金融的核心是风控,流动性风险是风控的重要一块,风险管理也成为各金融机构企业运营的建设重点。日前,中国银行河南省分行结合业务现状及未来发展,采用浪潮天梭K1关键应用主机作为核心服务器,承载其流动性风险管理系统,借助信息化手段重构金融生态环境下的风控防线。
阻力重重,如何化解“致命风险”?
中国银行于1912年成立,是中国历史最为悠久的银行之一,同时在全球30多个国家和地区拥有超过700家海外机构。河南省分行是中国银行在中原地区最重要的一级分行,业务遍布全省18个地市、超过600个营业网点。
河南省分行是中国银行在中原地区最重要的一级分行
2016年6月银监会发布《中国银行业监督管理委员会2015年报》提出,今年将着力整合银行业资金资源支持供给侧结构性改革,同时要着力防范重点风险、严守风险底线。专业的风控体系,是银行综合理财能力的重要组成部分,也是金融行业的核心因素。其中流动性风险因其不确定性强、冲击破坏力大的特点,被视为“商业银行最致命”的风险。也有专家认为,风险管控是未来一段时间银行转型的重点工作之一。
中国银行河南省分行原有的流动性风险管理系统采用国外机架服务器作为数据库与应用服务器,随着业务范围的逐步扩大、系统应用及数据量不断增加,如今在业务处理能力及系统可靠性上都已表现出明显不足。以业务批处理过程为例,执行一次数据装载、数据加工、前端数据加工全过程,到最终完成批处理,需要耗时近6个小时。与此同时,数据库与中间件软件部署在同一台服务器上,共享相同的物理资源,彼此相互影响,一旦出现软件故障,将增加故障定位及排除的难度。此外,采用x86服务器单机运行,缺少必要的冗余设备,当服务器故障时将导致业务中断,特别是x86服务器的脆弱性进一步加剧了服务器故障的风险。
平稳迁移,整体性能提升2.1倍
浪潮对河南省分行流动性风险管理系统的现状做了深入评估,结合银行业流动风险的特性,提出系统的可靠性及扩展性尤为重要。经过浪潮与其合作伙伴及河南省分行的充分沟通,根据“统一规划,整体设计,统一管理,集中建设”的原则,河南省分行新一代流动性风险管理系统采用浪潮天梭K1关键应用主机作为核心服务器。
在系统建设中,共采用3台K1 910作为河南省分行流动性风险管理系统的运行平台,其中2台作为系统核心数据库服务器,1台作为测试服务器。2台K1 910通过浪潮BCP高可用软件组成高可用服务器集群,可实现实时交互,在其中一台宕机的情况下,另一台主机即时接管后台工作,保障数据不丢失。中国银行河南省分行信息化负责人表示,浪潮K1 910关键应用主机,具有超高的业务稳定性,业务连续性达到99.9994%,可从容应对我行巨大的数据吞吐与频繁的并发访问。新系统具备更高的执行效率,整体性能提升2.1倍。经过测试,在业务批处理过程中,数据装载速度提升5倍,数据加工处理速度提升1.5倍,前端数据加工处理速度提升1.3倍。
HA高可用集群,运行过程零风险
以浪潮天梭K1关键应用主机搭建的HA高可用集群方案,承载河南省分行新一代流动性风险管理系统,接入了包括客户行为分析、流动性指标监控、汇率管理、盈利性预测等应用系统,通过“数据+模型”提升银行流动性分析管理智能化水平。围绕客户、市场、汇率等维度数据监测和分析,为银行管理层提供清晰直观决策依据,实时掌控业务风险、市场风险、客户信用风险和盈利预测,开展合规的风险管理,以及制定精准和安全的金融产品规划,
有效规避银行业务运行风险。
“浪潮提供的高可用主机解决方案,保障系统运行效率和性能同步提升,更敏捷的数据响应,支撑我行流动性风险管理系统高效执行,满足未来系统发展需求。”中国银行河南省分行信息化负责人说。
持续开拓,浪潮K1与客户共赢未来
浪潮天梭K1关键应用主机入驻中国银行河南省分行,实现了行内系统平台的标准化、一体化,K1集成的图形化管理工具也进一步提升了设备管理效率,从而帮助其提升流动性风险管理系统的稳定性、处理性及扩展性。目前,浪潮天梭K1关键应用主机已在中国银行总行、山东省分行的业务系统中展开测试并逐步投入使用。
银行业各信息系统运行关系国民经济命脉,浪潮天梭K1关键应用主机作为 “风控管家”平台,为银行关键业务系统保驾护航。当银行不需担忧后台的保障,发展才会持续而稳健。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。