度小满轩辕4.5发布：效果提升30%与推理成本仅通用模型10%

3 hours ago AI笔记

一句话结论：轩辕 4.5 是度小满联合香港科技大学与 HKGAI 在 2026 香港金融科技周上发布的金融增强大模型，它的核心价值落在把 RSI（递归自我改进）做成一条跑在真实信贷业务上的闭环，参数规模反倒不是重点，在获客、风控、客户经营三个场景把效果拉高约 30%，同时把推理成本压到通用顶级模型的十分之一。

11 月 2 日，在 2026 香港金融科技周开幕式上，度小满与香港科技大学、香港生成式人工智能研发中心（HKGAI）联合发布轩辕 4.5 金融增强大模型。度小满 CEO 朱光、香港科技大学首席副校长郭毅可共同为模型揭幕，香港特区行政长官李家超到场。

官方给出的定位是行业首个将自进化 RSI 技术用于模型训练及智能体场景目标适配的金融增强大模型。它由大语言模型与多模态模型两部分组成，落地场景覆盖信贷获客、风险管理、客户经营、客服、贷后与投研。对普通读者来说，这个发布的意义在于两点：金融垂类模型第一次有了一个能被验证的自进化样板，同时「垂类模型比通用模型便宜一个数量级」这件事第一次有了可量化的业务数据支撑。

RSI 在金融场景里到底改了什么

先厘清一个常见误解。轩辕 4.5 采用的 RSI 范式，并非让模型自行决定目标。在这套体系里，业务目标、评判标尺、合规边界与上线终审权限始终由人类牢牢锁定，系统负责的只是把迭代循环中重复繁重的工程工作自动化。这是金融强监管行业能够接受的前提，也是它区别于通用领域递归自我改进讨论的地方。

执行引擎是度小满自研的 Xuanyuan-Machine。它在智能体数据合成、有监督微调、强化学习三个环节全流程参与新模型的研发，构成所谓「全流程 RSI」。在语言模型侧，轩辕 4.5 有三项关键组合：通过 GiGPO 双层优势估计解决长链路稀疏奖励的信用分配难题，结合自适应课程采样与信贷 SOP 奖励，再以在线策略蒸馏融合多领域专家能力来兼顾通用能力。同时在可信合规的金融智能体环境中构建了超过 1000 亿 Token 的场景增强数据，形成数据飞轮。

多模态侧采用原生多模态架构，首 Token 响应时间降低约两倍，并针对长文档信息抽取、跨表数据对比与逻辑演算做了强化学习训练。一个可核对的例子是消费订单识别：面对一张标注「共 2 件」、总价 1404.16 元的订单截图，头部通用多模态模型会把总价误当成单价从而算错金额，轩辕 4.5 依托图文布局关系可以正确识别合计金额。

关键数字一览

维度 轩辕 4.5 数据 参照对象
获客、风控、客户经营效果 较通用模型提升约 30% 通用顶级模型
推理成本 约为通用模型的 10% 通用顶级模型
多模态能力对标 能力对标 GPT-6，成本约为 1% GPT-6
场景增强数据规模 超过 1000 亿 Token 可信合规金融智能体环境
内部智能体与技能 上千个智能体、5000 余项技能 日均 Token 使用量超 1000 亿
承接的内部业务需求 约 90% 信贷获客、风险管理、客户经营等
公开金融基准 语言模型与视觉语言模型双双居同等参数规模首位 同级参数模型

在公开金融基准测试中，轩辕双模型（大语言模型与视觉语言模型）均位居同等参数规模模型首位。需要说明的是，官方并未公布完整的基准榜单构成，30% 这一提升也是在「所测金融场景」范围内的结论，而不是全场景通用能力。

四个岗位上的真实数字

模型指标最终要落到业务动作上，轩辕 4.5 这部分披露得相当具体。

风控。信贷风控已全面由智能体驱动，并实现根据外部环境动态自进化。风险策略迭代周期从约两周缩短至三到四天，整体压缩一半以上；短期逾期风险下降约 50%，信贷年化逾期风险整体降低 12%。

信审。AI 信审员的审核能力已超过 80% 的人工信审员，客户等待时长从 10 分钟缩短至 2 分钟。

贷后。AI 贷后专员独立作业的催回率较传统机器人提升 8% 以上。

客服与经营。客服 Agent 不再只判断意图，而是能自主查询知识库、多次调用工具解决复杂业务问题，可独立处理 80% 的高频问题，复杂问题再交人工兜底。在企业微信场景，企微 Agent 依据历史对话记录为客户经理提供沟通策略与话术建议，一名客户经理搭配 Agent 可服务的客户规模提升到 2 万人，工作量相当于原来的 10 名客户经理。

此外度小满已在墨西哥市场落地基于轩辕 4.5 的 AI 原生信贷服务，香港被定位为集团国际化总部。

成本这 1/10 的账怎么算

金融机构对算力成本的敏感程度不亚于对合规的要求。如果直接调用通用大模型，就要为大量与金融无关的能力和昂贵算力付费。轩辕 4.5 的思路是借助场景数据飞轮、全流程 RSI 与在线策略蒸馏，把算力集中到真正产生金融价值的任务上。

这也解释了为什么本次发布同时强调效果与成本两个维度。对采购方而言，效果提升 30% 是相对值，真正决定预算的是那 90% 的成本折扣。轩辕 4.5 语言模型在金融场景下最多能超过 GPT-6 约 30%、成本仅为十分之一，多模态模型能力对标 GPT-6、成本仅为百分之一。

把轩辕 4.5 放到更大的市场背景里看，行业需求侧的量级已经可以量化。2026 年上半年，金融大模型中标项目数量同比增长 110%，其中应用类项目占比超过六成，已经反超算力类项目。金融机构采购的不再只是一套模型权重，而是能跑业务、可私有化部署、可安全治理的完整能力。

价格与吞吐的宏观变化，站内此前的国内词元服务价格与吞吐实测给出了量化背景；金融机构的 AI 部署实操路径，可以参考巴克莱全面部署 Claude 的案例与摩根士丹利等美国大行限制 AI 智能体账户访问的案例。

这套方法论的可复制性

轩辕 4.5 的另一层价值在时间线上。2025 年 3 月，度小满与香港科技大学建立「香港科技大学—度小满人工智能联合实验室」，并与 HKGAI 协同研发大模型前沿技术，共同探索大模型在信贷风控中的应用。这次发布是这条产学研路径的最新节点，未来双方将通过战略合作把金融增强大模型技术推向国际市场。

把轩辕 4.5 的产品逻辑拆开，可以看到一个明确的取舍。传统模式下模型上线后的迭代高度依赖人工，人发现问题、人工筛选样本、人工设计策略、验证后再部署，周期漫长且难跟上现实变化。RSI 闭环把这个链条压缩为「业务运行—结果回流—模型优化—再投入业务」，直接使用真实业务回流结果作为微调信号，结合风控判定与贷后催收结果做强化学习。

金融业通用大模型落地难的原因也在这里。通用模型在专业性强的复杂金融场景往往幻觉率较高，而金融是强监管行业，容错空间极小，哪怕模型在 99% 的情况下推理准确，剩下的 1% 失控幻觉也可能引发系统性风险。同时，尽调报告、征信记录、交易流水、审批规则这些核心数据大多沉淀在非公开的业务流深处，不会出现在通用模型的训练语料里。轩辕 4.5 的 1000 亿 Token 场景增强数据，正是对这个空白的直接填补。

常见问题

轩辕 4.5 和通用大模型相比，核心差别是什么？

差别不在参数规模，而在三点：RSI 让模型持续在真实业务闭环里迭代而不是上线即冻结；1000 亿 Token 的金融场景增强数据覆盖了通用语料缺失的尽调、征信与审批规则；在线策略蒸馏让一个模型同时具备多领域专家能力。代价是它被牢牢绑定在金融域内，无法像通用模型那样横向迁移到写作、编程等场景。

效果提升 30%、成本只有十分之一，这个说法有前提吗？

有。30% 是官方在「所测金融场景」中给出的综合业务效果对比，不是全场景通用能力对比，官方也未公开完整基准构成。10% 的成本同样是相对通用顶级模型的推理成本口径，且实现前提是度小满自身积累的高质量场景闭环数据。第三方机构在完全不同的数据条件下复现这个比例并不现实。

普通用户或中小金融机构能用上轩辕 4.5 吗？

目前它以度小满内部业务与香港、墨西哥市场落地为主，属于自用与联合推广阶段。官方表述是未来将通过与 HKGAI 的战略合作推动技术在国际市场的应用。中立机构能否直接调用、以及是否提供私有化部署与安全护栏，官方尚未公布明确方案。

小结

轩辕 4.5 最重要的贡献可能是给出了一条可验证的路径：在强监管行业里，垂类模型不必在通用能力的军备竞赛里硬拼，而可以通过让模型在真实业务闭环中持续进化来建立优势，同时用场景化数据把成本压下一个数量级。金融大模型的竞争，正在从拼参数、拼榜单转向拼进化能力、拼成本、拼场景。

相关阅读

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

Related News