针对金融风险基于股权外溢的现状，博股通经面向资产配置与并购重组，运用股权知识图谱构建股权穿透图，支持展示股权相关信息，可以对特定企业进行风险外溢可视化标注、量化评估、压力测试与AI对话，实现对企业金融风险的预警。
ChatWhale——基于 LLM 的股权智析交互平台是一个专注于股权架构分析的智能金融信息问答平台。针对目前商业查询平台市场的痛点以及股权分析领域的难题，我们的产品提供了基于大语言模型的解决方案，依托规范开源数据，构建了一套精准、可靠、全面、智能的上市公司金融信息问答体系与可靠的股权识别与分析系统。

“金融分析师的哆啦A梦”是一个动态媒体监控及智能金融分析平台。以LLM Agent为核心，项目运用RAG、Multi-Agent、知识图谱及多模态技术，搭建循环迭代优化架构，专注解决金融分析过程中的幻觉偏差问题。产品围绕客制化、终身学习、具身化三大核心技术理念，设计热点聚焦、结构化分析器、人机交互等多个工具模块，为用户提供专业级金融分析支持，帮助用户进行深入的行业研究、风险识别和投资决策等分析工作。目前，分析平台已经上线（http://47.109.180.217:8004/）。

舆有融焉面向多源关联、时序多频、异质高维、尖峰厚尾的金融大数据，研发时序传导预测、图表示学习、提示集成学习等关键技术，针对金融跨领域应用的共性特征和个性化需求，构建统一的金融时序知识大图，研发基于金融知识大图的企业风险决策平台，此基础上实现风险发现、风险分析、风险演化和风险决策四大功能，为解决房地产经济痛点问题提供金融知识大图的技术解决方案。

Proprisk AI 是一个专注于为房地产企业、金融机构和投资者提供流动性风险评估与决策支持的平台。它能够通过多渠道数据采集和AI分析，实时监控并预测房地产市场的流动性风险。平台提供个性化的财务指标和解决方案，帮助用户更便捷高效地管理风险并做出明智的投资决策。

目前基于Transformer架构的大模型方兴未艾，但在债券违约风险等垂直领域的研究与应用尚处空白，本项目基于微调BERT，抽取出非结构化金融文本中的债券实体和金融实体，并对各个实体进行细粒度违约风险情绪分析，并结合传统的价差违约概率等结构化指标进行了实证分析，有效提高了债券违约风险预测的精度。

FinSentry是为商业银行客户设计的风险控制平台，通过RPA、LLMs、OCR、NLP和知识图谱技术，实现了流程化、自动化作业，为金融机构客户提供了希望发生业务关系的法人组织的风险画像以及风险报告，提高了做商业决策的效率。

为了解决房地产行业债券违约事件中的信息不对称问题和决策盲目问题，整合了多渠道、不同结构数据，开发了一个以遗传算法和神经网络为核心的一站式房地产债券违约事件信息服务平台——智策方舟网，助力房地产相关企业健康发展和金融市场稳定。

EquityClick是一个专注于帮助金融机构、专业投资者、律师及公司管理人员等用户便捷查看上市公司股权结构信息的股权结构图一键生成平台。通过运用Camelot、OpenCV、LLM模型等技术，EquityClick实现了股权信息的自动搜集、AI处理和股权结构图的可交互呈现，解决了当下依靠人工收集信息、制作股权架构图效率低下的问题。同时EquityClick具有较强的可编辑性和可拓展性以便作为插件更好适应不同公司的内部系统。

SCCIhub是基于多模块分级的供应链金融信用评级框架，运用AWP聚类、Tri-training等算法计算模块分级，并结合指令微调后的大语言模型在搭建好的前端上展示评级与预警报告，致力于打造“聚焦多维数据获取+规则运算+风控策略一站式服务”。

为了应对房地产企业可能出现的流动性危机，团队基于流动性风险评价模型和LLM等技术，开发出一款能够针对企业及其供应商进行相应分析的平台——LRAS。该平台能够对数据进行自动化处理，生成受影响上游供应商名单和流动性风险分析报告，并以图谱等可视化手段进行交互展示。

股视通是一款股权结构可视化平台，使用自然语言处理和大语言模型技术，对上市公司股权信息进行深度解析与动态展示。通过智能化的数据提取、精准的业务单元识别及可视化工具，本平台能够有效地处理并展示复杂的股权结构，包括海外实体的识别和股权级别的精确抽取。股视通不仅有助于决策者对企业内部管理和投资风险的把握，同时也致力于为投资者和监管机构提供了一种可靠的决策工具。

奥森智侦科技推出了一款革命性的智能音视频联合鉴伪系统，旨在为用户提供一个全面、高效、准确的虚假内容鉴别解决方案。该系统采用多模态与多平台功能，支持视频、音频和图片内容的鉴别，并通过不断迭代的智能鉴伪算法应对日益升级的伪造技术。奥森智侦致力于成为全球领先的信息真实性守护者，构建一个更安全、更透明和信任的数字世界。

大语言模型在处理ESG相关内容时，存在着潜在的偏见和幻觉，加重了ESG评级过程中的主观性和信息不对称，进而导致误导性的结果和决策。青山梦语项目基于ESG底层数据，利用NLP、文本解析、数据标签算法等大数据技术引擎，通过深入分析ESG评级中幻觉偏差的原因和影响，对评级过程中存在的幻觉偏差进行检测，运用知识检索、指令微调和模型集成等方法来降低大模型在ESG评级过程中的幻觉偏差，并建立更加客观和准确的评估指标体系。在技术框架设计上，使用一套包含Python、HTML、Javascript、CSS、JQuery和PyTorch的多元技术栈建立可视高效的评级系统。

作品基于大语言模型，通过检索增强并结合深度学习技术，极大地减少了智能化风险评估过程中可能出现的幻觉偏差问题，可以一种更加准确、可靠的方式为用户提供金融风险评估。

本项目旨在打造一款高效、智能、个性化的金融投顾系统，基于大模型（LLM）的泛化能力有效改进传统投顾用户画像构建不准确、决策缺少可解释性等问题，并通过按轮总结多智体、知识梳理检索增强等设计，优化LLM在复杂交互任务以及海量信息输入中存在的幻觉问题，实现系统对用户投资需求的精准把握和资产配置的智能优化，帮助用户实现财富的稳健增长。

目前市场上提供的股权架构图都较为单一，包含的有效信息量较少，部分需要的信息尚未体现在股权架构图中，在多数情况下不能全面地反映企业的真实情况。基于这类痛点，本产品通过人工智能数据采集和大模型技术，生成指定上市公司的组成结构划分图。本项目重点的主要结构划分部分基于视觉语言大模型微调技术，提供全国领先的上市公司股权架构图定制服务，提高信息的准确度和精度。目标客户通过提供需研究的上市公司名称或股票代码向本产品提出个性化的需求，公司通过自主研发的产品进行相关上市公司股权架构图的生成，最终实现产品交付。

本项目是为金融机构设计的房地产舆情灾难中上游企业受灾情况的分析评估平台，运用企业关系结构图谱、人工智能、NLP等技术，提供全面的上游企业数据以及受灾情况评估。本项目专注于舆情的实时收集和分析，构建舆情量化以及动态的阈值来实时监控灾难，训练并且微调部署金融大语言模型来及时作出报告。

为了解决现有企业股权结构生成系统在即时性和准确性方面的痛点，本项目利用生成式大语言模型赋能文本挖掘，构建精准的股权结构可视化系统，为市场提供全面反映企业真实股权结构的一站式解决方案。

答：“花旗杯”作为金融科技比赛，我们对于“IT开发”的考察重点，是在解决金融业具体问题和挑战的前提下，各团队根据自身商业计划目标，采用合理技术方案去实现产品功能的完成度、原创性和规范性。不会在团队间横向技术复杂度比较。

答：为了引导同学们关注当今世界热点（如：ESG环境、社会与公司治理等）领域，组委会设立了“花旗挑战“，以鼓励同学们针对金融行业面临的具体痛点问题提出切实可行的金融科技解决方案。这是对“花旗杯”这个开放主题金融科技大赛的有益补充。具体的选题、评审与奖励规则调整，可以参见大赛详细介绍。

答：第十六届大赛受到了新冠疫情影响，组委会根据包括花旗金融信息科技教育基金项目理事高校在内的全国各合作高校反馈建议，将大赛日程由自然年调整为学年，以更好地配合广大高校师生的教学与科研工作。

答：“花旗杯”大赛面向全国及海外在校本科及研究生同学，专业不限。我们欢迎并鼓励所有（包括历届参赛）对金融科技创新有兴趣、有想法的同学跨专业（特别是金融和IT等相关专业）、跨院校、甚至跨国组队报名参赛。由于奖金是通过获奖学校发放，对于跨院校/跨国组队的团队，建议同学们在组队时明确未来奖金分配发放学校。

答：所有提交文档需要提供双语版本。现场陈述与答辩对语言使用无硬性要求，在包括外籍评委在内的评委会充分理解的前提下，参赛团队可以根据现场效果灵活使用中文或英文。

答：进入总决赛的20强团队可获得由花旗金融信息及组委会颁发的获奖证书。此外，其它所有成功提交合格完整作品但未能获得奖项的团队均可获得相应的参赛证明。

答：大赛提交的所有作品的版权将归各参赛团队所有。作品需要有原创性，对于历届参赛团队，允许在原有作品基础上进行创新完善。在同等条件下，花旗有优先购买权。