國內金融大語言模型專案啟動，16家金融業者聯手打造熟悉在地金融法規、產業知識的大語言模型

參與專案的16家金融機構，包括中信金控、中華郵政、台新新光金控、永豐金控、合庫金控、兆豐金控、第一金控、將來銀行、國泰金控、富邦金控、華南金控、凱基金控、彰化銀行、臺灣銀行、臺灣土地銀行、臺灣中小企銀。其他參與的單位包括金融研訓院、資策會、政大金融科技研究中心、亞太智能機器APMIC等等。

推出熟悉臺灣在地金融法規、產業知識的LLM

金管會主委彭金隆今天出席活動時表示，金融服務業本質上高度仰賴文字與語言的理解與處理，不論在銀行、資本市場或保險領域，都存在大量可透過自動化提升效率的應用場景。隨著AI技術快速發展，特別是大語言模型（LLM）的成熟，如何在創新應用與合規要求之間取得平衡，已是金融業當前最核心的課題之一，也促使主管機關與產業共同思考在地化AI發展的必要性。

他指出，金融業屬於高度監理產業，涉及複雜且具在地性的法規與監理實務，現有通用型大語言模型多以國際資料訓練，若直接套用，可能出現法規適用錯誤或資訊偏差等風險。因此，推動具備台灣法規與金融知識的在地化大模型，不僅是技術發展問題，更是確保合規與風險控管的重要基礎工程。

在政策層面，彭金隆強調，此次金融大語言模型專案已納入國家AI發展重點計畫，並由主管機關協同相關部會共同推動，透過整合資料來源、制度環境與跨部會資源，打造符合金融監理需求的AI基礎建設。另外，藉由16家金融機構與產官學合作的模式，降低各機構重複投入成本，加速形成產業共用的技術平台，提升整體金融業的科技競爭力。

他進一步指出，該計畫不僅著眼於技術導入，更希望強化國家在AI領域的自主能力。透過將本地法規、監理實務與產業知識內化於模型之中，可降低對國外技術的依賴，並同步提升資料治理與資訊安全能力。未來相關成果也可逐步擴展至中小型金融機構，甚至延伸至企業與教育領域，進一步提升金融服務的可及性與公共價值。

在推動進程上，彭金隆表示，專案將採分階段方式進行，首階段以銀行業應用為主，目標在今年底推出初步成果，後續再逐步擴展至保險、證券等其他金融領域。他強調，金管會將持續扮演引導與協調角色，完善制度環境，並與各部會密切合作，推動AI技術在金融產業的深化應用。

年底完成金融大語言模型最終版，建立授權、應用場景

負責這項專案召集人的中信金控資訊長賈景光表示，金融大語言模型專案是在金融科技聯盟架構下，由16家金融機構共同推動的協作專案，目標是建立一套可共同研發、治理與應用的AI模型機制。目前多數金融機構使用的是國外大語言模型技術，雖具備一定能力，但普遍缺乏台灣在地法規與金融實務知識，容易在實際應用中產生偏差，因此建置本土化模型已成為產業共同需求。

在技術與資源配置上，他表示，專案成功的關鍵在於三大要素。首先是資料來源，將結合數發部的主權AI語料庫、金融會的法規資料，以及金融研訓單位所提供的法規與專業資料、政大的金融教科書及著作，建立具合規性的訓練基礎。

其次是技術支援，將由本土技術團隊APMIC負責模型調校與優化，並由16家金融機構參與模型的技術研發討論、資料校對及標註，確保模型符合金融場景需求；第三則是由政大建立建立評測標準滿16家金融機構評定評測標準，並參與專案討論，針對模型輸出結果的正確性、合規性與風險進行判斷，作為未來金融業導入AI的重要依據。

在發展目標與推動時程上，賈景光指出，第一階段將打造具備推理能力的金融大語言模型，不僅能進行問答，也能理解金融邏輯並完成分析任務，目標達到初階銀行從業人員的專業水準，並涵蓋授信、財務分析及市場判讀等能力。專案預計於今年底推出初步版本，後續將持續優化並建立長期維運機制，確保模型能隨法規與市場變化持續更新，並進一步擴展至保險與證券等領域，形成完整的金融AI應用體系。

這項專案將會採用開源的大語言模型，結合國內在地語料內容、金融相關法規及資料進行訓練，預計在今年第3季完成初版模型，今年底完成最終版模型，未來將會委託第三方，協助模型後續維護、模型迭代、授權、建立應用生態。在FinLLM模型完成後，將先供16家金融機構使用，由各金融業者結合自家的知識庫，建立自己內部使用的專用模型。

和現行作法差異

賈景光指出，目前多數銀行在導入生成式AI時，主要採用RAG（Retrieval-Augmented Generation）架構，也就是在通用大語言模型之外，額外建立知識庫，讓模型在回答問題時「即時查詢」相關資料再生成答案。他比喻這種作法是讓模型「翻書作答」，可在一定程度上降低錯誤風險，但仍存在限制，例如資料需切分後檢索，容易出現資訊遺漏或上下文不完整的情況，當知識量快速增加時，也會出現查詢效率下降與回答不穩定的瓶頸。

相較之下，這次專案推動的金融大語言模型，核心在於將台灣金融法規與產業知識「內化」至模型本身，使其不再依賴外部查詢，而能直接理解並生成答案。以「考前翻書」與「真正學會」作比喻，指出RAG屬於前者，而金融大模型則是將知識轉為模型的內在能力，能顯著提升回應速度、完整性與推理能力，特別是在涉及複雜法規、授信判斷或財務分析等場景中，更能降低錯誤率並提升一致性。

由於RAG和模型訓練各有優缺點，賈景光認為，未來會採「內化訓練大語言模型加上RAG外掛知識庫的混合模式，針對最新法規或即時資訊，持續透過外部知識庫補充。

在應用潛力上，金融大語言模型末來可被視為邁向「AI代理人」的關鍵基礎。賈景光指出，過去AI多停留在問答輔助，但未來可進一步發展為具備理解、判斷與執行能力的數位行員，例如自動分析企業年報、協助授信評估，甚至串接內部流程完成任務。不過，由於金融業高度監理，對正確性與風險控管要求極高，仍會是以「人機協作」為主，由AI提供分析與建議，再由人員進行決策把關。隨著模型精準度與穩定度提升，預期可逐步擴大應用範圍，帶動金融服務效率與品質的全面升級。