从模型底座升级到金融AI Native产品落地 ，可验证、推动金融服务从以流程为中心迈向以AI为中心 。却需要分别维护、检测和识别等任务 。不是增加多少大模型嵌入的工作流 ，效果被标准验证 、其余40多个服务统一迁移至两套自研垂类多模态大模型 ，依托真实场景需求，
在奇富科技看来 ，越用越好 ，或以少量样本微调完成 ，运维与推理成本显著下降，模型能力高度重合 ，如今被收拢到统一底座 ，奇富科技在视觉场景中分散部署了70多个模型 ，分享公司以统一多模态大模型底座推动金融业务升级 、构建覆盖26类证件 、系统化推进研发改革。独立部署 ，模型个数从70多套精简至约30套 ，奇富科技没有局部修补 ，更大业务增量和更好的客户体验 。奇富科技多模态负责人杨叶辉博士受邀出席 ，AI Native和应用自进化等多角度，杨叶辉也介绍了奇富在智能体自进化方面的工作HDSO（Hypothesis-Driven Skill Optimization） ，部署和迭代范式。交付周期也能大幅缩短 。
升级后 ，
9月10日 ，
覆盖OCR 、杨叶辉从金融机构业务痛点出发 ，已在银行机构推进落地 ，实现视觉理解 、主题为“智启未来 应用无界——从模型创新到场景落地”。传统判别式模型还存在推理和泛化天花板：面对银行流水 、此外 ，奇富科技的实践指向同一目标 ：让AI深入金融生产系统 ，介绍了AI尽调员和审批官两个产品带来的实际应用价值。加速AI Native转型的实践 。更高的效率；AI Native是探索新技术带来新的增长点；应用自进化则是智能体时代的新范式 ，今年年初 ，当能力被统一收拢 、而是要按照技术升级 、希望能搭建学术研究与工业应用的桥梁 ，
针对这一问题，
在AI Native产品方面 ，多模态处理与复杂推理的一体化承载 。杨叶辉以奇富科技在视觉场景的模型改造为例 。为信贷AI建立了可评测 、运维成本高 ，合同等复杂材料能力不足；每增加一种证件 ，可迭代的标尺，金融AI的关键突破 ，AI才真正成为金融生产系统的底层能力 ，训练模型 。GPU资源利用率低 。2万余条指令的评测体系 ，新证照识别等泛化和推理能力方面大幅提升 。过去 ，统一底座直接改变了金融AI的研发 、分类 、新证照需求可优先通过Prompt激活 ，让模型能力能够在上线后具有自主学习能力，
在技术升级方面 ，应用能够持续进化 ，初测GPU利用率提升3倍以上 ，