Im Bereich der Finanzdienstleistungen befindet sich der potenzielle Wert von inferenziellen großen Sprachmodellen – insbesondere des aufstrebenden Open-Source-Modells DeepSeek-R1 – noch in einer vorläufigen Erkundungsphase. Obwohl allgemeine große Sprachmodelle bereits vielfach in der Analyse von Finanznachrichten und der Kundeninteraktion eingesetzt werden, erschließt DeepSeek-R1 dank eines integrierten mehrstufigen Trainingsmechanismus mit verstärkendem Lernen bahnbrechende fortgeschrittene Schlussfolgerungsfähigkeiten. Es kann nicht nur komplexe finanzielle Frage-Antwort-Aufgaben präzise bewältigen, sondern hat auch ein leichtgewichtiges destilliertes Studentenmodell für ressourcenbeschränkte Umgebungen eingeführt, das die Bereitstellungsflexibilität deutlich verbessert. Dieser Artikel betrachtet das Gebiet der Finanz-Künstlichen Intelligenz aus interdisziplinärer Perspektive, analysiert zuerst systematisch die technische Architektur und Grundprinzipien von DeepSeek-R1 und führt dann basierend auf zwei öffentlichen Datensätzen für Finanzfragen erste, aber umfassende Leistungstests von DeepSeek-R1 und seinem destillierten Modell durch. Darauf aufbauend werden die innovativen Chancen, die dieses Modell für Finanzdienstleistungen bietet, eingehend erörtert, seine bestehenden Einschränkungen objektiv analysiert und drei zukünftige Forschungsrichtungen vorgeschlagen. Ziel dieses Artikels ist es, eine theoretische Grundlage und praktische Leitlinien für den sinnvollen Einsatz und die Weiterentwicklung inferenzieller großer Sprachmodelle im Bereich der Finanz-KI zu bieten und so die Finanztechnologie auf ein höheres Niveau zu heben.

große Sprachmodelle; Modellauswertung; künstliche Intelligenz; FinTech