近日，打造的标多模奇富科技与复旦大学、金融基准华南理工大学的领域研究人员共同举行了一场关于“信贷多模态AI标准设定”的直播讨论。此次交流着重于首个针对信贷场景的准化直播准多模态评测基准FCMBench-V1.0，旨在设计围绕多模态感知、奇富推理及决策的科技评估任务，并同步共享数据集与评测工具，实录设定力求为金融AI建立一个广受认可的信贷评估标准。整场分享长达1小时，打造的标多模融合了学术研究与行业实践，金融基准为金融机构、领域科研院校及行业从业者提供了专业的准化直播准参考和发展思路。以下为本次直播的奇富核心内容总结。
产业实践视角：
FCMBench为金融AI模型提供统一评测标准
奇富科技多模态负责人杨叶辉从产业实践的科技角度分析了金融AI的发展瓶颈及FCMBench-V1.0的研发背景和核心逻辑。他指出，实录设定金融与医疗行业的高门槛特性使得对隐私、安全和合规性的要求极为严格，因此模型能力的验证不能仅凭自我评估，必须建立一个客观而统一的评测体系。
FCMBench-V1.0的推出旨在解决金融机构在模型选择过程中的主要困惑。杨叶辉强调，当前金融行业面临不同模型各自高分自夸、却缺乏统一对比标准的问题，同时模型在实际应用中常出现性能明显下降。FCMBench的核心价值在于成为衡量模型能力的“统一尺子”，使不同模型在真实业务环境下能够公平较量。
围绕这一“尺子”的设计，杨叶辉提出了FCMBench遵循的三大原则：公平性、科学性和实战性。公平性确保客观评测标准的统一；科学性确保数据分布、任务与难度的合理设计，能够有效区分算法效果；实战性则强调模型在真实业务场景下的适应性。为提高评测的现实贴合度，FCMBench通过模拟真实拍摄干扰和推理类任务，重现信贷业务中的多种风险场景，以此考验模型的风险识别和反欺诈能力，确保评测任务的实际意义。
杨叶辉认为，FCMBench的最终目标是为业务与行业发展提供支持，作为金融行业的公共资源，通过统一标准来实现AI能力与实际业务的深度结合。同时，FCMBench亦是金融大模型学术研究与产业应用之间的桥梁，技术上将不断扩展任务、数据类型、语种与模态，以实现信贷AI的全面覆盖；行业层面将与高校合作攻克技术难题，鼓励银行和各类金融机构共同参与，丰富真实业务数据和场景，旨在推动其成为行业公认的评测标准。
学术研究视角：金融AI亟待突破的“ImageNet时刻”
复旦大学的陈涛教授从AI发展史的角度切入，指出了缺乏统一评测标准的问题。他强调，AI大模型的成功依赖于开源生态，而金融领域目前缺乏公认的统一评测数据集。这使得企业及学术界难以协同推进研究，从而限制了金融大模型的形成。
他提到ImageNet的数据集是深度学习发展的里程碑，推动了图像识别领域的标准化。陈涛认为，金融领域同样需要这样统一的数据集，以形成协同发展生态，急需打造属于自身的“ImageNet”。
对于FCMBench-V1.0，陈涛认为其是在国内外金融信贷领域内规模大、权威性高的评测基准，首次实现了模态统一，涵盖信贷和风控等多类核心任务，设计上完全考虑真实业务场景，具有全面性和实用性，是金融领域探索专属“ImageNet”的重要尝试。
产学研融合视角：金融AI的应用与人才培养
华南理工大学的许言午教授则从产学研结合的视角分析了金融AI的实际应用现状及落地优势，同时阐述了FCMBench在行业人才培养中的价值。他明确指出，尽管外界普遍认为AI在金融领域影响较小，但实际上，AI早已在保险定价、资产评估等核心领域深入应用，只是在常规ToC产品中显得不那么显眼。
他还提到，与医疗等其他行业相比，金融AI具有显著的落地效率优势，可以迅速通过历史数据回测与双模型并行测试，验证模型的有效性，模型调整所需的时间大幅缩短，而医疗行业在算法变更后的验证过程则会比金融长得多。
对于金融数据集的构建，许言午提出了三个重要要素：价值驱动、全面精巧与公正普惠。他表示，优质的金融数据集需选题具有实际价值，并设计全面以满足多维度应用需求，且在评测方面要保持公正。
FCMBench-V1.0的推出正好符合这三大要素，同时在金融人才培养方面也发挥着重要作用。它不仅为AI辅修金融的学生提供了真实的产业实践场景，帮助他们提升就业竞争力，也为算法专业学生提供了与金融行业相关的应用场景，促进其适应行业需求，以此为金融行业持续输送优质人才，完善行业的人才体系。
此次直播中，三位嘉宾从产业实践、学术研究和产学研结合三个不同维度，围绕信贷多模态AI的标准建设进行了深入探讨，使行业对金融AI的发展现状、挑战及未来方向有了更明晰的了解。随着FCMBench-V1.0的持续推广及更多金融机构和科研院校的参与，未来金融领域有望逐步形成类似于ImageNet的开源生态，实现AI技术与金融业务的深度融合，推动金融AI向标准化、规范化方向发展，并最终实现技术突破与产业落地的双向促进。