蚂蚁国际发布 FalconTST 2.0，全球银行加速将 AI 用于外汇与流动性管理

先说结论

蚂蚁国际于 2026 年 8 月 20 日推出升级版 Falcon 时间序列 Transformer 模型 2.0，简称 FalconTST 2.0。这是一款面向金融机构的专业预测型人工智能模型，重点服务于跨境支付中的现金流预测、流动性风险管理以及外汇风险管理。113

蚂蚁国际宣布的合作银行包括 花旗（Citi）、汇丰（HSBC）、德意志银行（Deutsche Bank）、渣打银行（Standard Chartered）和巴克莱（Barclays）。报道显示，合作机构总数为六家，但在公告发布时，蚂蚁国际并未公开第六家银行的名称。8913

FalconTST 2.0 到底有什么不同？

与 ChatGPT 一类主要处理文本的通用大语言模型不同，FalconTST 2.0 的核心任务不是写文章或回答问题，而是从持续变化的金融数字中寻找可用于预测的规律。

它面向的是典型的时间序列数据，例如：

• 银行未来一段时间的现金流；
• 可能出现的流动性需求和流动性敞口；
• 跨境支付中的货币敞口；
• 外汇市场变化与相关风险。

这些预测可以帮助金融机构更早判断资金是否充足、何时需要调配不同货币，以及如何安排外汇对冲。128

它如何帮助银行管理外汇和流动性风险？

对跨境业务规模较大的银行而言，汇率波动会改变资产、负债和支付头寸的价值。银行需要根据预期现金流和货币敞口安排对冲，同时保留足够的流动性应对资金进出。

FalconTST 2.0 试图通过更细致的时间序列预测，帮助银行估计未来现金流和流动性需求，并据此优化外汇对冲和货币分配。换句话说，它关注的不是“生成一个听起来合理的答案”，而是“根据历史和实时数值，预测下一阶段可能发生什么”。18

为什么蚂蚁国际认为它优于通用大语言模型？

蚂蚁国际平台技术负责人 Kelvin Li 表示，FalconTST 2.0 专门针对金融场景设计，在金融预测任务上具有优势；而通用大模型在金融领域尚未实现普遍性的突破。13

这一判断的逻辑在于，金融风险管理依赖大量带有时间、数值和周期特征的数据。专用模型可以围绕这些数据进行训练和优化，因此与主要为语言理解和生成而设计的模型相比，目标更加聚焦。1

不过，“专用模型更适合特定金融任务”并不等于它在所有场景都一定优于通用模型。实际效果仍取决于数据质量、部署方式、风险控制流程以及银行自身的业务环境。

成本能降低多少？

蚂蚁国际称，更精准的预测能够让银行的外汇对冲和资金配置成本降低超过 60%。713

需要注意的是，这一数字是蚂蚁国际及相关报道援引的公司说法，不应直接理解为已经在整个银行业得到独立验证的普遍结果。模型能否在不同市场、不同银行和不同汇率环境下实现类似节省，还需要更多实际运营数据来检验。

这次发布意味着什么？

此次合作显示，金融机构对 AI 的关注点正在从客服、文档处理等辅助场景，逐步延伸到资金管理、流动性预测和外汇风险控制等核心运营环节。113

这也是金融 AI 应用从“试验模型”走向“业务系统”的一个信号：如果预测结果能够稳定融入资金调度和风险管理流程，AI 的价值就不再只是提升办公效率，而可能直接影响银行如何管理资本和市场风险。

蚂蚁国际此次产品发布还紧随其近期完成的 12 亿美元股权融资。这一时间线表明，公司正处在扩大国际金融科技业务和 AI 能力投入的阶段，但融资本身并不能证明 FalconTST 2.0 已经取得商业或技术上的最终成功。7

最终，市场关注的关键仍是模型在真实交易和跨境支付环境中的长期表现：预测是否足够稳定、风险是否可解释，以及银行能否在监管要求下安全地将其用于日常决策。