Santander（桑坦德银行）2026年10月19日在马德里与圣克拉拉发布的新闻稿中宣布，其人工智能实验室在 NVIDIA 支持下建成了一套面向银行业务的模型与智能体评测能力。最扎眼的数字来自部分实验场景：改用更小的专用模型之后，单次交互的服务成本从约 5 欧元降到约 0.03 欧元，性能保持在较强水平。
Model Arena 先解决选型问题
这家银行的做法不是先买更大的模型，而是先建评测场。其 AI 实验室搭建了 Model Arena，用银行业务任务去逐个考开放权重模型，判断哪个模型适合哪类工作负载；再用 NVIDIA NeMo Customizer 把选中的模型做专用化训练。针对结构化数据，实验室还基于 NVIDIA Kumo 这类开放权重基础模型构建专用能力，把银行多年的结构化数据转成智能体服务需要的预测洞察。推理侧则用 NVIDIA Dynamo-Triton 在银行自有架构内做规模化部署，成本下降主要来自这一整套组合，而不是单一环节。
客服实验给出了可核对的账目
在一项客服实验中，换上更高效的模型后，对话质量反而提升，成本下降超过 50%。需要留意的是，5 欧元到 0.03 欧元是公告中明确标注的部分实验场景数据，并不是全行业务的平均账单；它证明的是选型和专用化在特定任务上能省多少，而不是所有银行任务都能照此比例削减成本。
三年框架覆盖的方向比硬件更宽
Santander 与 NVIDIA 同时敲定了下一阶段的三年合作框架，范围包括基础模型、AI 智能体、欺诈与反洗钱、实时决策，以及银行数字孪生等高级仿真技术。Model Arena 接下来还要承担智能体的设计、仿真、评测与监督，并在受控环境里对会话式 AI 做对抗测试，先在实验室里把新兴技术按银行标准压测一遍，再决定哪些能力可以放大到全行。
这件事的看点不在某一次降本，而在评价指标的变化：NVIDIA 全球银行业务负责人 Aser Blanco 把“单位智能产出的成本”称为关键指标。当银行开始按这个指标选型，大而全的通用模型不再天然占优，能在真实任务上被评测、被专用化、被便宜地跑起来的小模型会拿到更多份额。对其他金融机构来说，可复制的部分也不是某款模型，而是先建评测场、再谈部署顺序的这套次序。
