金融大模型在未来的发展面临着三大挑战。

首先，数据安全合规的采集、管理和使用是一个重要问题。由于金融行业对数据安全和隐私合规有着严格的要求，金融大模型在数据采集、传输、加工和处理信息的各个环节都需要更加谨慎。同时，不同金融机构之间的数据共享也需要考虑如何构建一个合理且安全的机制。

其次，大模型的迭代和训练成本高且复杂。金融大模型需要及时调整和优化，以降低风险并提升用户体验。一些金融机构选择利用大数据整合和垂直领域精调模型，以小规模算力打造轻量级精调模型。然而，金融数据模态多样，难以进行统一的处理建模，因此目前的大模型对多模态数据的表达能力还有待加强。

最后，金融业务数据如何融入到大模型中，以及如何控制幻觉问题等模型缺陷问题。所谓“幻觉”，指的是人工智能模型生成的内容并非基于现实世界的数据，而是大模型自己想象的产物，即给出事实错误或虚假信息。金融领域的本质是复杂决策和低容错率，通用模型中的专业知识远远不够，如果无法有效发现“幻觉”中的漏洞，将很可能导致金融大模型出现理解或判断上的偏差，直接影响风控效果。

目前，金融大模型面临的挑战包括成本较高、金融数据不充分以及落地场景与预期业务价值之间存在差异。企业对模型精度和效率要求更高，尤其是在专业性强、知识密度高的领域，大模型的表现存在输出结果不受控、可解释性较差、可信程度较低等问题，从而限制了其应用场景。此外，在新技术的应用过程中，人工智能带来的伦理问题也需要法律法规的约束和明确的规定指引。