金融AI的年度大考交卷了：2万名选手、30+家机构、百亿级数据开源

2026-09-04 15:09 量子位 www.qbitai.com 网页快照

阅读原文 ↗ www.qbitai.com

金融AI的年度大考交卷了：2万名选手、30+家机构、百亿级数据开源

鹭羽发自凹非寺量子位 | 公众号 QbitAI

清北、复旦、麻省理工等海内外顶尖高校学子，以及大厂核心技术骨干，纷纷汇聚一堂，赛场内火力全开——

有人从L2行情中识别资金动向，有人拆解复杂金融文档，也有人掏出Harness、RSI，让Agent读懂市场情绪。

除了有历届成果集中亮相、创投资本1v1现场对接、HR一站式发offer，千问AI眼镜等前沿技术产品也同步开放体验。

这正是有着「金融AI创新年度风向标」之称的AFAC金融智能创新大赛（AFAC2026）总决赛现场，也是迄今为止举办的第四届。

上海市科学技术委员会、中国计算机学会、北京大学、蚂蚁集团、GFTN全球金融与技术网络、真格基金、中国银行……

参赛选手更是五湖四海掐尖而来，自 2023年首届举办以来，AFAC大赛已累计吸引来自全球超2万支队伍6万名选手，覆盖600余所高校、700余家企业。

最关键的是，AI技术专业度拉满，几道赛题几乎把当下金融AI最热门的内容一网打尽。

一场真实场景的金融大考普通算法比赛通常可以被压缩成一个清晰目标，也就是在固定数据集上，把某个指标刷到更高。

真实业务中，多调用一次模型就是实实在在翻倍的成本，而且光答案合理还远远不够，还要系统说明依据来自哪儿，要经得起复核。

所以再看AFAC2026大赛的四道挑战组赛题，都在尽可能模拟真实金融场景下的压力：

据赛题一「市场参与者交易行为识别与资金流向分析」的评审专家、中科大计算机学院副院长、软件学院副院长、教授王超介绍：

这道题研究的是一个非常经典的问题，在二级市场乃至大模型出现之前，市场参与者的交易行为识别就已经存在。

数据：数据规模、多样性、多模态特性和可变性都发生了很大变化，给交易行为与主体识别带来了新的挑战；

评价标准：赛题包含两个子任务，其中一个没有明确的评价指标。选手面对的是开放问题，而非命题作文，需要自行构建逻辑框架与评估体系；

系统的动态特性：模型面对的是不断变化的市场，能依赖的却只有静态的历史数据。从静态走向动态，中间隔着迁移与泛化的复杂过程。

三个标准相继击中了传统Benchmark的痛点：一次高分可能来自偶然，一套真实可落地的系统却能在条件变化后依旧成立，还要讲清楚为何成立。

OCR识别出字符，并不等于模型读懂了文件。赛题二的评审专家、复旦大学计算机科学技术学院教授张军平指出：

真正困难的是超长表格。大部分大模型无法一次性完成识别，还需要后处理来补足。

更麻烦的是复杂表格的鲁棒性，金融没有永远固定的模板，模型能否稳定适应这些变化，都是未来方案迁移到业务场景中亟需解决的问题。

张军平同时也观察到，本届不少选手的策略仍依赖参赛者本人对文档的理解，下一步要做的，是把人的理解真正转化为机器能力。

所以这道题可以说是，既抓住了金融文档智能的现实痛点，又瞄准了企业AI未来的关键。

另一边，赛题三「稀疏反馈下的自动化实验挑战」把困难放进了Agent决策过程。

Agent需要像研究员一样，在无法并行、预算有限的情况下，根据每轮实验完成闭环反馈。

赛题三评审专家、蚂蚁集团财富保险事业群资深算法专家陈召群将它指向了Agent产业化的关键节点。

流程自动化本身就是技术商业化的一种典型范式，生成式AI让环节之间相对模糊的交接成为可能，这也是我们希望通过这道赛题呈现的意义。

赛题强调资源约束，也是因为技术一旦从POC（概念验证）走向大规模应用，成本和ROI是绕不开的话题。

无独有偶，同样的逻辑也发生在赛题四「金融长文本Agent的动态记忆压缩与高效问答挑战」中。

乍看之下，把整份文件一股脑塞给模型，似乎就能解决问题。可到了机构级调用量，这条路线很快就会同时撞上成本和效果两堵墙。

真正拉开差距的，不是Prompt写得多漂亮，而是系统是否具备上下文控制能力。

这同样也是现实业务场景的需要，Token消耗会直接决定该项能力能否以合理成本服务海量用户。

蚂蚁集团财富保险事业群财富AI Lab研发负责人徐万青，用互联网与AI的成本曲线作了一个对比：

从互联网时代进入AI时代，我们逐渐意识到二者的成本结构不同。互联网时期，新增用户的边际成本很低，甚至可能接近零。 AI时代并非如此，边际成本曲线也许会缓慢下降，但不会归零。每增加一个用户，就会增加一份Token消耗，而这些Token都对应真实成本。

换言之，成本并非技术能力之外的一道附加题，它就是能力本身的一部分，也是AI逐步走向产业应用、面向用户创造价值的一种体现。

所以总的来看，今年的题目看似多元分布，归根结底都是在考验模型能否在真实约束中持续完成任务。

四届赛题，画出金融AI的技术迁徙

如果我们把2026年的题目单独拎出来看，Agent、Token经济学、自动化科研，上半年AI圈讨论度最高的几条主线，全在里头了。

蚂蚁做出了一个在当时看来颇为大胆的决定，直接将金融赛事与前沿大模型技术绑定，这在以稳健著称的金融业并不多见。

到了第二年，模型能力跃迁让金融垂类应用加速，讨论开始从要不要用大模型，转向如何接进具体业务。

同年，AFAC设立初创组，把考察范围从算法方案扩展到商业落地，技术第一次需要回答比赛之外的问题。

2025年，金融AI不再满足于一个答案，因果溯源、逻辑推理和工具调用的重要性也日益增长，考题也随之将重点放在工业级约束上。

智能体能否管理上下文、能否适应动态环境、能否利用稀疏反馈、能否控制调用成本，成为比智能程度更具体的问题。

这条技术迁徙路径，也被本届总决赛上正式开源发布的「AFAC百万金融智能数据集」完整保留了下来。

数据集沉淀自2023年至2025年的14道高价值赛题，包含13万条评测样本、2000余份专业金融文档和130多个历届优胜方案，覆盖百亿级金融科技数据条目。

数据形态从单模态到多模态，核心能力从单一精度预测到复杂推理，落地应用也从单点模型微调走向面向真实业务的综合智能系统。

于是多年的 Know-how经验转换成外部研究者共用的接口，后来者也能沿着已有方案继续往前走，摸索出更多的新技术反哺赛事和数据集。

赛题定调，生态定速

正如徐万青所说，把一个好想法变成稳定、高效、成本最优且可执行的产业方案，仍要在大量实现细节中持续打磨。

SGInnovate Director Jae Annie Tay 长期参与新加坡深科技生态建设，第一次来到AFAC，她注意到：

团队越小，越需要一个足够大的外部生态提供支持，让创业者始终能够连接到所需的人才、资金和产业资源。

它一端站着高校、开发者和年轻初创团队，另一端放置蚂蚁长期积累的业务场景，两端之间是围绕赛事搭起的一整套连接人才、场景、资本和产业的转化体系。

以今年为例，大赛发起机构扩张至33家，首次新增新加坡金融科技节的发起方GFTN—全球金融与技术网络（Global Finance & Technology Network），孵化网络也在层层加码，为早期团队技术验证提供创业辅导、资本对接和孵化入口。

除了百万奖金池，AFAC还提供算力支持、大厂直通机会和6个月加速成长计划，并携手WAIC世界人工智能大会、外滩大会、CNCC中国计算机大会等平台，进一步打开产业交流和国际连接的空间。

赛场负责验证方案，论坛让学术界、产业界与创投机构交换判断，展区则让技术和项目获得进一步show time～

细分的两个组别中，挑战组解决的是如何从真题中识别能力，初创组接着回答如何把能力变成产品，两条路径最终殊途同归，落于真实场景。

毕竟赛题赛制可以模仿，奖金规模也可以追赶，但恰是这样一套生态系统，才是抄也抄不来的。

毫不夸张地说，也只有像蚂蚁这样长期深耕金融AI的产业参与者，才能既将问题从真实金融业务中抽丝剥茧，又为答案提供持续生长的土壤。

因为最接近，所以最懂得，才能大浪淘沙，在每年最热的技术浪潮退去之后，把那些被泡沫冲刷出来的真问题迅速摆上考场。

世界生成模型来了3D头部玩家，可进入生产管线的场景级生成时代来临！ 2026-09-03

114B参数、6B激活，Sand.ai刚刚开源全球首个千亿MoE视频生成模型 2026-08-05

金融AI的年度大考交卷了：2万名选手、30+家机构、百亿级数据开源