淺議在稅務系統建設應用大模型的策略

大模型憑借其強大的自然語言理解與生成、復雜信息處理與邏輯推理能力，為破解傳統稅收管理中的難點痛點、驅動稅收治理數字化轉型提供了嶄新的技術支撐和極大的想象空間。本文旨在探討在稅務系統建設應用大模型的策略，以期為推動智慧稅務建設提供參考。

大模型的發展狀況

近年來，國內外大模型技術持續高速迭代，展現出強大的潛能。國外以ChatGPT為開創者，升級出GPT-4、Sora、GPT-4o、o1等大模型，不斷創新強化學習和思維鏈推理等技術，涌現出自然語言理解、圖像識別與圖文理解、視頻生成轉化等能力，實現了從“記憶答案”向“解決問題\"的模式轉變。

國內技術發展同樣迅猛，“盤古”“文心一言”“通義千問”“豆包”、DeepSeek等大模型在多模態技術突破、垂直領域深度應用等方面展現出諸多優勢。大模型的強大能力正迅速轉化為實際生產力，已在眾多領域落地生根。如在醫療領域用于輔助醫生分析病歷和研發藥物，在教育領域提供個性化語言學習服務，在工業生產領域幫助進行產品外觀設計和檢測故障，大幅提升了工作效率和質量。

大模型在稅收管理中的應用場景

大模型強大的通用賦能潛力，為提升稅收治理現代化水平帶來了前所未有的機遇，歸納起來，其應用于稅收管理的場景可以分為三類：

（一）優化人機交互，促進征納互信與遵從

傳統稅收征管模式在數字化轉型浪潮中，其固有的格式化服務、無差別化處理、流程復雜化等弊端可能被放大，容易導致納稅人繳費人產生理解偏差甚至抵觸情緒，不利于提升稅法遵從度和滿意度。大模型展現出的卓越語言理解和表達能力，使其能夠精準解析復雜的稅收政策法規，并轉化為納稅人易于理解的、自然的，甚至擬人化的情景式語言。更重要的是，它已初步具備理解用戶情感和價值偏好的潛力。將大模型引入稅務服務體系，能夠顯著增強稅務機關與納稅人繳費人之間溝通的智能性、交互和諧性和信息對稱性。

（二）強化人機協同，提升征管效能與治理水平

大模型憑借其信息收集、數據分析以及語言重塑的出色能力，可以通過信息分類、信息提取以及信息協同機制有效整合稅收數據資源，有助于打破納稅人繳費人眼中過于“專業化、碎片化”的舊有看法，在幫助納稅人繳費人全面準確獲取稅收政策、提高業務處理效率、提升稅收風險識別能力上發揮重要作用，亦有助于改善稅收治理結構，實現跨部門、跨層級的協同治理，使得稅收治理效能出現質的突破。

（三）深化人機融合，驅動智慧稅務建設與升級

當前，信息驅動能力不足是制約智慧稅務向縱深發展的一大瓶頸。運用大模型強大的自動信息抓取、精確語義識別、智能分類歸集和高度情境模擬能力，能夠對稅務領域產生的海量結構化與非結構化信息進行高效歸類和深度理解，為基于大數據的智能決策支持奠定基礎。通過將大模型技術深度嵌人核心征管業務流程，構建智慧化的“稅收神經網絡”，可以使稅收征管的方式、步驟、時限和程序更加清晰、規范、可追溯。同時，大模型在規范稅務征管行為方面潛力巨大，可輔助提升行政審批、行政處罰裁量基準、政策公開解讀、自由裁量權行使等敏感環節的標準化、規范化和透明度。

大模型應用于稅務系統面臨的挑戰

（一）應用場景的特殊性要求，基礎模型難堪重任。稅務工作的本質具有雙重剛性約束。對外，核心是依法實施執法監管并提供具有高度確定性的政策服務；對內，核心是支撐科學決策與有效監督。這意味著，將基于公開互聯網數據訓練的基礎大模型的輸出結果，直接應用于涉及執法依據、監管判斷、決策參考的稅務場景，對其結果的準確性（無錯誤）、確定性（無歧義）實效性（即時可用）的要求，遠高于社會通用場景。基礎模型缺乏專業稅務知識，在訓練中可能存在數據污染，從而導致“幻覺”問題突出，使大模型缺乏確定性保障，無法滿足稅務系統的需求。

（二）超大規模應用場景帶來前所未有的建設難度。稅務系統用戶規模龐大，需服務近10億級的納稅人繳費人群體，覆蓋近百萬稅務工作人員。同時，業務領域及場景極其豐富，性能要求高準確性、高確定性、高實效性（低延遲）。這種“超大規模 + 超高性能要求”的組合給大模型應用帶來高復雜難度。

（三）技術快速演進引發持續的成本與適配壓力。大模型基礎技術（如算法、架構）及其支撐的算力設備均處于高速迭代期。基礎模型快速升級，底層技術頻繁更新，知識繼承與版本管理成為關鍵挑戰。同時，算力資源緊張，建設成本高企，硬件設施的投人不易規劃掌控，產出價值不易預測。

（四）潛在風險亟須頂層統籌與管控。大模型在稅務系統的深度應用是一項投入巨大、技術門檻高、工程復雜度高、涉及面廣的系統性工程，絕非簡單的技術采購或部署。要有科學的頂層設計，合理的實施步驟和強有力的風險管控，以防資源浪費、安全漏洞（如敏感數據泄露）和模型失控（如輸出有害或錯誤內容）。

稅務系統建設與應用大模型的策略建議

（一）立足通用模型，聚焦稅務數據二次訓練

從頭訓練一個參數量達千億級別的通用大模型需要消耗十萬級顯卡算力，成本與資源消耗巨大。更優策略是選用成熟的開源或商用基礎大模型作為基座，利用高質量、大規模的稅務行業專有數據對其進行領域適應訓練（即二次訓練或微調）。可采取兩種方式，一是\"基礎模型 + 外部稅務知識庫增強檢索（RAG）”。直接部署基礎模型，同時構建結構化的、覆蓋全面的稅務知識庫（包含法規條文、政策解讀、口徑、典型案例庫、高頻問答對等）。利用檢索增強生成（Retrieval-Augmented Generation，RAG）技術，當用戶提問時，系統先從知識庫中精準檢索相關信息，再提供給大模型結合上下文生成最終回答。這種模式相對容易實現，知識庫更新相對獨立于模型，但模型本身能力有限，主要依賴檢索到的片段信息進行\"拼接式\"回答，深度推理能力弱。支撐的場景較簡單，難以勝任復雜業務場景。輸出結果的針對性、準確性、穩定性高度依賴知識庫質量和檢索精度，“幻覺\"問題仍可能發生；二是訓練垂直領域大模型。基于選定的基礎模型，使用海量、高質量、深度標注的稅務專有語料（涵蓋稅費服務、執法監管、決策支持、行政辦公等全領域文本、數據、案例），進行深入的領域適應訓練，打造真正理解稅務語言和業務的專用模型。這種方式過程復雜且耗時較長，需要大規模、高質量、精細標注的稅務數據集，訓練成本高昂，對技術和數據治理能力要求極高。模型深度內化稅務知識，具備更強的專業語境理解能力、復雜邏輯推理能力和業務語義生成能力，能支撐復雜的核心業務場景，輸出結果專業性、準確性、確定性更高，“幻覺”問題顯著減少。

（二）強化統籌管理，構建上下貫通管理體系

確保大模型應用安全、可控、可持續發展，必須建立強大的統籌管理體系。一是構建統一知識治理體系。由國家稅務總局牽頭，統一規劃、收集、清洗、標注、更新和維護覆蓋全業務條線的核心稅務知識庫。制定嚴格的知識數據標準和審核流程。各省（區）市局負責收集、整理具有地方特色的知識（如地方性法規執行口徑、區域經濟特點相關的政策應用），并匯聚至總局知識總庫。建立多層級的審核校驗機制，確保入庫知識的準確性、權威性、時效性、合規性，最大限度降低數據污染風險，嚴防意識形態安全風險；二是實施模型全生命周期管理。根據業務知識更新頻率、應用場景時效性要求、模型性能（如準確率）衰減情況、算力資源負載等關鍵因素，科學制定模型（包括基礎模型和垂直模型）的更新、微調、再訓練的策略和周期。總局負責核心基礎稅務大模型（基準版）的研發、訓練、評估和發布，控制其主線的知識演進。各省（區）市局可在總局發布的基準版基礎上，結合本地特色需求（如方言口音識別、地方社保政策差異），進行參數高效微調（如LoRA），形成地方定制版本，解決“最后一公里\"的適配問題。構建清晰的模型血緣關系圖譜，明確記錄從總局稅務基礎大模型、各業務領域模型（如服務模型、風控模型）、地方模型的衍生關系和版本依賴。形成上游驅動下游、層級清晰、有序更新的工作機制，確保模型生態的一致性和可控性；三是完善風險管控體系。建立覆蓋數據安全、隱私保護、算法透明公平、模型穩定及安全性測試、應用合規性審查等環節的全方位風險管控框架和應急預案。

（三）場景由易到難，分步推進大模型應用

首先，可聚焦大模型能提供的基礎服務，優先選擇通用性強、價值明顯、技術實現相對成熟的場景作為突破口，如智能稅費政策咨詢助手、辦稅指南問答、稅收知識庫檢索、基礎公文輔助起草等。這類場景一般不強調完全的精準性，更關注快捷和便利，能在處理咨詢類業務時為稅務人員提供高質量的輔助回答，有助于大幅提升響應速度和滿意度。可采取“基礎模型 + 外部稅務知識庫增強檢索（RAG）\"快速部署實施，大模型不直接面對納稅人，而是稅務人員的助手。

其次，可以將應用拓展至更具業務深度和價值的場景，比如，可在納稅人申報完成之后，自動基于風險指標觸發對納稅人申報錯誤或疑點的提示提醒，由納稅人開展自查后反饋自查結果，大模型對納稅人的自查結果進行判定，認為風險未消除的，納入風險池由稅務機關開展后續評估或稽查，認為風險消除的，可不再介人管理或納入后續抽查。通過大模型的能力，可以實現對全部納稅人無差別的全量全覆蓋自動篩查，稅務機關只用聚焦管理自查結果存疑或未完成自查的納稅人，有針對性地開展納稅評估、稅務稽查，實現管理質效的大幅提升。從原理上來說，大模型是基于概率的文本生成，在語義理解、推理判斷、歸類劃分方面具有優勢，在計算方面優勢并不明顯。因此，這類場景的選擇應與能設立明確指標規則的業務場景區分開，有條件的情況下，使用“稅務垂直領域大模型”；不具備條件的情況下，也可使用\"基礎模型 + 外部稅務知識庫增強檢索（RAG）”，采取人工 ?⁺ 大模型的方式實施。

最后，可以將應用提升到自動化、智能化的高效數字化場景。比如，在政策服務方面，由大模型自行根據納稅人的遵從情況探索規律，發現政策制定中的不足或容易引發納稅人錯誤理解的內容，向稅務機關提出完善建議。這類場景只能基于“稅務垂直領域大模型”實現，需要大模型在理解和加工海量稅務系統數據后，形成自己的智能判斷和分析。

作者單位：

國家稅務總局武漢市稅務局