欧洲领先金融服务机构拥抱开放模型，构建专有智能
内容提要
在GTC柏林大会上，欧洲多家银行、支付公司和金融数据商展示了基于英伟达加速计算、开放权重模型和自有基础设施的生产级智能应用。Revolut用单一基础模型PRAGMA重建技术栈，服务8000万客户；Starling Bank在主权云上训练智能层；劳埃德银行构建交易基础模型ATUM。开放模型让机构以可控成本构建专有智能，如bunq的Finn成本仅为闭源模型的60%。此外，LSEG和RavenPack加速金融研究，汇丰和Stripe提升欺诈检测效率。
延伸解读
开放权重模型成为金融机构自建智能的路径
文章显示，Revolut、Starling Bank、劳埃德银行等机构并非直接采购闭源模型服务，而是基于开放权重模型和自有数据构建专有智能。这意味着金融机构可以在自己控制的基础设施上训练和运行模型，数据不必离开自有环境。对读者而言，关键信号是：开放模型的价值不只在于成本，更在于让机构把交易数据转化为可复用、可治理的内部能力。
成本优势有具体案例，但需区分场景
bunq的智能助手Finn在开放权重模型上运行，单次回答成本为闭源领先模型的60%，同时保持相近质量。这一数字来自特定助手场景，不能直接推广到所有金融业务。读者应关注：成本优势是否伴随质量、延迟和合规要求的权衡，以及机构是否具备运维自有模型栈的工程能力。文章未给出其他机构的成本对比，因此不宜过度外推。
主权云与本地部署回应数据治理关切
Starling Bank在英国主权云上训练智能层，SBS推出银行主权智能平台，使银行能在数据不出自有边界的前提下运行生成式和智能体模型。这反映出欧洲金融机构对数据驻留和可控性的重视。对计划采用类似方案的读者，应留意：主权部署解决的是数据位置和访问控制问题，但模型训练、监控和更新仍需配套治理流程，文章未展开这些细节。
加速计算在研究与反欺诈中已有量化收益
LSEG利用GPU加速的Polars引擎，将历史逐笔数据分析速度提升至多10倍；Stripe在离线测试中实现数据管道42倍加速和92%成本节省，用于反欺诈平台Stripe Radar。汇丰也借助GPU引擎将数据处理提速5倍，支持近实时客户洞察。这些数字说明加速计算在数据密集环节的潜力，但Stripe的数据来自离线测试，实际生产表现仍需观察。
Q&A
欧洲金融机构在GTC柏林大会上展示了哪些基于开放模型的生产级智能应用？
Revolut用单一基础模型PRAGMA重建技术栈，服务8000万客户；Starling Bank在主权云上训练智能层；劳埃德银行构建交易基础模型ATUM；bunq的Finn成本仅为闭源模型的60%；LSEG和RavenPack加速金融研究；汇丰和Stripe提升欺诈检测效率。
Revolut的PRAGMA模型是如何构建和部署的？
Revolut使用NVIDIA cuDF工具包和Dynamo-Triton软件，在NVIDIA Blackwell Ultra GPU上，基于单一基础模型PRAGMA重建技术栈，初始服务8000万客户，并设计为可扩展3倍。
开放权重模型为欧洲金融机构带来了哪些成本优势？
开放权重模型让机构以可控成本构建专有智能。例如，bunq的智能助手Finn在Nebius上部署，由NVIDIA加速计算驱动，其每次回答的成本仅为领先闭源模型的60%，同时质量相当。
Starling Bank和劳埃德银行在AI模型训练方面有什么不同做法？
Starling Bank是首家在英国主权云基础设施上训练代理模型的银行，使用Civo的英国云和自身交易数据开发了“Starling Intelligence”。劳埃德银行则构建了交易基础模型ATUM，使用NVIDIA RTX PRO 6000 Blackwell GPU加速，将数十亿银行交易转化为可复用智能。
NVIDIA加速计算如何帮助金融机构提升欺诈检测效率？
汇丰通过Starburst Enterprise的GPU引擎实现5倍更快的数据处理，提供近实时客户洞察以降低风险和欺诈。Stripe在离线测试中，使用NVIDIA GPU加速的Ray Data，使Stripe Radar欺诈检测平台的数据管道速度提升42倍，成本节省92%，从而持续优化模型训练。
LSEG和RavenPack如何利用NVIDIA技术加速金融研究？
LSEG与NVIDIA合作，使用Polars GPU引擎（由NVIDIA cuDF在RTX PRO 6000 Blackwell GPU上加速），帮助机构分析历史逐笔数据速度提升高达10倍。RavenPack在Bigdata.com上构建数据集生成管道，基于微调的NVIDIA Nemotron模型，将自然语言研究假设转化为标记好的、可回测的数据集。
