易鑫首席科技官贾志峰：Agentic能力，实现汽车金融行业的全局智能｜WISE2025商业之王

11月27-28日，被誉为“年度科技与商业风向标”的36氪WISE2025商业之王大会，在北京798艺术区传导空间落地。

今年的WISE不再是一场传统意义上的行业峰会，而是一次以“科技爽文短剧”为载体的沉浸式体验。从AI重塑硬件边界，到具身智能叩响真实世界的大门；从出海浪潮中的品牌全球化，到传统行业装上“赛博义肢”——我们还原的不仅是趋势，更是在捕捉在无数次商业实践中磨炼出的真知。 

我们将在接下来的内容中，逐帧拆解这些“爽剧”背后的真实逻辑，一起看尽2025年商业的“风景独好”。

易鑫首席科技官 贾志峰

以下是易鑫首席科技官贾志峰先生的演讲实录，经36氪编辑：

贾志峰：大家好！我是易鑫的贾志峰，很高兴能站在这里，跟大家分享易鑫在金融行业的AI应用。

易鑫是汽车金融行业的一个金融科技平台。我们服务全国超4万家新车和二手车经销商，以及100多家金融机构，我们的年交易额目前达到了700亿人民币，全球的员工有五千多人。

公司在2014年8月成立，2017的11月成为国内首个在港交所上市的汽车金融科技平台；到2018年10月份，我们的累计汽车融资交易量突破了100万台；今年9月份，我们的交易量突破了500万台。

目前我们可以说是国内甚至国际最大的汽车金融科技平台。

从成立之初，易鑫就一直非常重视科技和研发在业务中的作用。

截至目前，我们累计投入了20亿元的研发费用，全球研发的员工人数有400多人，其中80%以上来自一线互联网公司、汽车公司，以及科技公司。

在AI方面，我们做了以下几件事情：

第一，我们去年成为了行业里首家通过国家大模型备案的企业；

第二，今年4月份，我们同步开源了汽车金融行业首个垂直的基座模型，它是一个72B的大模型。

第三，在11月初的世界互联网大会乌镇峰会上，我们率先发布了汽车金融行业内的首个Agentic大模型并投入应用；此外，历经多轮专业评委的严格评选，易鑫在“直通乌镇”全球互联网大赛中，拿下了开源模型赛道的唯一一等奖。

接下来，重点讲一下我们在AI领域的一些实践和心得。

首先，我们认为智能还是这次科技浪潮的主线。我们可以看到AI的智能化发展趋势，基本上是从1.0的判别式AI，发展到2.0的生成式AI阶段。在1.0阶段，我们用判别式的AI能力，建设我们的风控模型，到2.0阶段，我们用AI能力去生成文案、生成视频、生成语音，去做跟客户的营销和沟通。目前，也就是今年开始，我们看到了代理式的AI在行业的初步应用和实践。

我们发现金融行业有这么几个特点，一个是业务中间产生的大量数据，因为合规、个人隐私保护等原因，存在于企业的内部。

这导致了一个现象——市面上的基座大模型，因为有大量的语料，往往在通用能力上，做得比较强，但当进入垂直的领域，尤其是金融领域时，由于缺乏公域的金融行业的特定数据，它在这方面的能力往往会比较弱。

基于这个观察我们认为，如果要把这种新的、大模型的技术应用在汽车金融行业，我们就需要建立企业内部的全栈式AI能力。 

它包括什么？ 

包括从底座开始，构建我们自己的训练和推理的集群，包括要根据这个行业的特征，用企业以及行业的大量私有数据，来训练专有的行业模型，形成自己的模型矩阵。

也包括，在模型治理层面上，需要有一系列平台级的产品，能让新的模型快速经过小流量的测试，经过AB验证，能够在风险可控的情况下，投入到真正的业务场景中，跑出Benchmark，再反馈到模型训练当中，快速实现模型迭代。

以至于包括在应用层，我们需要把模型的能力和人工的能力，无缝地有效结合起来，用copilot+human in the loop的方式，把人和AI做深度的集成和结合，从而给用户提供一个完整的、可依赖的服务。

这些都是我们在金融行业，所体会到的需要构建的全栈式能力——从算力到最上面的应用层，都需要有一系列的模型训练、模型管理、模型治理、人机交互等一系列的基础设施。

所以我们从2020年开始，就在一步一步跟着AI浪潮，建立平台型的能力，包括风控模型的训练平台和上线平台，包括机器人Chatbot的平台，都在一步一步实现智力的提升，以及管理和流程上的集成。

这几年下来，我们逐步形成了汽车金融行业的模型矩阵，它包括最底层的一个70B，和一个420BMOE的基座模型，在这两个基座模型的基础上，我们进一步训练了多个不同尺寸的模型，叫做Domain-Specific Model，也就是领域模型。在不同的场景中，我们挑选不同尺寸和能力的balance，让它能灵活地、大规模地、低成本地在真实的业务场景中得到应用。

还有我们的一些多模态模型，其中包括语义模型，这是我们在Voice Agent的基础；包括一些文生图、文生视频的模型；也包括做Marketing要用的模型，我们在多模态方面做了非常多的探索和实践。

今年年初，我们开源了第一个Reasoning Model。它是一个72B的Model，对金融领域专业知识的掌握是行业领先的。到11月，我们在乌镇大会率先发布了自有的Agentic模型。

我们认为这些模型矩阵，也会随着智力的不断演进而不断演进。也就是说，这个模型矩阵它应该是动态的，应该是随着业务的要求、随着技术的进步，不断进步演化和发展的。

说到Agentic，因为行业里很多人都认为，今年可能是Agentic元年，谈论比较多的，是通用的Agent，在汽车金融行业，我们也做了相应的单点智能在汽车金融行业的落地和实践。我们有几点心得和体会，也在这里和大家分享：

第一，在Agentic之前，所有这些智力的提升，更多的认为它是一个单点式智能，不论是在智能呼叫、智能面审，还是智能客服这些领域，都是在某一个业务的流程点上提升它的智能，提升AI的覆盖率，提升业务的效率和效果。

过去几年，这个模式一直适用。尤其在一直被叫做“信贷工厂”的汽车金融行业，从最初期的客户触达，到信审，到最后的放款，到贷后管理，我们把金融行业非常长的链条，切分成了不同环节，然后在每个环节上，我们都运用AI提升它的能力。

这是在Agentic之前，我们通常用的一个范式，Agentic能力来了之后，我们发现可能会有另外一个更大的机会，就是全局变聪明。

为什么这是一个比较大的机会？有三方面的原因：

第一是全模态感知，在原本的金融流程中，更多的用表单这种结构化的数据传递信息，但有了多模态AI的识别能力后，汽车金融行业第一次能够把多模态的信息也纳入到决策中，例如我们的情绪信息，我们是不是说谎，可能更大的判别是我们的情绪。

大家在很多电影上都看到过测谎仪，你怎么样答问题更重要，你的情绪更重要，你的答案其实不重要。像这种多模态的信息和感知，是第一次能够用数字化的方式被应用在决策中。这是多模态。

第二是全流程协同。我们把这些信息打通后，在每一个环节上，都可以用全流程的数据做决策。假如我是一个风控的信审员，我能够完整知道，在此前的销售交互中，客户说了什么，他的情绪是怎样的，这样更有利于我在风控环节做判断。也就是说，全流程的数据是相通的，而且是全感知的，这就是全流程的协同。

第三是全局的调度。Agentic它有全局化的调度能力，能够把原来多次、分多个工种才能完成的任务，有机融合在一个环节完成。 

比如作为销售，在跟客户做资料采集的时候，过去或许只能做资料采集，现在可以作为一个AI的Agent，跟客户互动时，实时感知到他的情绪。还可以感知到他的资料是不是需要补充，感知到是否要在风控环节问他一些特殊的问题。可以在一次交互中跟客户做交通，而且让客户在更短时间内得到相应的服务。

因为Agentic有全模态感知、全流程协同和全局决策能力，所以我认为，如果用Agentic AI来驱动的话，汽车金融行业，或者说金融行业会出现，超越过去“信贷工厂”模式的新范式，我们非常高兴，有机会在业务中使用。

从Q4开始，我们就把自己训练的模型，落地到业务场景中。这是一个例子，一条线索进入流程中，能够用我们的Agentic大脑，来驱动这3个Agent，调动一系列互动的工具和判断的工具，在一个流程里完成过去两到三个流程才能处理完的事情。 

最后，我们都知道，金融行业有一个特点，大家在使用能力的时候，都希望能把数据留在自己的企业里，但因为刚才讲到的各种合规的要求，各种风险的管控，所以很多伙伴们想用我们的能力，却没法直接调用工具API使用这些能力，所以今天在这个场合，我们正式开源我们的Agentic大模型。 

它的参数是这样的：它是一个基于千问3的14B的较小尺寸模型模型，特点是延时非常低，单卡的表现非常高，用了将近10万个Token专有的数据集做了加强。如果对标同尺寸模型，我们在各个Benchmark上基本是领先的，在金融行业，我们的Benchmark上应该是遥遥领先的。

它尺寸比较小、性能好，便于大家拿回去之后，在自己的服务器上，以比较低的成本部署、来大规模地应用。

而且，针对金融行业，我们做了一些垂直化的训练。举个例子，金融行业有很多说明，比如产品的说明也好，SOP的说明也好，是用比较复杂的文字来表达的。当这些文字输入到其他大模型时，我们会发现，它们对这些的理解经常会出现幻觉，因为它们对其中逻辑关系的处理，没有我们自己训练的模型好。

此外，模型可能是这个问题的核心，但肯定不是全部。Agentic模型除了大脑要优秀之外，还需要对应的工具，对应的手和脚，所以我们也同时提供了一系列跟金融行业相关的工具。

在训练过程中，我们也用了一些比较创新的方法，其中包括No Answer Distillation Training的方式。意思是在训练过程中，需要这个模型清楚地知道，什么时候它应该回答NO，而不是自由发挥。 

我们也采用了基于过程监督的On-Policy知识蒸馏的方法，这是希望它不仅能把结果做对，还能把过程做对，因为过程也很重要，我们不希望它是蒙的，不希望它用一个比较奇怪的过程蒙出一个结果，所以我们对一些关键的SOP、关键的过程也做了强化。

第三，我们做了多阶段的效率，保证模型的效率和收敛是稳定可靠的，同时也能做自己的探索和发挥。 

最后，再分享一下，到今年为止我们开源了两个模型，也欢迎行业里的各位伙伴多加使用，给我们提出宝贵的建议和意见。

从2023年起，易鑫就开始做全球化，在新加坡、马来西亚、日本等都有业务，所以接下来我们也会把刚才讲的所有模型能力，在各个国家做本地化的适配，用本地化的法律法规要求，用本地化的工具集，用本地化的风控互动的数据，来做这些模型的本地化。所以明年非常期望有更多国际上的伙伴跟我们联系，一起把这个开源的社区做得越来越繁荣，给汽车行业多做贡献。

谢谢大家！