提升开户效率、控制合规风险 大模型助力券商提质增效来说，面临的一大问题就是，在机构开户业务办理过程中，需要上传的影像资料繁多，人工逐项分拣，匹配速度慢，效率低下，且容易出错，往往需要业务办理者反复上传并核对资料，耗时耗力。

　　1月31日，北京商报记者获悉，近日华福机构智能开户系统升级上线。在腾讯云TI-OCR 的助力下，机构开户系统资料上传环节的准确率和时效性提高50%。来自华福、腾讯云的多位业务负责人向记者表达了大模型对于证券机构提质增效、降本增效的重要作用。

　　证券领域具有体系完善、环节众多、数据复杂、场景丰富等特性，一直以来都是前沿技术落地应用的重要领域。随着AI大模型等新兴数字技术的快速发展，正推动着行业全场景、全方位实现智慧化升级。

　　以开户协议识别、智能分拣场景为例，办理机构开户时，客户经办人签署与盖章纸质开户协议，工作人员将开户协议拍照上传至系统提交，便于后台审核与留存。但问题在于，需要上传的影像资料繁多，人工逐项分拣，匹配速度慢，效率低下，且容易出错，往往需要业务办理者反复上传并核对资料，耗时耗力。

　　AI大模型驱动的OCR（光学字符识别）技术应运而生，其有助于协议识别，梳理更便捷、更高效、更准确，推动行业流程自动化发展。但传统OCR也存在着一些痛点，包括对手写体识别效果不佳；在密集表格、单元格中文本换行等场景下识别效果不佳；长文提取关键字段信息难，段落之间没有关联关系；训练样本需求庞大，训练时间长等。

　　北京商报记者了解到，腾讯云TI-OCR平台通过搭载大模型能力天博·体育，有效解决了图像干扰、混合版式、表格结构化识别等OCR领域核心痛点。华福证券成为了这一平台的“体验官”。在腾讯云TI-OCR 的助力下，机构开户系统资料上传环节的准确率和时效性提高50%。

　　“众所周知机构开户所需要的材料是券商账户业务当中最多最复杂的之一，身份证明材料再加上开户要填写的表单，初步算来需要12—13份材料。”谈及TI-OCR对券商开户运作效率的提升作用，华福证券运营管理部负责人林佳表示，原来没有智能化的情况下，开户协助人必须根据系统提示把材料一一上传到指定位置。

　　而开户协助人通常是券商营销人员，这类人流动性较大，往往很难得到长期培训，更加剧了操作难度。现在客户经理只需要批量拍照，一键上传，系统自动将照片归类到对应协议类别下，缩短了开户材料的上传时间，大大提高了机构开户业务的效率。

　　腾讯云智能高级产品架构师丁鹏进一步介绍到，TI-OCR基于多模态底座大模型，采用端到端的识别方式，可以解决传统OCR没有办法解决的比较难的问题，如印章干扰、手写识别等。此外，相比于企业自己依据场景训练模型，如今将大模型融入之后，会结合实用性降低模型对资源的消耗，客户可以采用少量的样本自主训练垂类场景OCR模型以解决更复杂场景问题。

　　此外，为了解决大模型落地行业的挑战，腾讯云还研发并应用了类RAG技术，基于向量数据库、实时访问数据服务等技术打造多层次算法框架。它依托行业知识分类提取，精准获取专业知识，并利用大语言模型快速提供高质量生成信息，有效降低大模型可能存在的幻觉和信息不可控问题。

　　正如丁鹏所述，大模型技术在OCR领域的应用，以较低的资金、人力和时间投入一站式满足金融券商对一线复杂环境下长尾复杂文件识别的较高要求。为客户提供更加个性化、精细化的服务，最终实现数字化转型和智慧升级目标。

　　而大模型对券商的助力不止于此。在多名业内人士看来，大模型对证券机构业务效率的提升全方位赋能，其前景不可限量。

　　“华福证券AI探索目标，一是提质增效，二是降本增效。”华福证券数智赋能部研发中心总经理谢琪说道。华福证券目前将TI-OCR已经应用到开户领域、智能分拣领域，应用实际效果不错，将把TI-OCR作为OCR原子服务能力上架到公司AI中台，赋能更多的业务应用场景。

　　业务端丰富的需求，也是技术方面推进资管行业券商大模型研发的根本动力。丁鹏提到，实践过程中，面向财富管理业务，面向机构业务、国际结算业务、托管业务等，都收到非常多的诉求。“许多长尾的产品，如个性化文案天博·体育、各类票据、单据或授权证书等等，传统的OCR模型没有办法实现准确率以及结构化信息的效果，但这些需求确实存在。”

　　“我们AI研究侧重应用场景挖掘。我们内部的要求是做AI不能脱离实际业务场景天博·体育，重点是要通过AI实际帮助到业务或者帮助到员工。”谢琪坦言，“目前华福证券通过大模型技术在对内赋能上已经落地了数个场景，比如员工外脑、知识库检索、书写辅助等场景。同时，我们也在探索‘大模型+Agent’模式，这个方向行业也处于探索阶段。”

　　不过，丁鹏同时说到，金融行业竞争激烈、业务复杂、场景丰富，也给大模型带来了不小挑战。当前，大模型在金融机构的落地还处在探索阶段，整体来说缺乏较好的建设依据或方的支撑。此外，基于金融行业对合规的高要求，大模型真正落地上线的效果等各个方面都要有比较好的评价指标，这是如今比较欠缺的。

　　而要想真正做好服务于业务效率提升的大模型，要从实际需求出发，真正地解决客户业务问题，而不是“为了做大模型而做大模型”。丁鹏指出，在大模型实际落地的过程中也要考虑金融行业的业务复杂性，包括数据以及合规安全的问题。