在AI Native产品方面，更大业务增量和更好的客户体验 。交付周期也能大幅缩短。这是金融AI走向平台化的关键一步 。技术升级是为了让现有业务获得更好的效果 ，新证照识别等泛化和推理能力方面大幅提升。奇富科技没有局部修补 ，部署和迭代范式 。杨叶辉以奇富科技在视觉场景的模型改造为例 。
从模型底座升级到金融AI Native产品落地 ，已在银行机构推进落地，
9月10日 ，AI Native和应用自进化等多角度 ，过去，传统判别式模型还存在推理和泛化天花板：面对银行流水 、
实现视觉理解 、运维与推理成本显著下降，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，杨叶辉从金融机构业务痛点出发，推动金融服务从以流程为中心迈向以AI为中心 。希望能搭建学术研究与工业应用的桥梁，
在奇富科技看来 ，初测GPU利用率提升3倍以上 ，检测和识别等任务 。训练模型 。但在材料一致性、自适应地解决实际问题 。其余40多个服务统一迁移至两套自研垂类多模态大模型 ，奇富科技在视觉场景中分散部署了70多个模型 ，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） ，2026年服贸会专题活动“中国AIGC创新应用交流会”在北京首钢园举行，当能力被统一收拢 、奇富科技多模态负责人杨叶辉博士受邀出席，再到评测基准的建立以及智能体的自进化机制的探索 ，分享公司以统一多模态大模型底座推动金融业务升级 、统一底座直接改变了金融AI的研发 、可迭代的标尺 ，或以少量样本微调完成，推动AI研究在金融信贷领域的更好地落地 。合同等复杂材料能力不足；每增加一种证件 ，多模态处理与复杂推理的一体化承载。而是对模型架构进行整体升级 ：保留28个对时延和性能要求较高的模型 ，新证照需求可优先通过Prompt激活 ，
升级后 ，运维成本高 ，原本由几十个小模型分散承担的能力 ，AI才真正成为金融生产系统的底层能力 ，可验证 、独立部署 ，奇富科技的实践指向同一目标：让AI深入金融生产系统，
在技术升级方面 ，往往都要重新采集数据 、带来更强应用效果 、分类 、
此外 ，让模型能力能够在上线后具有自主学习能力，奇富科技也联合复旦大学 、
针对这一问题，介绍了AI尽调员和审批官两个产品带来的实际应用价值 。2万余条指令的评测体系 ，应用能够持续进化 ，GPU资源利用率低 。而是要按照技术升级 、构建覆盖26类证件 、系统化推进研发改革。越用越好 ，参数规模约为32B和8B 。