加州伯克利《Measuring Agents in Production》调研：金融与银行是Agent落地的第一战场（占比39.1%），但73%的部署目标是「提高生产力」，且量产级Agent普遍采用闭源模型+人工提示词，自主权限严格受限。稳定性是最大障碍，人工审核仍是兜底环节。AFAC大赛四道赛题恰好都踩在这些痛点上——不是模型不够强，是产业约束太多，工程品味决定成败。

蚂蚁数科2025年推出大模型「按效果付费」商业模式：金融机构不再为API调用量买单，而是为实际的业务增长（如理财规模增量、信贷通过率提升）付费。这和AFAC大赛「成本不是关键变量」形成有趣对照——蚂蚁一方面在赛题里强调极致效率，另一方面自己用该模式降低企业门槛。本质是一场战略卡位：用大赛培育生态，用绑定业务效果的定价模型锁定客户，让金融AI从「技术投入」变成「利润引擎」。

就在AFAC大赛开赛前两天（2026年6月18日），国家金融监管总局发布了《关于银行业保险业人工智能安全开发应用的指导意见》，32条细则要求金融机构将AI风险纳入全面风险管理体系，高风险应用关键环节必须建立人工监督和干预机制。这和文章里出题人说的「成本不是关键变量，赢过对手才是」形成鲜明对照——一边是效率博弈的极致追求，一边是监管压舱石般的约束，金融AI的创新空间被框定在安全与效率的钢丝上。

赛题三出题人一语点破：优秀的方案未必来自更贵的API，可能3B参数就能搞定。这不是空想——2026年已有VibeThinker-3B这样的推理模型，在AIME26数学竞赛上追平DeepSeek V3.2等千亿级旗舰。金融图学习的搜索空间缺乏连贯语义，大模型的通用先验帮不上忙。阿里云《百技图》也指出「通用智能体+可插拔Skill」模式正在成为主流。Scaling Law在金融场景可能失灵，下一波竞争焦点会是：怎么用最小的模型，榨出最大的商业价值。

文章说金融AI是「自带护城河的赛道」——但垂直模型的技术壁垒真的坚固吗？ 2026年省级政府已累计部署365个垂直大模型（比如河北），技术上普遍采用「开源基座+私域数据微调+RAG」。通用模型同样在进步：目前最强的多模态模型已经在FinixDocBench上跑出81.43分。真正值得追问的不是「垂直能不能做」，而是：当通用模型的金融能力逼近专业模型时，垂直大模型积累的领域数据集和业务SOP，是真正的护城河，还是只是暂时的先发优势？