股票 
板块 
用户 
资讯 从柜面现金与证件识别，到款箱交接中的状态判断、人员岗位区分，银行网点的视觉风控，对细节识别与业务理解提出了更高要求。多模态大模型能做到什么程度？
通用多模态模型进入银行专业场景，往往还需要针对业务语境与细分任务进行适配。针对这些需求，格灵深瞳面向金融场景打造了专用多模态大模型 Glint-VL-BK-9B。
在银行核心业务场景实测中，Glint-VL-BK-9B 综合 F1 达到 79.00%，相比同量级开源通用模型 Qwen3.5-9B（综合 F1 26.20%）提升 52.80 个百分点，体现出针对银行专业任务进行模型适配的价值。
银行视觉风控的两大落地挑战
多任务下的模型维护复杂：识别现金、识别证件凭证、检测岗位身份、检测拍屏与交易风险，通常需要分别进行模型适配与部署。随着任务类型增加，模型版本管理、现场适配与持续迭代的复杂度也随之上升。
通用多模态模型需要行业适配：通用模型擅长日常常识识别，但面对银行专业场景时需进一步适配。例如柜面现金与证件流转、动态交接中的携款箱、柜员与客户交互中的交易过程风险等，对细粒度目标判别与专业行为识别提出了更高要求，需要结合业务数据进行优化，减少漏报或误报。
核心业务场景实测对比：5 类任务中的表现差异
在涵盖复杂光照、俯仰角度与不同网点环境的实测中，Glint-VL-BK-9B 与同量级通用模型 Qwen3.5-9B 在 5 类核心业务场景下的表现如下：
注：综合F1基于本次评测的全部15个功能子类统计，并非表中5类业务场景 F1 的简单平均。
在“通道槽物品识别”任务中，Glint-VL-BK-9B 的 F1 达到 86.24%，较对标模型高出 86.10 个百分点，体现出其在本次细粒度物品识别任务中的表现差异。该项能力可为后续单据稽核与业务核查提供识别支持。
在专业场景优化的同时，Glint-VL-BK-9B 在主流通用多模态基准（MMMU_Val、MMStar、ScienceQA 等）上的常识理解与推理能力与主流模型保持相当水平，兼顾通用泛化能力。
业务落地应用场景举例
押运交接辅助核验：结合人员身份识别与款箱在场检测，识别交接双方身份，辅助检查人员与款箱流转情况，为交接过程的视频核查提供线索。
柜面合规与交易过程风险预警：融合人员身份、现金与证件流转、疑似拍屏及交易异常行为检测，辅助开展柜面操作风险监测，推动事后抽检与事中预警相结合。
边缘与中心协同部署：边缘端小模型负责目标与行为初筛，中心端大模型结合上下文进行二次研判。既发挥了边缘设备毫秒级初筛的响应速度，又借助中心大模型强大的上下文理解减少误报，在有限的算力资源下充分释放大小模型各自优势，兼顾业务效果与硬件成本。
行业模型微调服务
依托自研开源的 LLaVA-OneVision 视觉语言技术体系，格灵深瞳面向金融客户提供视觉语言大模型（VLM）场景可用性评测与微调服务，先评估模型在具体业务任务中的表现，再针对适配需求开展微调。
在坚持“数据留在客户现场、能力沉淀在客户模型”的原则下，格灵深瞳技术团队可根据各家银行特有的风控标准、网点环境与业务流程，提供从数据治理、模型微调、私有对齐评测到本地私有化部署的全链路支持，助力金融机构构建适配自身业务的专属视觉语言大模型。
评论 (0)