大模型技術(shù)在審計(jì)場(chǎng)景的應(yīng)用

一、審計(jì)智能化發(fā)展背景和應(yīng)用思路

（一）審計(jì)行業(yè)的數(shù)據(jù)分析發(fā)展背景

自2022年OpenAI推出GPT-3.5以來，生成式AI技術(shù)迎來了爆發(fā)式發(fā)展。近期DeepSeek-R1在模型架構(gòu)、算法工程、訓(xùn)練策略等方面的突破，在實(shí)現(xiàn)計(jì)算成本大幅度降低的同時(shí)，生成內(nèi)容的邏輯性與表現(xiàn)力顯著提升。在此基礎(chǔ)上，2025年3月阿里云推出QwQ-32B模型，僅有320億參數(shù)的模型在多項(xiàng)基準(zhǔn)測(cè)試中展現(xiàn)出與擁有6710億參數(shù)的DeepSeek-R1媲美的性能。在眾多智能技術(shù)涌現(xiàn)的基礎(chǔ)上，內(nèi)部審計(jì)需要有效運(yùn)用最新技術(shù)工具，實(shí)現(xiàn)審計(jì)能力的快速提升。

審計(jì)數(shù)據(jù)分析工具的演進(jìn)軌跡始終與審計(jì)對(duì)象的技術(shù)架構(gòu)變革深度耦合。早期，證券行業(yè)由于各生產(chǎn)系統(tǒng)數(shù)據(jù)呈現(xiàn)獨(dú)立分散的煙肉式架構(gòu)特征，審計(jì)工具主要聚焦于單系統(tǒng)數(shù)據(jù)的垂直分析，審計(jì)人員需從不同系統(tǒng)手動(dòng)導(dǎo)出數(shù)據(jù)，再進(jìn)行拼湊整合分析。當(dāng)前，隨著企業(yè)數(shù)字化智能化轉(zhuǎn)型的推進(jìn)，數(shù)據(jù)中臺(tái)建設(shè)逐漸成為主流趨勢(shì)，通過構(gòu)建統(tǒng)一的數(shù)據(jù)湖倉(cāng)體系實(shí)現(xiàn)跨系統(tǒng)數(shù)據(jù)的集成治理，已經(jīng)推動(dòng)審計(jì)工具向支持大數(shù)據(jù)綜合分析、多源異構(gòu)數(shù)據(jù)整合分析的方向發(fā)展。

（二）應(yīng)用分析思路

審計(jì)行業(yè)正處于大模型技術(shù)與審計(jì)數(shù)據(jù)分析的融合發(fā)展階段，需要進(jìn)一步明確審計(jì)智能化的發(fā)展思路：一是要聚焦于已落地的技術(shù)應(yīng)用框架，以最小的投人實(shí)現(xiàn)審計(jì)的快速轉(zhuǎn)型；二是基于現(xiàn)有技術(shù)工具，系統(tǒng)化評(píng)估不同參數(shù)規(guī)模的基礎(chǔ)模型在審計(jì)場(chǎng)景下的性能表現(xiàn)，實(shí)現(xiàn)綜合運(yùn)用；三是充分考量基礎(chǔ)模型的選型標(biāo)準(zhǔn)，尋找審計(jì)的應(yīng)用場(chǎng)景，提高審計(jì)數(shù)據(jù)分析場(chǎng)景的應(yīng)用成果。

1.基礎(chǔ)模型選型是審計(jì)運(yùn)用的重要環(huán)節(jié)。

測(cè)試大模型的選型需要充分考慮“開源vS閉源”“本地vs云端”“中小規(guī)模vs超大規(guī)模”“指令模型vs推理模型”四個(gè)方向的維度。在審計(jì)場(chǎng)景下，既考察技術(shù)指標(biāo)也要評(píng)估合規(guī)性、部署成本等現(xiàn)實(shí)約束條件，系統(tǒng)性揭示不同技術(shù)路線在審計(jì)領(lǐng)域的適用邊界。

為此，國(guó)泰海通證券股份有限公司審計(jì)部AI技術(shù)應(yīng)用研究團(tuán)隊(duì)（以下簡(jiǎn)稱研究團(tuán)隊(duì)），采用代表當(dāng)前大模型領(lǐng)先水平的技術(shù)產(chǎn)品，并本地化部署了Qwen2.5-32B-instruct（以下簡(jiǎn)稱Qwen2.5-32B）、DeepSeek-R1-distill-qwen32B（以下簡(jiǎn)稱DeepSeek-qwen32B蒸餾版）、QwQ-32B與互聯(lián)網(wǎng)環(huán)境下的OpenAI的ChatGPT-ol-preview（以下簡(jiǎn) 稱o1）、DeepSeek-R1-761B（以下簡(jiǎn)稱R1）API接口。這些大模型在架構(gòu)設(shè)計(jì)、訓(xùn)練方法、小規(guī)模部署等應(yīng)用場(chǎng)景上各有特色，需要進(jìn)行比較分析，并有效運(yùn)用（見表1）。

2.運(yùn)用場(chǎng)景的運(yùn)用效果測(cè)試是核心。

測(cè)試場(chǎng)景的選擇，既要具有典型性，更要為今后大規(guī)模運(yùn)用奠定基礎(chǔ)。測(cè)試場(chǎng)景的選擇要符合當(dāng)前技術(shù)成熟度，且有效平衡創(chuàng)新風(fēng)險(xiǎn)與應(yīng)用價(jià)值。綜合評(píng)估后，研究團(tuán)隊(duì)將審計(jì)計(jì)劃的制訂作為測(cè)試場(chǎng)景，主要基于以下考慮。

從運(yùn)用價(jià)值來看，審計(jì)計(jì)劃是審計(jì)工作的起點(diǎn)，其質(zhì)量很大程度上影響著審計(jì)工作的成敗。而且，審計(jì)計(jì)劃的制訂具有綜合性和復(fù)雜性特點(diǎn)，需整合業(yè)務(wù)、財(cái)務(wù)、合規(guī)、風(fēng)險(xiǎn)等多維度數(shù)據(jù)，涉及復(fù)雜的數(shù)據(jù)清洗、關(guān)聯(lián)驗(yàn)證。傳統(tǒng)模式下，審計(jì)計(jì)劃制訂需耗費(fèi)審計(jì)團(tuán)隊(duì)準(zhǔn)備階段 60% 以上的工作量。利用大模型智能化處理這項(xiàng)工作，有利于提高審計(jì)資源的利用率。

從技術(shù)成熟度看，大模型具有大數(shù)據(jù)處理、邏輯推理的優(yōu)勢(shì)，而審計(jì)計(jì)劃涉及大量的內(nèi)外部信息、結(jié)構(gòu)化與各類非結(jié)構(gòu)化數(shù)據(jù)等，通過大模型進(jìn)行審計(jì)計(jì)劃的制訂，能驗(yàn)證大模型在多模態(tài)數(shù)據(jù)理解、邏輯推理的能力邊界，為其他審計(jì)場(chǎng)景的擴(kuò)展提供技術(shù)驗(yàn)證基準(zhǔn)。而且，審計(jì)計(jì)劃輸出更多體現(xiàn)為指導(dǎo)性框架，對(duì)大模型的生成結(jié)果具有相對(duì)較高的容錯(cuò)性。

表1 大模型選型與參數(shù)介紹

注：大模型的本地化部署，可以有效規(guī)避企業(yè)內(nèi)部數(shù)據(jù)在大模型處理中可能出現(xiàn)的安全問題

二、審計(jì)場(chǎng)景下各大模型的能力對(duì)比

為科學(xué)評(píng)估大模型的能力，需要充分考慮審計(jì)工作的特殊需求，特別是數(shù)據(jù)匯總、異常發(fā)現(xiàn)、趨勢(shì)分析等審計(jì)分析的核心要素。為科學(xué)評(píng)估大模型的能力，本文構(gòu)建了一套覆蓋多維度指標(biāo)的基礎(chǔ)模型效能評(píng)估體系，建立起貼合大模型特性與應(yīng)用需求的評(píng)估標(biāo)準(zhǔn)，為大模型選型提供依據(jù)。

（一）模型評(píng)價(jià)的指標(biāo)體系構(gòu)建

審計(jì)場(chǎng)景下，大模型效能評(píng)估體系分為數(shù)據(jù)理解能力、數(shù)據(jù)分析能力、結(jié)果呈現(xiàn)與解釋能力等維度。評(píng)估過程中，為保證評(píng)估結(jié)果滿足審計(jì)的實(shí)際需求，研究團(tuán)隊(duì)采用專家分析方法，綜合確定評(píng)價(jià)標(biāo)準(zhǔn)，審計(jì)業(yè)務(wù)專家從結(jié)果輸出的有效性進(jìn)行評(píng)估，技術(shù)專家對(duì)大模型效能實(shí)施評(píng)分。具體指標(biāo)設(shè)計(jì)見表2。

（二）案例場(chǎng)景的選取

本文根據(jù)審計(jì)工作流程中的多個(gè)維度，使用仿真數(shù)據(jù)實(shí)施測(cè)試，選取的審計(jì)場(chǎng)景見表3。

表2 評(píng)估標(biāo)準(zhǔn)設(shè)計(jì)

表3 審計(jì)場(chǎng)景及數(shù)據(jù)分析目標(biāo)

表3 （續(xù)） 審計(jì)場(chǎng)景及數(shù)據(jù)分析目標(biāo)

（三）基礎(chǔ)模型對(duì)比分析結(jié)果

各基礎(chǔ)模型的能力分值，經(jīng)過審計(jì)人員實(shí)際運(yùn)用后的反饋，基本體現(xiàn)了大模型在審計(jì)場(chǎng)景的具體狀況，具體結(jié)果見圖1。

各大模型在審計(jì)領(lǐng)域運(yùn)用的橫向?qū)Ρ龋哂幸韵碌湫吞卣鳌?/p>

1.多任務(wù)數(shù)據(jù)加工：Qwen2.5-32B和DeepSeek-qwen32B蒸餾版在復(fù)雜任務(wù)條件下的準(zhǔn)確性表現(xiàn)欠佳。但是QwQ-32B大模型以及o1、R1的表現(xiàn)均能夠滿足審計(jì)需要。QwQ-32B的數(shù)學(xué)計(jì)算能力基本與o1持平，優(yōu)于R1，并且其動(dòng)態(tài)推理能力表現(xiàn)較佳，通過對(duì)推理過程的自我校驗(yàn)?zāi)芗皶r(shí)更正偏差。

2.數(shù)據(jù)提煉文字邏輯性：在結(jié)構(gòu)簡(jiǎn)單的數(shù)據(jù)條件下，Qwen2.5-32B、DeepSeek-qwen32B蒸餾版、QwQ-32B、R1和o1之間的差距并不顯著。然而在數(shù)據(jù)結(jié)構(gòu)相對(duì)復(fù)雜的場(chǎng)景中，尤其在理解復(fù)雜問題需求、處理數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系等方面，QwQ-32B、R1、o1的表現(xiàn)顯著優(yōu)于Qwen2.5-32B及DeepSeek-qwen32B蒸餾版模型，輸出的結(jié)論邏輯更為嚴(yán)謹(jǐn)，表述框架更為清晰。

圖1 模型評(píng)分匯總

3.數(shù)據(jù)分析中的洞察性：在具有簡(jiǎn)單提示詞的分析場(chǎng)景中，指令模型表現(xiàn)不如推理模型，推理模型能夠從多個(gè)維度對(duì)數(shù)據(jù)進(jìn)行分析比對(duì)，表現(xiàn)出較強(qiáng)的發(fā)散思維以及對(duì)數(shù)據(jù)異常的洞察能力，QwQ-32B的整體表現(xiàn)強(qiáng)勢(shì)，甚至優(yōu)于R1和o1。但是在具有詳細(xì)提示詞的分析場(chǎng)景中，推理模型DeepSeek-qwen32B蒸餾版的穩(wěn)定性表現(xiàn)不如原生Qwen2.5-32B，說明該大模型的模式對(duì)提示詞的敏感性高，容易思考鏈路過長(zhǎng)，影響了其輸出的穩(wěn)定性。QwQ一32B存在校驗(yàn)機(jī)制來確保最終答案輸出的準(zhǔn)確性，但是其過度思考、推理過程中的反復(fù)論證，導(dǎo)致在時(shí)長(zhǎng)和token（詞元）上都造成了一定損失。最終在該方面大模型的綜合排序?yàn)镼wQ一32Bgt;o1gt;R1gt;Qwen2.5-32Bgt;DeepSeek- qwen32B蒸餾版。

4.多精度數(shù)據(jù)計(jì)算：當(dāng)對(duì)數(shù)據(jù)精度要求較高，而基礎(chǔ)數(shù)據(jù)格式卻又存在不同類型、不同精度的情況下，大模型無(wú)法做到準(zhǔn)確計(jì)算，尤其32B大模型在多精度數(shù)據(jù)處理中表現(xiàn)更為糟糕。因此研究團(tuán)隊(duì)建議數(shù)據(jù)精度處理類的工作應(yīng)當(dāng)由規(guī)則模型實(shí)施。

5.性價(jià)比：在相同任務(wù)下，01單個(gè)任務(wù)的API使用費(fèi)約為R1的70—80倍。然而，在上述審計(jì)場(chǎng)景中，最終這兩個(gè)大模型的綜合評(píng)分偏差僅為 2% 。QwQ-32B模型參數(shù)規(guī)模僅為R1的 1/20 ，具備了AIPC（人工智能電腦）的部署可能性，但其在部分審計(jì)場(chǎng)景中的表現(xiàn)甚至優(yōu)于o1（R1綜合評(píng)分92.50分，01為94.42分，QwQ-32B為95.95分）。

綜上所述，在輸出標(biāo)準(zhǔn)化要求較高的場(chǎng)景，指令模型憑借其確定性的響應(yīng)機(jī)制，能夠高效匹配此類需求，可作為優(yōu)先考量的方案。在復(fù)雜數(shù)據(jù)分析、發(fā)散性思維場(chǎng)景，用戶對(duì)可解釋性、異常發(fā)現(xiàn)、邏輯推理等要求較高，QwQ-32B模型優(yōu)勢(shì)明顯，同時(shí)更具性價(jià)比。在多精度數(shù)據(jù)加工以及多條件求和等任務(wù)場(chǎng)景，應(yīng)當(dāng)厘清規(guī)則模型與大模型數(shù)據(jù)分析的任務(wù)邊界，使用規(guī)則模型預(yù)處理，再使用大模型進(jìn)一步分析。

總體而言，大模型的數(shù)據(jù)分析能力足以勝任審計(jì)數(shù)據(jù)分析的工作需求。需要關(guān)注的是在應(yīng)用落地的工程實(shí)現(xiàn)環(huán)節(jié)，根據(jù)應(yīng)用場(chǎng)景、算力資源等情況，合理選擇不同的大模型，以實(shí)現(xiàn)需求、性能、成本之間的最佳平衡。

三、審計(jì)智能化主要應(yīng)用效果展示

（一）審計(jì)數(shù)據(jù)分析技術(shù)與應(yīng)用架構(gòu)

生成式AI發(fā)展迅速，但目前在審計(jì)領(lǐng)域應(yīng)用中仍存在諸多挑戰(zhàn)。比如，輸出內(nèi)容可能存在事實(shí)錯(cuò)誤、輸出結(jié)果波動(dòng)較大，影響了在審計(jì)作業(yè)中的落地效果，亟待通過技術(shù)改進(jìn)與優(yōu)化策略加以解決。研究團(tuán)隊(duì)立足企業(yè)內(nèi)部審計(jì)場(chǎng)景，力求滿足審計(jì)業(yè)務(wù)對(duì)數(shù)據(jù)全面性、廣泛性、準(zhǔn)確性和時(shí)效性的嚴(yán)格要求，充分整合各類技術(shù)特點(diǎn)，構(gòu)建了結(jié)合大模型基座的審計(jì)數(shù)據(jù)分析應(yīng)用。

該數(shù)據(jù)分析應(yīng)用以Python3.12為基礎(chǔ)搭建。在規(guī)則模型的開發(fā)中，憑借Python豐富的生態(tài)庫(kù)，使用了包括NumPy、Pandas等工具，實(shí)現(xiàn)了多源數(shù)據(jù)庫(kù)的連接能力。在機(jī)器學(xué)習(xí)與大模型的開發(fā)中，該應(yīng)用還集成了LangChain、BGEM3-Embedding模型等，滿足百萬(wàn)級(jí)向量數(shù)據(jù)的秒級(jí)檢索和RAG外掛知識(shí)庫(kù)的檢索能力（見圖2）。

該架構(gòu)下研究團(tuán)隊(duì)的應(yīng)用有效發(fā)揮大模型基座效能，在整合多元數(shù)據(jù)的基礎(chǔ)上，更高效地服務(wù)于審計(jì)業(yè)務(wù)場(chǎng)景。目前已達(dá)成知識(shí)共享、審計(jì)計(jì)劃、報(bào)告質(zhì)檢等8個(gè)方面的場(chǎng)景落地。

圖2 AI數(shù)據(jù)分析應(yīng)用架構(gòu)

（二）案例運(yùn)用的效果

依托QwQ-32B基礎(chǔ)模型，選擇“審計(jì)計(jì)劃”場(chǎng)景進(jìn)行能力驗(yàn)證。“審計(jì)計(jì)劃”應(yīng)用為非對(duì)話式、成果交付類工具，輸出結(jié)果為符合公文格式的標(biāo)準(zhǔn)文檔——審計(jì)計(jì)劃.docx。以下為其中部分分析段落。

1.傭金異常分析。

傭金管理場(chǎng)景中，審計(jì)人員需核對(duì)傭金調(diào)整的準(zhǔn)確性，檢查異常調(diào)整導(dǎo)致公司或客戶損失的情況。傳統(tǒng)數(shù)據(jù)分析模式采用規(guī)則模型實(shí)施異常檢測(cè)，通過預(yù)設(shè)業(yè)務(wù)規(guī)則與風(fēng)險(xiǎn)閾值抓取疑似異常數(shù)據(jù)。業(yè)務(wù)人員需基于歷史經(jīng)驗(yàn)與風(fēng)險(xiǎn)偏好對(duì)初始篩查結(jié)果進(jìn)行二次人工標(biāo)注與特征補(bǔ)充，形成待核查清單后，再與被審計(jì)單位開展多輪溝通確認(rèn)。

針對(duì)傳統(tǒng)模式中人工標(biāo)注耗時(shí)過長(zhǎng)的問題，研究團(tuán)隊(duì)建立“規(guī)則發(fā)現(xiàn)—機(jī)器初判一人工校驗(yàn)一規(guī)則迭代”智能化識(shí)別流程，通過大模型對(duì)規(guī)則模型發(fā)現(xiàn)的異常數(shù)據(jù)進(jìn)行語(yǔ)義解析，引導(dǎo)大模型自動(dòng)生成區(qū)分風(fēng)險(xiǎn)等級(jí)的線索清單，產(chǎn)生符合公文文檔規(guī)范的報(bào)告內(nèi)容（見圖3）。

通過智能化的異常識(shí)別處理，可將人工標(biāo)注的工作量降低 50% 1 80% ，本測(cè)試中的識(shí)別準(zhǔn)確率超過 95% ，業(yè)務(wù)決策時(shí)間縮短約 60% 。

（一）營(yíng)運(yùn)管理

1.傭金設(shè)置

該部審計(jì)期間有2名客戶存在傭金上調(diào)，1名客戶存在類別組別修改未生效，需核對(duì)申請(qǐng)表單了解是否存在設(shè)置錯(cuò)誤。另有多名客戶存在“傭金低于萬(wàn)一”、“最低收費(fèi)小于1元或存在附加費(fèi)”及多次傭金調(diào)整的情況，結(jié)合其余審計(jì)認(rèn)為值得關(guān)注的情況，梳理出以下客戶：

圖3 傭金異常分析結(jié)果

2.經(jīng)營(yíng)指標(biāo)數(shù)據(jù)分析結(jié)果。

該場(chǎng)景下，審計(jì)人員需對(duì)被審計(jì)單位各年度的經(jīng)營(yíng)指標(biāo)及完成情況進(jìn)行分析。經(jīng)營(yíng)指標(biāo)數(shù)據(jù)存在一定的復(fù)雜性，因考核標(biāo)準(zhǔn)迭代、指標(biāo)名稱變更、統(tǒng)計(jì)口徑調(diào)整及區(qū)域差異化指標(biāo)設(shè)置等原因，規(guī)則模型在應(yīng)對(duì)此類數(shù)據(jù)時(shí)面臨的挑戰(zhàn)較大，影響了審計(jì)人員的效率與分析結(jié)論的準(zhǔn)確性、全面性。仿真數(shù)據(jù)見表4。

大模型通過語(yǔ)義對(duì)齊的方式實(shí)現(xiàn)了跨期或跨區(qū)域數(shù)據(jù)的口徑統(tǒng)一。在數(shù)據(jù)清洗環(huán)節(jié)，大模型根據(jù)異常數(shù)據(jù)總結(jié)性描述的提示詞，實(shí)現(xiàn)不合理數(shù)據(jù)排除；在數(shù)據(jù)篩查環(huán)節(jié)，通過預(yù)設(shè)閾值紅線對(duì)未達(dá)標(biāo)指標(biāo)加粗高亮警示，顯著提高了數(shù)據(jù)處理效率與結(jié)果可讀性；在深度分析環(huán)節(jié)，構(gòu)建了“指標(biāo)解讀—交叉分析—經(jīng)營(yíng)診斷”的智能分析流程，根據(jù)數(shù)據(jù)疑點(diǎn)生成分析性結(jié)論。結(jié)果見圖4。

3.報(bào)銷統(tǒng)計(jì)數(shù)據(jù)分析結(jié)果。

表4 經(jīng)營(yíng)指標(biāo)數(shù)據(jù)

該場(chǎng)景下，審計(jì)人員需系統(tǒng)檢查費(fèi)用支出結(jié)構(gòu)、趨勢(shì)及異常波動(dòng)，解析被審計(jì)單位的經(jīng)營(yíng)效率、成本控制等管理情況。在審計(jì)實(shí)踐中，費(fèi)用情況分析需人工整合多張業(yè)務(wù)數(shù)據(jù)表進(jìn)行交叉驗(yàn)證，面對(duì)復(fù)雜業(yè)務(wù)場(chǎng)景時(shí)，審計(jì)人員往往需要花費(fèi)大量時(shí)間梳理數(shù)據(jù)關(guān)聯(lián)關(guān)系。

通過大模型構(gòu)建的智能分析程序，替代人工實(shí)現(xiàn)多表數(shù)據(jù)的關(guān)聯(lián)分析，可自動(dòng)識(shí)別費(fèi)用異常波動(dòng)、人員異常行為等審計(jì)線索。針對(duì)基礎(chǔ)模型存在的數(shù)據(jù)規(guī)模處理上限問題，研究團(tuán)隊(duì)采用“規(guī)則模型處理 + 大模型分析”的混合架構(gòu)，保證系統(tǒng)處理效率，提升分析結(jié)果的準(zhǔn)確性與可解釋性。需要注意的是，因混合架構(gòu)下原始數(shù)據(jù)未全部輸人大模型，所以最終生成結(jié)論的完整性以及保證性的描述，需要審計(jì)人員結(jié)合原始數(shù)據(jù)實(shí)施交叉驗(yàn)證后使用。結(jié)果見圖5。

綜合來看，大模型技術(shù)在審計(jì)計(jì)劃場(chǎng)景下的應(yīng)用已展現(xiàn)出顯著的增效價(jià)值，其核心優(yōu)勢(shì)體現(xiàn)在以下三個(gè)方面：首先，基于自然語(yǔ)言處理與審計(jì)知識(shí)庫(kù)構(gòu)建的風(fēng)險(xiǎn)評(píng)估模型，能夠動(dòng)態(tài)生成聚焦高風(fēng)險(xiǎn)領(lǐng)域的審計(jì)計(jì)劃，使審計(jì)資源配置精準(zhǔn)度有效提升；其次，依托多模態(tài)數(shù)據(jù)處理能力，大模型可自動(dòng)化完成數(shù)據(jù)清洗、異常值檢測(cè)及多表關(guān)聯(lián)驗(yàn)證，將傳統(tǒng)需要3—5天的基礎(chǔ)數(shù)據(jù)分析工作壓縮到4小時(shí)內(nèi)。同時(shí)通過智能算法發(fā)現(xiàn)潛在數(shù)據(jù)質(zhì)量問題，降低人工核查成本；最后，通過整合審計(jì)對(duì)象的財(cái)務(wù)、業(yè)務(wù)、人員管理等多維度數(shù)據(jù)，構(gòu)建畫像體系，輔助審計(jì)人員快速形成被審計(jì)單位經(jīng)營(yíng)情況、合規(guī)管理情況等的全景認(rèn)知，為審計(jì)策略制定提供依據(jù)。該技術(shù)應(yīng)用革新了傳統(tǒng)審計(jì)計(jì)劃制訂流程，推動(dòng)經(jīng)驗(yàn)型審計(jì)向數(shù)據(jù)驅(qū)動(dòng)型審計(jì)轉(zhuǎn)型，為提升審計(jì)效能與組織風(fēng)險(xiǎn)防控能力提供了新的范式。

四、結(jié)論與展望

本文依托已落地的技術(shù)應(yīng)用框架，對(duì)基礎(chǔ)模型在審計(jì)場(chǎng)景中的性能邊界開展了系統(tǒng)性驗(yàn)證，構(gòu)建了契合審計(jì)需求的多維評(píng)價(jià)體系，并為行業(yè)提供了可復(fù)用的模型選型方法論。通過在審計(jì)數(shù)據(jù)分析場(chǎng)景中應(yīng)用先進(jìn)大模型技術(shù)，總結(jié)可借鑒的內(nèi)容如下。

1.大模型本地化部署的重要性。

采用本地化部署的QwQ-32B模型，在保證有效達(dá)成數(shù)據(jù)分析目標(biāo)的同時(shí)，兼顧數(shù)據(jù)隱私與性價(jià)比的平衡，確保了審計(jì)敏感數(shù)據(jù)全流程的安全可控，是審計(jì)數(shù)據(jù)分析應(yīng)用的推薦模型。

2.打造適配審計(jì)工作流的結(jié)果交付物。

與傳統(tǒng)對(duì)話式大模型應(yīng)用不同，研究團(tuán)隊(duì)將大模型的能力轉(zhuǎn)化為數(shù)據(jù)加工能力、邏輯推理能力、觀點(diǎn)輸出能力，以結(jié)果交付模式直接生成審計(jì)所需的標(biāo)準(zhǔn)化產(chǎn)品，實(shí)現(xiàn)了從需求收集、數(shù)據(jù)處理到成果交付的一站式支持，更加精準(zhǔn)匹配審計(jì)人員的工作流程。

3.數(shù)據(jù)分析上下游多技術(shù)協(xié)同模式。

將審計(jì)數(shù)據(jù)分析任務(wù)拆解為“規(guī)則模型的結(jié)構(gòu)化處理、機(jī)器學(xué)習(xí)特征工程、指令類模型的標(biāo)準(zhǔn)化輸出、推理類模型的風(fēng)險(xiǎn)深度挖掘”等多個(gè)環(huán)節(jié)，實(shí)現(xiàn)上下游協(xié)同，最終達(dá)成智能審計(jì)應(yīng)用效果最大化目標(biāo)。

4.大模型技術(shù)的應(yīng)用局限。

受限于基礎(chǔ)模型的上下文長(zhǎng)度，大模型并不擅長(zhǎng)處理海量原始數(shù)據(jù)，且大模型技術(shù)也有著幻覺這類固有缺陷。因此對(duì)于模型生成的結(jié)果，尤其在面對(duì)定性類、觀點(diǎn)類結(jié)論時(shí)，審計(jì)人員需實(shí)施交叉印證，保證輸出結(jié)論的可靠性。

在智能化進(jìn)程中，大模型與審計(jì)領(lǐng)域的深度融合仍然面臨諸多挑戰(zhàn)，如行業(yè)規(guī)范不完善、專業(yè)領(lǐng)域智能化團(tuán)隊(duì)人員定位不清晰、基礎(chǔ)模型更新迭代造成應(yīng)用穩(wěn)定性不足等。希望通過持續(xù)的政策、技術(shù)、方法論的創(chuàng)新與優(yōu)化，內(nèi)部審計(jì)行業(yè)能夠在大模型的輔助下，實(shí)現(xiàn)審計(jì)效率與質(zhì)量的雙重提升，為組織穩(wěn)健發(fā)展筑牢堅(jiān)實(shí)防線。

（作者單位：國(guó)泰海通證券股份有限公司，郵政編碼：200011，電子郵箱：wangxipan@gtht.com）