核心观点
　　近期DeepSeek的卓越性能引发全球热议，作为固收大模型系列报告的起点，本文将基于固定收益投资者的视角，对大模型在投研工作中的使用进行初步介绍和测试，以供投资者参考，后续我们将会尝试将DeepSeek应用到在债券研究中的实际应用场景。
　　大模型分类与特点概述
　　大语言模型基于深度神经网络构建，通过自监督学习在海量无标注文本上训练，能实现多种自然语言处理任务。可从模型大小（预训练与微调模型）、使用方式（提示词工程模型）、功能维度（指令类与推理类模型）、应用领域（领域特定与通用模型）等维度分类。同时，金融领域的研究复杂多变，大语言模型带来创新机遇，在金融任务中应用广泛，如金融推理、情感分析、金融时间序列分析等。本文初步介绍了DeepSeek、通义千问、豆包、GPT、BLOOM及其金融衍生、Llama系列等金融大模型的特点及应用。
　　DeepSeek简介
　　DeepSeek是由深度求索公司开发的人工智能产品，聚焦实现通用人工智能。其核心产品是基于大规模预训练模型的智能助手，具备自然语言理解、生成、推理和多模态交互等能力。目前有基础模型（V3）、深度思考（R1）与联网搜索三种模式。DeepSeek创新降本且性能突出，推理架构优化实现低延迟响应，支持长文本处理，在垂直领域精准度高。其检索增强生成（RAG）方案能生成更可靠输出，解决传统模型“幻觉”问题。
　　DeepSeek应用场景初探
　　DeepSeek涵盖多种登录方式，包括官网及手机APP登录、本地部署、云端平台接入API。应用层面，DeepSeek具有信息检索、编程代码、逻辑推理等多种功能。信息检索基于联网搜索模式和RAG方案，能实时获取数据并提供准确全面答案，适用于市场分析、行业研究和政策解读等。编程代码方面可快速获取代码示例并提供个性化推荐。逻辑推理功能在多维数据分析及事件推演方面优势显著，能整合数据并推导因果关系，支持情境分析与假设推演，有助于制定投资策略。
　　风险提示
　　1）大模型输出结果具有随机性风险；2）模型迭代升级、新功能开发可能会导致结论不同；3）模型结论仅供参考，可能出现错误答案的风险；4）AI幻觉生成虚构内容、误导内容的风险。