徐阳洋 陆岷峰（南京泛泰数字科技研究院；南京工业大学互联网金融创新发展研究中心）
摘 要：普惠金融的高质量发展直接影响金融强国战略的实现，但当前普惠金融的发展面临信息不对称、融资成本高等问题，不利于其高质量发展。大语言模型作为一种新的数字技术，能够缓解普惠金融发展面临的困境。当前，为促进大语言模型在普惠金融中的应用，应夯实其应用环境建设、降低输出结果偏见、强化应用合规管理、重视数据安全、加强人才队伍建设、客观看待决策结果，并加大资源投入力度。
关键词：金融强国；大语言模型；普惠金融
一、背景
2023年10月30日至31日，第六次中央金融工作会议在北京召开。此次金融工作会议首次提出“金融强国”的目标，这也是我国金融今后发展的战略指导思想。会议要求要做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章，其中，普惠金融作为五大金融种类之一，经过多年的发展已取得重要突破，尤其是在数字技术的应用方面，无论是广度还是宽度均取得长足进步，普惠金融对于促进全面建成小康社会、经济转型发展、社会和谐都具有重要意义。2023年9月25日，《国务院关于推进普惠金融高质量发展的实施意见》发布，强调在未来五年要基本建成高质量的普惠金融体系，具体表现为基础金融服务更加普及、经营主体融资更加便利、金融支持乡村振兴更加有力、金融消费者教育和保护机制更加健全、金融风险防控更加有效、普惠金融配套机制更加完善，将普惠金融的重要性提升到一个新的高度，也提出了更高的要求。然而，普惠金融在发展过程中仍面临信息不对称、信用风险过高等问题，影响了普惠金融的进一步发展。
大语言模型的发展可以推动建立高质量的普惠金融体系。图/ 中新社
随着数字技术的快速发展，普惠金融的高质量发展越来越离不开数字技术的加持，只有通过数字技术的不断迭代才能解决普惠金融发展面临的难题。大语言模型作为一种新的数字技术，因ChatGPT的推出而受到广泛关注。ChatGPT主要是基于大规模预训练模型GPT3-5所具备的较强的语言理解与生成功能，将RLHF（Reinforcement Learning from Human Feedback）技术应用其中，让机器能够在比较自然的、人性化的过程中得到训练、产生互动。ChatGPT的独特之处在于其通过用户行为互动，将人类行为嵌入训练过程中，以更宽广的视角与更高的效率学习，从而逐步形成符合人类价值观的行为导向。ChatGPT自发布以来就迅速成为社会关注的焦点，在短时间内用户注册量破亿，受到市场的广泛欢迎。ChatGPT的功能十分智能化，能够在短时间内快速根据用户的需求生成相应文本，甚至还具备长期记忆的特点，只需要用户发出提示，就能完成相应的项目。ChatGPT模型作为大语言模型的具体应用，展现出大语言模型的强大功能。大语言模型正是通过各种训练，在海量级别的数据中通过算力形成知识，并将这些知识储存于各种参数中，最终形成能够快速、高效完成各项任务的技术架构。目前，大语言模型在互动问答、智能翻译、信息搜索、文本及代码生成、逻辑推理和简单的智能分析等领域的表现不输人类正常水平，这种人机交互方式的应用在普惠金融领域也有着巨大的应用前景。
大语言模型的发展可以推动建立高质量的普惠金融体系。一方面，大语言模型可以提升运营效率，降低服务成本。金融机构可以借助大语言模型不断优化其普惠金融商业模式及业务流程，通过提高服务效率，降低客户服务成本。另一方面，大语言模型在控制风险方面也表现出显著优势，其强大的数据分析能力能够基于复杂的数据集中分析出规律，评估普惠群体的信用水平，进而为金融机构的普惠金融业务提供实时预警机制，降低信用风险。此外，在产品定制化服务方面，大语言模型的算法技术能够准确理解客户的需求，利用先进的算法、软件、智能机器等，随时为普惠群体量身定制金融产品，提升客户满意度。大语言模型在客户服务方面也可实现较好的应用，通过对各类信息的收集整理和提炼，并结合自身的知识库与搜索引擎，能够更高效、实时地回答客户的疑问，较传统的智能客服更专业、更高效。因此，研究大语言模型的发展，分析其功能，探索其在普惠金融中的应用，能够帮助广大金融机构更好地服务中小企业，服务普惠群体。
二、普惠金融发展现状
党的十八届三中全会提出了发展普惠金融的战略构想，金融机构等主体积极贯彻落实布局普惠金融，商业银行甚至专门针对普惠金融服务设置考核指标，无论是在金融服务的可得性还是覆盖率上均取得显著成效。但是在发展过程中仍然存在一些挑战，普惠群体能够接受到的金融服务仍然不足，主要表现在以下几方面：
（一）信息不对称问题较为突出
普惠金融发展面临的最大的难题就是信息不对称。我国征信体系起步比较晚，2003年中国人民银行征信管理局成立，2006年中国人民银行征信中心正式成立，但我国却拥有世界上规模最庞大的征信数据。截至2023年6月底，我国个人征信系统中接入的金融机构超过4000家，收录的个人信息超过11.5亿，企业征信系统中，接入的金融机构超过3800家，收录的企业用户数近1亿（包括已注销），数据规模庞大但有用的信息不多，在自然人信用信息中，仅有一半人的信息具有实质性价值，剩余的信息可用性不强。征信中心系统主要服务于传统金融机构，且其中客户的数据必须是接受过传统金融机构服务的客户，但是普惠群体被传统金融机构服务的覆盖面并不足，因而这些客户群体在征信中心系统的数据维度不足，导致传统金融机构难以准确评估其真实信用水平，产生信息不对称问题。尤其是对银行而言，对普惠群体服务的成本过高而收益较低，使得金融机构为普惠群体服务的意愿不足。
（二）融资成本较高
虽然与金融相关的数字技术已经取得较快发展，但不可否认，依靠传统的物理网点提供金融服务的机构仍然占据很大一部分比重，比如金融机构给企业开销户必须到物理网点办理，而普惠群体大部分都生活在偏远地区、广大农村，导致物理网点运营成本增加。其次，传统金融机构给普惠群体提供服务需要普惠群体的抵质押物作为担保，但普惠群体通常缺乏足值的抵质押物，导致其融资成本过高。此外，人工成本逐渐增加也是影响融资成本进一步上升的重要因素，虽然很多金融机构都有线上产品，但是金融机构对普惠群体服务仍然离不开人工操作。此外，随着老龄化程度的加剧，人工成本将进一步提升，而普惠群体需要的金融服务通常表现为“短、频、快”，这就导致为普惠群体服务的效益较低，而为了保证效益，金融机构只能提高为普惠群体的服务成本。
（三）金融服务边界趋窄
如何打通普惠金融服务的“最后一公里”是真正体现普惠金融的关键，尽管数字技术的发展在一定程度上缓解了这一难题，但尚未从根本上解决，很多金融机构虽推出了一些数字化产品，但线上业务的复杂程序缺乏点对点指导，导致普惠群体的应用不足。此外，出于成本考虑，线下物理网点一般都开设在城镇地区，广大农村以及偏远地区的客户难以前往营业网点享受到正规的金融服务，金融机构为普惠群体提供金融服务的边界趋窄。
（四）个性化服务不足
传统金融机构的服务重点主要集中在高净值客户群体，并专门为他们提供诸多个性化、定制化服务，从而为金融机构带来丰厚的利润与较高的客户忠诚度。但是普惠群体本身对价格敏感度更高，基于获取利润较低与服务成本较高等原因，相比于提供个性化服务，金融机构更愿意为普惠群体提供定制化、批发化的产品。这种做法虽然可以降低服务成本，但也限制了普惠金融服务的多样性和灵活性，无法充分满足普惠群体的多样化需求。
（五）金融消费者权益保护有待加强
金融消费者权益保护是社会关注的热点问题。金融消费者权益受到侵犯主要有以下几种情况：一是遭受金融诈骗。由于信息泄露，金融消费者的个人资料被不法分子获取，不法分子利用金融消费者的心理，一步步诱导进行诈骗。二是侵害公平交易权。普惠群体在向金融机构寻求金融服务的过程中，通常处于不对等的地位，一些金融机构利用格式条款，设置对金融机构有利的条款，加重金融消费者的责任，而合同条款往往冗长复杂，一般人很难真正认真地审核合同条款。三是维权较为困难。当金融消费者权益遭受侵犯时，其往往并不完全了解如何为自身进行维权，表现出无所适从的情况。维权渠道不畅、维权成本高等问题，使金融消费者在权益受损时难以有效保护自身利益。
三、大语言模型在普惠金融中的创新应用
大语言模型主要是基于海量数据训练的深度学习算法，是目前人工智能技术领域最前沿的应用之一，大语言模型是一种神经网络的自然语言处理技术，能够根据海量的数据分析出用户的习惯和特征并自动生成自然语言文本的AI程序。神经网络模型通过学习大量的网络信息，根据这些信息自动提取信息存在的规律特征，实现理解信息、生成语言的功能。例如，自然语言文本可以作为字符序列输入到神经网络模型中，通过与多层神经元进行分析、转换，进而形成相应的输出序列。
大语言模型的核心优势在于能够理解用户的思想，属于数据驱动型技术。需要指数级的数据进行驱动训练、迭代，形成相应的规律特征，其数据无需人工进行干预清洗，可根据最基础的数据进行学习。此外，大语言模型具有一定的连贯性，能够根据现有的文本信息生成连贯的文本，同时具备通用性，能够处理多种自然语言处理任务。其基本功能包括五方面，即机器翻译、文本摘要与生成、情感分析与智能客服、代码生成与自动化编程、问答系统与知识图谱。一是机器翻译。大语言模型经过训练，能够翻译不同类型的语言，这是大语言模型应用最普遍的场景，也是相对成熟的技术，如百度翻译、谷歌翻译等就属于这种应用。但是机器翻译仍需改进，尤其是在长语句的理解和歧义的消除等方面，机器翻译的精确度与流畅性仍有待提升。二是文本摘要与生成。大语言模型经过训练后，能够自动提炼出文本的关键信息，比如生成一篇文章的摘要，通过设定关键词或特定的内容，大语言模型还能生成相关的新闻报道。三是情感分析与智能客服。这是大语言模型在实际中得到应用的另一个重要领域，通过对文本进行阅读理解，其能够掌握客户的情感，为金融机构或者其他市场主体提供更加高效的营销策略。大语言模型还能帮助一些大型企业建立智能客服系统，实现24小时不间断在线服务，提高客户满意度。四是问答系统与知识图谱。这是大语言模型在人机交互领域的重要应用。大语言模型通过训练，能够较为准确地理解用户需求，并给出相应的答案。同时，通过与知识图谱结合，其在搜索与推理方面比传统方式更加智能化。五是代码生成与自动化编程。在预训练的基础上，大语言模型能够自动学习代码逻辑，理解算法规则，实现代码的自动生成，目前逐渐应用在国内外的软件开发领域。因此，基于大语言模型的功能特点并且结合其他数字技术的作用，能够缓解普惠金融发展面临的难题。
（一）缓解信息不对称
金融机构通常根据对借款人提供的数据以及征信系统的存量数据（主要包括金融交易、历史信用数据、资产负债表等财务报表、资产等）进行分析，确定其信用等级，贷款后也是通过定期分析借款人数据来判断其还款能力。然而，普惠群体在征信系统内往往缺乏有用数据，无法为传统金融机构提供能够生成信用评分的数据。虽然金融机构可以通过传统关键词算法的搜索方式搜索普惠群体的公开数据，但是搜索出的数据质量较低，对评估普惠群体的信用效果不佳，而大语言模型可以使用比传统搜索更加智能的搜索方式，如“神经搜索（Neural Search）”来处理普惠群体的公开数据。这种搜索方式能够准确理解搜索者的信息，包括长词短句以及明确的语句等，从而搜索出想要的结果。此外，大数据技术利用公开数据、卫星图像、社交媒体等网络数据，进行数据采集、预处理、存储及管理、分析及挖掘等，与大语言模型进行结合，在一定程度上能够较为准确地分析出普惠群体的信用等级，并判断其还款能力，这种智能搜索和数据分析技术在一定程度上降低了信息不对称的问题，从而增强了信贷决策的准确性。
（二）降低融资成本
普惠群体，尤其是小微企业的发展易遭受市场冲击，房租、水电、人工成本过高、原材料成本上涨等问题是小微企业面临的挑战，这使得融资难、融资贵的现象始终存在。大语言模型通过深度学习，可以搭建出具有针对性的智能风控模型，识别出大量维度的风险指标数据并识别出具体风险，缓解普惠群体的融资缺口。同时金融机构可以将大语言模型与人工智能技术应用到贷款客户的财务系统中，设置特定的程序实现自动化报账与审计，一方面可以帮助企业减少人工参与，降低人工成本与人工差错率，提高财务系统数据的准确性与合规性，另一方面，金融机构也可以及时了解和掌握企业的财务状况，降低风险，对于信用水平较高的群体，还可以提高其信用额度。在供应链金融中，大语言模型可以应用在生产、销售、发货、订单、付款、退货、退款等各个环节，且无需手工记录，结合区块链技术不可篡改的特点，供应链系统内的数据可以自动记录，从而针对特定的供应链定制融资方案，并准确识别出贸易欺诈等风险。
（三）扩大服务边界
大语言模型能够帮助金融机构扩大金融服务边界，下沉金融服务。在智能语音方面，金融机构借助大语言模型应用可以大幅降低提供定制化金融服务的成本。大语言模型的聊天机器人功能较传统的智能语音更加精确，客户体验更佳。聊天机器人能够及时回答客户的问题，包括其他国家语言的问题，并能根据用户画像提供自动化服务。即使在营业网点较少的广大乡镇地区，大语言模型也能帮助金融机构通过线上渠道提供丰富、简单、易上手的金融服务，打通金融服务的“最后一公里”。
（四）提供个性化服务
在定制化服务方面，大语言模型可为金融机构提供机器人顾问，比如根据普惠群体的消费行为，向客户推荐最适合其需求的金融产品、金融咨询等服务。机器人顾问不仅降低了金融机构为普惠群体服务的成本，还能根据收集到的相关数据，为金融机构自动化相关流程，对普惠群体各特定对象进行分类，提供相应的服务。区别于聊天机器人，机器人顾问的专业化非常高，一般用于金融机构的自动化金融顾问与投资平台，可根据对普惠群体的数据分析，为其自动提供相匹配的金融服务，并不断优化建议。
（五）强化安全保护
金融消费者遭受信息泄露、骚扰、欺诈等现象屡见不鲜，金融消费者权益保护问题日益受到关注。大语言模型与人工智能技术能够有效发现和识别欺诈行为，通过大数据分析挖掘，大语言模型能够在各种交易往来中识别出潜在的欺诈行为，并且通过人工智能技术及时向金融消费者进行预警。比如在各类转账中，针对大额的转账行为，一旦发现问题可及时冻结资金，电商中的刷单、恶意评论等行为也能够被及时识别。在信息泄露方面，大语言模型的数据加密与访问控制等级更高，身份验证更加科学有效，个人信息一旦泄露会自动进行预警。大语言模型的深度学习功能，能够帮助金融消费者在金融交易中面临潜在的不公平问题时，通过对合同的智能化分析，识别出其与法律法规的冲突点，以及各种潜在事件可能产生的后果，帮助金融消费者提前了解风险。大语言模型还能够帮助金融消费者快速准确地维权，借助自动化与智能化方式，快速识别出问题的关键，并提出各种维权的意见和建议，避免金融消费者盲目维权。
四、大语言模型应用与发展的相关建议
基于大语言模型的应用前景，在实际应用中，既要发挥出大语言模型在金融行业的积极作用，也要有针对性地做好风险防范。
（一）加强大语言模型应用环境建设
金融机构应用大语言模型需要一定的基础支撑，首先需要进一步加强金融机构技术基础设施建设，加大基础设施投入力度，特别是在广大乡村地区建立金融便民服务网点，提升数据基础设施的覆盖范围，便于金融机构收集普惠群体数据信息。不断完善云平台、数据采集、模型训练等基础设施，夯实大语言模型的应用基础。其次，营造公平竞争的环境，大语言模型需要依赖大量的数据，而这些数据可以同时被多家机构获取，因此可以建立数据共享平台，避免形成“赢家通吃”的局面。此外，技术应具备一定的开放性，借鉴开源模型与商业模型的经验教训，完善大语言模型的服务能力，尤其是提高技术的兼容性，形成大语言模型的评估方法，使模型更具科学性。最后，提高模型预测的准确性，金融机构要结合已有数据，提高大语言模型的准确性，比如在预训练基础模型上，可以结合自身高质量的金融数据进行多次训练和结果比对，提高可信度。
（二）降低大语言模型输出结果偏见
如果底层数据存在问题或偏见，模型输出结果的准确性也值得关注。为了解决潜在的偏见和不公平问题，金融机构需要对大语言模型进行反复的输出和定期训练。因此，金融机构在应用大语言模型时首先要认真筛选训练数据，保证数据丰富多样且兼具平衡，尽可能从普惠群体直接获取数据。其次，金融机构要定期对模型输出结果的公平性进行评估，纠正偏见与不公平的现象。最后，大语言模型虽然会进行预训练，但是输出的结果并不能保证完全准确，金融机构要强化对数据验证、筛选、检测等，提高系统安全等级，防止恶意攻击，持续强化训练数据的多样性与代表性，对模型的运行进行精细化调整，确保大语言模型的可解释性和用户对模型结果的准确理解。
（三）强化大语言模型应用合规管理
大语言模型应用过程中的合规性问题值得金融机构关注，目前国内缺乏完整的针对大语言模型的监管体系，而是零散分布于各个法律法规中，大语言模型设计的合规要素主要包括平台运营合规、内容合规、平台管理合规、网络安全与数据合规、算法技术合规、国际联网合规等内容（见图1），金融机构在使用大语言模型时一方面要始终与监管部门保持良好的沟通，严格遵守法律法规相关规定，保证大语言模型的透明度与可追溯性。另一方面，大语言模型主要基于数据进行预训练，但是这些数据中，很多都包括用户的财务、个人隐私等，金融机构要合法合规地使用用户的数据，不能滥用数据。此外，金融机构还要不断加强用户管理，提高用户对大语言模型的接受度。
图1 大模型合规要素
资料来源：http://mch.my.gov.cn/tzcj/43654130.html
（四）重视大语言模型应用数据安全
数据是大语言模型应用的基础，其输出结果依赖数据的丰富度与质量，如果在源头输入的数据有误，就会直接影响大语言模型生成的结果，因此，金融机构必须在源头确保数据的真实性与质量，及时监控结果并进行纠偏。在使用公共数据或其他外部数据时，应借助数字技术对外部数据进行预处理，清除噪声以及问题数据的干扰。同时，由于需要使用大量的数据，金融机构必须对普惠群体数据的安全性进行严格保护，提高数据访问等级，不断强化数据加密、数据调取权限管理等，避免发生数据泄露事件，充分保护好普惠群体数据。
（五）加强大语言模型人才队伍建设
技术的变革改变着各行各业，同时对人才的需求也越来越多。大语言模型的发展需要多学科领域的人才，因此金融机构首先应该重视人才队伍的建设，通过与高校合作，增设符合市场需求的专业课程，引导高校学生积极参与大语言模型的研究，并在金融机构进行实践。其次，加强对大语言模型人才的培养力度，设立研究院，以项目研究的形式培养专业人才，也可以输送到专业机构培训。最后，加强人才招引，积极吸引国内外优秀人才的加盟，最终通过“内引外培”的方式培养出高精尖的复合型人才。
（六）客观看待大语言模型决策结果
大语言模型虽然具备更加智能化的功能，但是在本质上仍是一种技术工具，不能完全代替人工判断，也不能取代人工决策。金融机构在服务普惠金融时，应将大语言模型当成一种辅助工具，但是不能完全依赖大语言模型，而应结合专业人员的专业水平，共同服务于普惠金融。同时，还应积极解决大语言模型应用所面临的道德、法律等问题，如金融机构服务于普惠金融不单单基于利益需要，也是国家提倡的价值导向以及金融机构所应承担的社会责任，因此大语言模型的参数定义不能只关注利益，还应承担一定的社会责任，金融机构还应确保大语言模型在普惠金融的应用符合社会价值观，符合国家战略需要。
（七）加强大语言模型资源投入力度
金融机构应加强对新兴技术发展趋势的关注度，根据市场情况灵活调整普惠金融的业务模式与策略。大型金融机构应加强对大语言模型的投入力度，尤其是在研发方面，加大资金和技术的投入力度，中小型金融机构可与头部互联网科技巨头合作，不断提升大语言模型的技术水平，提高模型的精确性与科学性，确保技术始终处于行业前列。
五、结论与建议
金融是国家经济发展重要的核心竞争力，建设金融强国能够极大提高我国的经济实力和国际竞争力，提升我国在世界经济格局中的地位。普惠金融作为金融的重要组成部分，由于其发展关系到民生，因此一直备受关注。相较于传统金融，普惠金融的服务对象更广泛，但当前传统金融机构对普惠群体的金融支持度还不够。数字技术的发展推动了普惠金融的发展，但在应用过程中仍存在不足，大语言模型作为一种新的数字技术，基于大量的参数进行预训练，能够理解、分析人类语言，并自动生成语言，在机器翻译、文本生成、智能语音等多个领域有着广泛的应用，金融机构利用大语言模型能够显著降低普惠金融服务的成本，提高服务效率，扩大服务边界。当前提出以下建议，一是金融机构应针对大语言模型出台顶层设计，明晰大语言模型在金融机构应用的规划。二是针对大语言模型的应用，建立专业的团队，持续改进模型的算法。三是加强大语言模型与其他数字技术的融合，共同推动金融机构为普惠群体提供更好的服务。
参考文献
[1]陆顺．数字金融与低碳金融：互融燃点、共促体制与共生机制研究[J]．大庆师范学院学报，2022(01):37-42．
[2]欧阳文杰，陆岷峰．乡村振兴背景下农村金融改革面临的现实状况与路径选择[J].西南金融，2023(01):56-70．
[3]陆岷峰．数字科技赋能实体经济高质量发展：融合优势、运行机理与实践路径[J]．新疆师范大学学报(哲学社会科学版).2023，44(01):136-144．
[4]王婷婷．数字技术与小微金融：担保与风险转移模式创新研究——基于数字技术在商业银行小微金融风险管理中的应用[J]．当代经济管理.2021年43卷3期:72-82．
[5]王洪志．商业银行公司金融数字化转型路径研究[J]．天水行政学院学报[J].2023,24(05) 83-88．
[6]徐阳洋．“双碳”目标背景下供应链经济的新特点、新挑战与新对策[J].新疆社会科学，2022(01):43-52．
[7]裴璇，陆岷峰，王稳华．共同富裕背景下企业数字化转型的劳动收入分配效应研究[J]．现代财经. 2023(04)03-22．
[8]赵越．数据资产：价值链生成与经营模式的设计研究[J]．海南金融，2021(09):24-33．
[9] 杨丽萍，陆岷峰．“双碳”目标下数字绿色金融发展模式研究[J]．金融与经济 2023.(12):79-87+96.
[10]陆岷峰．商业银行数字化转型风险类型、特征及治理体系[J]．金融发展研究2023(10):63-68．
[11]欧阳文杰．现代金融治理体系视角下的监管体制改革研究[J].经济学家:2023(08):153-161．
[12]欧阳文杰．产业金融与实体经济：政策环境、模式比较与实践路径[J]．理论月刊.2023(03)56-69．
[13]许默焓，裴璇．共同富裕与城市低收入人群:金融发展的盲点与着力点——基于 31 个省/自治区/直辖市城市户口样本的实证分析[J]．农村金融研究.2023(07):41-51．
[14]陆岷峰．数字经济时代产业金融高质量发展路径研究——兼论数字产业金融发展模式[J]．广西社会科学.2023(01)18-26．
[15]陆岷峰，欧阳文杰.构建金融强国：现代化金融生态系统与产业融合发展研究[J]．社会科学辑刊.2024年(总270期)（01）:10-11.
【本文系国家社会科学基金一般项目“互联网金融市场跨界风险的协同监管长效机制与政策研究” (批准号:21BJY022) 的阶段性成果。】
（徐阳洋系南京泛泰数字科技研究院高级研究员；陆岷峰系南京工业大学互联网金融创新发展研究中心主任，南京工业大学教授、博士生导师）
Research on the Integration Application Path of Big Language Model and Inclusive Finance under the Background of Financial Power
Xu Yangyang Lu Minfeng
Abstract: In October 2023, the sixth Central Financial Work Conference proposed the concept of financial power for the first time, and inclusive finance, as one of the five major financial institutions, has further improved its status. The high-quality development of inclusive finance directly affects the strategy of financial power, but the current problems such as information asymmetry and high financing costs in the development of inclusive finance also hinder its high-quality development. As a new digital technology, big language model can alleviate the difficulties faced by the development of inclusive finance and is an effective tool for digital technology innovation to bring new quality productivity. Therefore, at present, it is necessary to strengthen the construction of big language model application environment, reduce the bias of big language model output results, strengthen the compliance management of big language model application, and pay attention to the data security of big language model application. Strengthen the construction of large language model talent team, objectively view the decision-making results of large language model, and increase the input of large language model resources.
Key words: Financial Power; Large Language Model; Inclusive Finance