体化设计等优势，正在成为很多中小银行智能化转型的重要选择。◼ 建议关注：宇信科技、京北方、天阳科技、长亮科技、百融云等。◼ 风险提示：AI技术落地不及预期、竞争加剧、信息更新不及时等。3CONTENTS目录CCONTENTS专 业 ｜ 领 先 ｜ 深 度 ｜ 诚 信中 泰 证 券 研 究 所1DeepSeek开源、低成本、强推理助推银行业应用4图表：随步数提升R1-Zero的AIME任务准确度资料来源：DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning，中泰证券研究所性能：后训练阶段大规模应用强化学习，表现推理能力扩展◼ DeepSeek模型在Post-Train阶段大规模应用了强化学习方法。R1使用了冷启动+大规模强化学习方法，R1-Zero版本模型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和long-CoT能力涌现等）。图表：深度思考能力提升资料来源：DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning，中泰证券研究所DeepSeek-R1-Zero的能力随步数提升DeepSeek-R1-Zero自然涌现long-CoT能力5图表：DeepSeek R1架构图资料来源：DeepSeek，中泰证券研究所性能：DeepSeek推理架构优化，可适配银行高并行、高响应的业务场景◼ DeepSeek通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。 它在MoE架构的基础上，通过多头潜注意力机制（Multi-Head Latent Attention，MLA）进行优化；在后训练阶段采用冷启动+大规模强化学习方式，不再使用传统SFT做大规模监督微调，甚至绕过了一些CUDA，采用PTX汇编来提升能力；在推理场景下通过大规模跨节点专家并行（Expert Parallelism，EP）来优化通信开销，尽可能实现负载均衡。图表：DeepSeek R1训练方法资料来源：木尧，中泰证券研究所6图表：DeepSeek DAU快速增长资料来源：AI产品榜，中泰证券研究所图表：闭源模型与开源模型的差距正在缩小资料来源：Epoch AI，中泰证券研究所开源易获得：DeepSeek使私有化部署模型也能够追平前沿闭源模型水平◼ 以DeepSeek R1为代表的优秀开源模型的能力离闭源模型越来越近。行业普遍认为如果开源软件达到闭源80%以上能力，就足以压缩闭源的生存空间。DeepSeek能力能够比肩OpenAI o1，开源使各行业机构能够轻松获取前沿模型能力，且可直接进行私有化部署或商业化开发。7图表：DeepSeek R1成本与理论收入资料来源：DeepSeek，中泰证券研究所成本：DeepSeek低价策略下理论成本利润率依旧可达545%，部署成本极低◼ DeepSeek理论成本利润率极高，成本还有优化空间。通过优化，能够在白天负荷高的时候，用所有节点部署推理服务。晚上负荷低的时候，减少推理节点，以用来做研究和训练。以2025年2月27-28日数据为例，DeepSeek V3 和 R1 推理服务占用节点总和，峰值占用为 278 个节点，平均占用 226.75 个节点（每个节点为 8 个 H800 GPU）。假定 GPU 租赁成本为 2 美金/小时，总成本为 $87,072/天。如果所有 tokens 全部按照 DeepSeek R1 的定价计算，理论上一天的总收入为 $562,027，成本利润率 545%。图表：DeepSeek服务负荷统计资料来源：DeepSeek，中泰证券研究所8图表：QwQ-32B模型表现资料来源：阿里，中泰证券研究所性能：开源QwQ-32B性能比肩满血R1，再次降低部署成本◼ 阿里近期开源的QwQ-32B模型基于320亿参数规模，在数学推理、代码生成及通用任务中表现亮眼，综合性能对标DeepSeek-R1（6710亿参数，激活量370亿）。该模型大幅降低部署成本，支持在消费级显卡（如英伟达RTX 4090）上本地运行，满足快速响应及数据安全需求。同时，QwQ-32B集成智能体（Agent）能力，可调用工具并基于环境反馈调整推理逻辑，为定制化AI方案提供基础。9图表：各模型微调示例数与准确度对比资料来源：s1: Simple test-time scaling，中泰证券研究所图表：s1表现出的Test time Scaling资料来源：s1: Simple test-time scaling，中泰证券研究所性能：蒸馏小型模型展现Test-time Scaling，可支持多项基础业务场景◼ 通过将DeepSeek-R1的推理能力蒸馏到更小的模型中，较小的模型也能具备强大的推理能力。DeepSeek开源了从15 亿到700亿参数的R1蒸馏版本。这些模型基于Qwen和Llama等架构蒸馏，表明复杂的推理能力可以被封装在更小、更高效的模型中。从论文结论看，蒸馏比单独依赖强化学习训练更为高效，且蒸馏与强化学习的结合可以进一步提升模型性能。◼ 2025年2月，科学家李飞飞团队带领以不到50美元的费用训练了一个能力比肩DeepSeek-R1的s1模型，也展现了蒸馏模型的更多应用潜力。S1仅使用1000个微调示例就达到了类似r1的准确度模型展现出随推理时间增加准确度增加的Test time Scaling10图表：大模型数据类型资料来源：中泰证券研究所数据：大规模RL提升非结构化数据分析能力，释放私域数据价值◼ DeepSeek可以通过API接口或者数据中台架构，实现与传统银行技术