2026-09-04 16:29:40 西盟科技资讯
全球5027支队伍、近2万名选手同台PK，百分之一的晋级概率杀进总决赛路演......
八月末，上海，金融AI年度大考准时开赛。
清北、复旦、麻省理工等海内外顶尖高校学子，以及大厂核心技术骨干，纷纷汇聚一堂，赛场内火力全开——
有人从L2行情中识别资金动向，有人拆解复杂金融文档，也有人掏出Harness、RSI，让Agent读懂市场情绪。
场外，主办方围绕赛事，首次推出「会、展、赛」三位一体的总决赛路演舞台：
主论坛上大咖轮番登场，创新展区同样热火朝天。
除了有历届成果集中亮相、创投资本1v1现场对接、HR一站式发offer，千问AI眼镜等前沿技术产品也同步开放体验。
这正是有着「金融AI创新年度风向标」之称的AFAC金融智能创新大赛(AFAC2026)总决赛现场，也是迄今为止举办的第四届。
要说AFAC有多权威呢?
且看联合发起阵容：上海市科学技术委员会、中国计算机学会、北京大学、蚂蚁集团、GFTN全球金融与技术网络、真格基金、中国银行......30多家组织机构，个顶个都是业界扛把子。
参赛选手更是五湖四海掐尖而来，自2023年首届举办以来，AFAC大赛已累计吸引来自全球超2万支队伍6万名选手，覆盖600余所高校、700余家企业。
而且!一届更比一届强。
第四届含金量全方位更上一层楼：辐射范围更广、创投生态更完善。最关键的是，AI技术专业度拉满，几道赛题几乎把当下金融AI最热门的内容一网打尽。
这恰恰也是AFAC大赛有别于其它算法竞赛的地方：
把金融产业正在面临的「真」问题，直接搬进赛场。
一场真实场景的金融大考
普通算法比赛通常可以被压缩成一个清晰目标，也就是在固定数据集上，把某个指标刷到更高。
金融AI却很难这样概括。
市场会变，碰到的问题也缺乏明确边界。真实业务中，多调用一次模型就是实实在在翻倍的成本，而且光答案合理还远远不够，还要系统说明依据来自哪儿，要经得起复核。
所以再看AFAC2026大赛的四道挑战组赛题，都在尽可能模拟真实金融场景下的压力：
数据规模扩大、反馈更少，环境持续动荡变化，但资源和成本始终有限。
看盘面这道题尤其直观。
据赛题一「市场参与者交易行为识别与资金流向分析」的评审专家、中科大计算机学院副院长、软件学院副院长、教授王超介绍：
“这道题研究的是一个非常经典的问题，在二级市场乃至大模型出现之前，市场参与者的交易行为识别就已经存在。”
如今为什么还要拿来做?难点有三：
●数据：数据规模、多样性、多模态特性和可变性都发生了很大变化，给交易行为与主体识别带来了新的挑战;
●评价标准：赛题包含两个子任务，其中一个没有明确的评价指标。选手面对的是开放问题，而非命题作文，需要自行构建逻辑框架与评估体系;
●系统的动态特性：模型面对的是不断变化的市场，能依赖的却只有静态的历史数据。从静态走向动态，中间隔着迁移与泛化的复杂过程。
所以王超把评审标准归纳成三个词：复现、解释和泛化。
三个标准相继击中了传统Benchmark的痛点：一次高分可能来自偶然，一套真实可落地的系统却能在条件变化后依旧成立，还要讲清楚为何成立。
也就是说，选手需要真正理解市场本质，并在极限时间内表达出来，才算试炼成功。
赛题二的「复杂金融文档还原挑战」则把压力推到了输入端。
OCR识别出字符，并不等于模型读懂了文件。赛题二的评审专家、复旦大学计算机科学技术学院教授张军平指出：
“真正困难的是超长表格。大部分大模型无法一次性完成识别，还需要后处理来补足。”
更麻烦的是复杂表格的鲁棒性，金融没有永远固定的模板，模型能否稳定适应这些变化，都是未来方案迁移到业务场景中亟需解决的问题。
张军平同时也观察到，本届不少选手的策略仍依赖参赛者本人对文档的理解，下一步要做的，是把人的理解真正转化为机器能力。
所以这道题可以说是，既抓住了金融文档智能的现实痛点，又瞄准了企业AI未来的关键。
另一边，赛题三「稀疏反馈下的自动化实验挑战」把困难放进了Agent决策过程。
Agent需要像研究员一样，在无法并行、预算有限的情况下，根据每轮实验完成闭环反馈。
赛题三评审专家、蚂蚁集团财富保险事业群资深算法专家陈召群将它指向了Agent产业化的关键节点。
“流程自动化本身就是技术商业化的一种典型范式，生成式AI让环节之间相对模糊的交接成为可能，这也是我们希望通过这道赛题呈现的意义。”
赛题强调资源约束，也是因为技术一旦从POC(概念验证)走向大规模应用，成本和ROI是绕不开的话题。
企业要在效果和成本中找到平衡，选手在比赛中亦是如此。
无独有偶，同样的逻辑也发生在赛题四「金融长文本Agent的动态记忆压缩与高效问答挑战」中。
上下文窗口越来越长，百万Token甚至更长上下文已经成为行业热点。
乍看之下，把整份文件一股脑塞给模型，似乎就能解决问题。可到了机构级调用量，这条路线很快就会同时撞上成本和效果两堵墙。
赛题四评审专家、哈工大计算学部教授张宇给出的判断很干脆：
“真正拉开差距的，不是Prompt写得多漂亮，而是系统是否具备上下文控制能力。”
上下文窗口解决的是容量问题，有效上下文解决的才是利用问题。选手需要通过赛题意识到智能是有成本的，学会取舍和判断哪些Token值得保留。
这同样也是现实业务场景的需要，Token消耗会直接决定该项能力能否以合理成本服务海量用户。蚂蚁集团财富保险事业群财富AI Lab研发负责人徐万青，用互联网与AI的成本曲线作了一个对比：
“从互联网时代进入AI时代，我们逐渐意识到二者的成本结构不同。
互联网时期，新增用户的边际成本很低，甚至可能接近零。
AI时代并非如此，边际成本曲线也许会缓慢下降，但不会归零。每增加一个用户，就会增加一份Token消耗，而这些Token都对应真实成本。”
换言之，成本并非技术能力之外的一道附加题，它就是能力本身的一部分，也是AI逐步走向产业应用、面向用户创造价值的一种体现。
所以总的来看，今年的题目看似多元分布，归根结底都是在考验模型能否在真实约束中持续完成任务。
至于选手，谁能在真实金融世界中跑起来，谁才是最终赢家。
四届赛题，画出金融AI的技术迁徙
如果我们把2026年的题目单独拎出来看，Agent、Token经济学、自动化科研，上半年AI圈讨论度最高的几条主线，全在里头了。
这可不是瞎猫碰上死耗子。
时间线拉长，AFAC四届赛题，每年都在找最顶尖的人、问行业最棘手的问题。
串在一起，就是金融AI从模型可用走向系统好用的浓缩版。
2023年，第一届。
彼时正值ChatGPT刚刚爆发半年之际，行业普遍情绪是惊艳但谨慎。
蚂蚁做出了一个在当时看来颇为大胆的决定，直接将金融赛事与前沿大模型技术绑定，这在以稳健著称的金融业并不多见。
六大赛题的设置上也更偏基础：算法到底能不能进入金融?
到了第二年，模型能力跃迁让金融垂类应用加速，讨论开始从要不要用大模型，转向如何接进具体业务。
同年，AFAC设立初创组，把考察范围从算法方案扩展到商业落地，技术第一次需要回答比赛之外的问题。
2025年，金融AI不再满足于一个答案，因果溯源、逻辑推理和工具调用的重要性也日益增长，考题也随之将重点放在工业级约束上。
来到今年，由龙虾掀起的Agent热度爆表，行业却比上一轮更务实。
智能体能否管理上下文、能否适应动态环境、能否利用稀疏反馈、能否控制调用成本，成为比智能程度更具体的问题。
这条技术迁徙路径，也被本届总决赛上正式开源发布的「AFAC百万金融智能数据集」完整保留了下来。
数据集沉淀自2023年至2025年的14道高价值赛题，包含13万条评测样本、2000余份专业金融文档和130多个历届优胜方案，覆盖百亿级金融科技数据条目。
它所记录下来的内容一路跟着行业往深处走：
数据形态从单模态到多模态，核心能力从单一精度预测到复杂推理，落地应用也从单点模型微调走向面向真实业务的综合智能系统。
于是多年的Know-how经验转换成外部研究者共用的接口，后来者也能沿着已有方案继续往前走，摸索出更多的新技术反哺赛事和数据集。
开源为AFAC构建起持续运转的数据飞轮。
也正因如此，AFAC才当之无愧是「下一代金融技术的试炼场」。
试炼在哪儿?业务当中去。
赛题定调，生态定速
当然，赛题再接近业务，也不等于业务。
比赛需要明确边界和统一评测，真实业务却包含更开放的用户问题和更复杂的系统负载。
正如徐万青所说，把一个好想法变成稳定、高效、成本最优且可执行的产业方案，仍要在大量实现细节中持续打磨。
AFAC真正难以复制的部分，也由此出现在赛场之外。
SGInnovate Director Jae Annie Tay长期参与新加坡深科技生态建设，第一次来到AFAC，她注意到：
“团队越小，越需要一个足够大的外部生态提供支持，让创业者始终能够连接到所需的人才、资金和产业资源。”
AFAC大赛也正是这样做的。
它一端站着高校、开发者和年轻初创团队，另一端放置蚂蚁长期积累的业务场景，两端之间是围绕赛事搭起的一整套连接人才、场景、资本和产业的转化体系。
以今年为例，大赛发起机构扩张至33家，首次新增新加坡金融科技节的发起方GFTN—全球金融与技术网络(Global Finance & Technology Network)，孵化网络也在层层加码，为早期团队技术验证提供创业辅导、资本对接和孵化入口。
除了百万奖金池，AFAC还提供算力支持、大厂直通机会和6个月加速成长计划，并携手WAIC世界人工智能大会、外滩大会、CNCC中国计算机大会等平台，进一步打开产业交流和国际连接的空间。
这条链路也直观体现在总决赛现场的「会、展、赛」上。
赛场负责验证方案，论坛让学术界、产业界与创投机构交换判断，展区则让技术和项目获得进一步show time～
细分的两个组别中，挑战组解决的是如何从真题中识别能力，初创组接着回答如何把能力变成产品，两条路径最终殊途同归，落于真实场景。
毕竟赛题赛制可以模仿，奖金规模也可以追赶，但恰是这样一套生态系统，才是抄也抄不来的。
毫不夸张地说，也只有像蚂蚁这样长期深耕金融AI的产业参与者，才能既将问题从真实金融业务中抽丝剥茧，又为答案提供持续生长的土壤。
轮子能转，舵手也得稳。
因为最接近，所以最懂得，才能大浪淘沙，在每年最热的技术浪潮退去之后，把那些被泡沫冲刷出来的真问题迅速摆上考场。
于是从AFAC开始，金融AI的下一步，锚已起，帆已扬。
