中关村科金喻友平：企业大模型的胜负手不再是模型参数大小，而是谁能用好垂类大模型

（原标题：中关村科金喻友平：企业大模型的胜负手不再是模型参数大小，而是谁能用好垂类大模型）

“大模型技术的发展为各行业带来了前所未有的机遇，但也伴随着诸多挑战。企业需要准确把握发展节奏，在积极探索应用的同时，妥善应对隐私安全、成本控制等问题，才能在这场科技变革中抢占先机。”中关村科金总裁喻友平在3月13日召开的“DeepSeek企业应用之道——2025大模型技术与应用创新城市”论坛上表示，企业大模型的胜负手也不再是模型参数大小，而是谁能更好地运用垂类大模型。

在科技飞速发展的当下，大模型技术作为驱动各行业智能化变革的核心力量，正以前所未有的态势重塑着产业格局。据了解，通用大模型如同具备通识能力的本科生，而垂类大模型则是深耕特定领域的研究生。

“B端市场的突破关键在于构建具备行业know-how和技术领先的垂类大模型。”喻友平表示，随着越来越多的企业将大模型应用到核心业务中，企业大模型的胜负手不再是模型参数大小，而是谁更懂用垂类知识和经验提升业务价值。垂类大模型作为大模型进一步商业化的关键，已成为企业数智化升级的必选项。

喻友平在回溯大模型技术的发展历程时指出，DeepSeek的诞生无疑是一个重要的里程碑。自R1版本推出后，在国际多项评选中成绩斐然，展现出显著的技术优势。

喻友平表示，最为突出的是算力消耗相较于以往降低了一个数量级，这一突破极大地节约了成本，为大模型应用的大规模拓展开辟了广阔空间。作为国产且全面开源的大模型，DeepSeek让企业能够以极低的成本开展应用，有力推动2025年大模型应用迈入全新阶段。

“尽管企业在应用时仍存在数据安全担忧、技术适配难题等顾虑，但不可否认，更多的机遇也随之而来，吸引着众多企业在大模型领域不断探索深耕。”喻友平说。

谈及大模型落地的方法论，喻友平认为，“平台 + 应用 + 服务”是企业落地大模型的通用范式。通过平台对数据进行凝练、分析和应用，使其覆盖生产、营销、运营等各个环节；同时，服务提供全链条支撑，无论是企业内部IT团队还是第三方供应商，都需要从这三个层面综合考虑大模型的落地应用。此外，数字化与智能化相辅相成，数字化是智能化的基础，两者融合形成的新智能化才是大模型落地的关键所在。

据喻友平介绍，基于DeepSeek中关村科金发布了得助大模型2.5版本。不仅提升了垂类大模型构建能力，还融入了多模态能力应用。在智能体方面，面向To B端打造了具备丰富插件能力和内外系统集成能力的工具。同时，中关村科金推出大模型平台一体机，大幅降低了企业应用大模型的软硬一体门槛。

在大模型的企业应用中，智能客服是最为广泛的场景之一。喻友平认为，企业若想应用大模型，智能客服的应用是首要切入点。企业需要将自身知识和数据融入模型，从而为客户提供更优质的服务。不过，企业应用大模型与个人应用存在显著差异，垂类大模型需要具备灵活应变能力，同时又要确保回答准确、边界清晰。

在智能客服场景中，大模型在服务人员服务客户的各个阶段都能发挥关键作用：事前可以模拟客户训练服务人员，事中能够辅助客服快速处理问题，事后还能进行服务质量全检。相较于直接用大模型替代人工，在当前阶段利用大模型提升人工效率显然更具现实意义。

记者从金融科技企业数禾科技处了解到，公司接入DeepSeek大模型后，在保证准确率与原模型几乎持平的前提下，模型训练效率提升了75%。

实际上，随着各行业数字化进程的加速，除智能客服外，各行业对大模型的需求也日益增长。在第二产业的工业生产、设计优化、运维保障，以及金融、船舶、工程等行业，垂类大模型都展现出巨大的应用价值。

基于此，中关村科金推出了得助智能客服4.0平台。作为业内唯一具备从全媒体联络中心到机器人再到客服全流程智能辅助的产品家族，该平台在家居、汽车等行业取得了显著成效，例如坐席话后处理时间降低、营销转化率提高等，这些成果进一步验证了大模型在实际应用中的价值。

金融行业由于数据知识高度密集，成为大模型应用的重点领域。谈及大模型赋能金融业的成效，喻友平以中关村科金与头部券商打造的财富助手为例介绍道，该系统能够在10秒钟内生成展业内容，高频场景问答准确率达93%，展业效率提升3倍。在以生成式AI为主导的人工智能浪潮下，金融行业与大模型技术适配度极高。

喻友平认为，未来强大的金融垂类大模型无疑将成为金融机构的核心竞争力，行业内的并购和能力整合也将成为趋势。大模型在金融场景中如同服务人员的“超级大脑”，帮助服务人员更好地理解行业动态并服务客户。

然而，大模型在金融领域的应用也面临着诸多挑战。其中，数据安全和隐私保护问题尤为突出。

对此，喻友平认为，企业必须构建自有大模型开发平台，防止数据在公共平台处理时被不当使用，就像拥有核心数据能力的公司需要专属“厨房”，防止数据外流一样。此外，大模型在落地过程中还需解决数据合规使用、避免模型“幻觉”等问题，企业在投入时要充分考虑自身实际情况，理性看待回报周期。