Suprasti finansinę informaciją reiškia, kad naudingų įžvalgų lentelės yra tokios naudingų įžvalgų skaičių, finansinių sąlygų ir organizuotų duomenų analizė. Tam reikia matematikos skaičiavimų ir žinių apie ekonomines sąvokas, taisykles ir ryšius tarp finansinių sąlygų. Nors ir rafinuotas AI Modeliai parodė puikų bendrą samprotavimo galimybes, jų tinkamumas finansinėms užduotims yra abejotinas. Tokioms užduotims reikia daugiau nei paprastų matematinių skaičiavimų, nes joms reikia aiškinti konkrečios srities žodyną, atpažinti ryšius tarp finansinių taškų ir analizuoti struktūrizuotus finansinius duomenis.
Paprastai samprotavimai artėja panašūs Aptarta grandinė Tinkamumo ir stiprinimo mokymasis padidina atlikimą atliekant kelias užduotis, tačiau žlugo finansinis pagrindas. Jie pagerina loginius samprotavimus, tačiau negali atkartoti ekonominės informacijos sudėtingumo, kuriam reikalingas skaitmeninis supratimas, žinios apie sritį ir duomenų interpretaciją organizuotai. Nors didelių kalbų modeliai yra plačiai naudojami finansuose tokioms užduotims kaip sentimentų analizė, rinkos prognozė ir automatizuota prekyba, bendrieji modeliai nėra optimizuoti finansiniams samprotavimams. Finansų specifiniai modeliai, tokie kaip „Bloombergggpt“ ir Frpadėkite suprasti finansines sąlygas, tačiau vis tiek susiduria su iššūkiais dėl finansinių dokumentų ir struktūrizuotų duomenų.
Norėdami tai išspręsti, tyrėjai iš Thefina Siūloma Fino1finansinio samprotavimo modelis, pagrįstas Llama-3.1-8b-NUSTRUKTAS. Esami modeliai kovojo su finansiniu tekstu, lentelės duomenimis ir lygtimis, parodydami blogą našumą atliekant ilgų kontekstų užduotis ir daugialypius pagrindus. Paprasti duomenų rinkinio patobulinimai ir bendrosios technikos, pavyzdžiui, Lovelė Tinkamumas nepavyko duoti nuoseklių rezultatų. Šioje sistemoje buvo naudojamasi stiprinimo mokymasis ir iteracinis Lovelė Patobulinimas siekiant pagerinti finansinius samprotavimus, loginio žingsnio tobulinimo ir sprendimų priėmimo tikslumą. Loginės sekos buvo sukurtos sistemingai, todėl modelis galėtų žingsnis po žingsnio išanalizuoti finansinius klausimus, o patikrinimo mechanizmai patikrino patikimumą, kad būtų galima nustatyti teisingas finansines išvadas. Dviejų pakopų Lora Tinkamas derinimas išsprendė skaitmeninių samprotavimų ir lygčių sprendimo prieštaravimus, o pirmasis etapas pateikė modelį iki finansinių principų ir antrojo etapo patobulinimo sudėtingus skaičiavimus. Organizuoti mokymai įvairiuose finansų duomenų rinkiniuose, tokiuose kaip ataskaitos ir lentelių duomenys, patobulintas aiškinimas, kad būtų užtikrinta tikslesnė finansinė atskaitomybė ir operacijų įrašų analizė.
Tyrėjai įvertino kalbų modelius dėl finansinių samprotavimo užduočių ir nustatė „Deepseek-R1“ atliko geriausiai (68,93) Dėl stiprios XBRL–Matematika rezultatai, po kurių seka „Deepseek-R1-Distill-llama-70b“ ir „Deepseek-R1-Distill-Qwen-32B“. GPT-4o Atliko gerai, bet atsiliko dėl mažesnių XBRL-Math balų. Bendrosios paskirties modeliai, tokie kaip Llama3.3-70b pralenkė kai kuriuos į samprotavimus orientuotus modelius, parodydami, kad bendrieji samprotavimai ne visada sustiprino finansines užduotis. Tyrėjai nustatė, kad loginės užduoties derinimas kovojo su ekonominiais duomenimis, o matematiniai patobulinimai pagerino XBRL-MATH Bet įskaudino Finqa ir Dm-Simplong tikslumas. Mastelio modelio dydis ne visada padėjo, nes mažesni modeliai kartais sekėsi geriau. Išankstinio mokymo duomenų išplėtimas ir tobulinimas po mokymo metodų pagerino finansinius samprotavimus. Fino1-8bapmokytas samprotavimo keliais iš GPT-4o, pralenkė kitus, įrodyti, kad finansiniams finansiniams mokymams buvo veiksminga. Šie rezultatai pabrėžė konkrečios srities mokymo svarbą siekiant pagerinti finansinį supratimą ir daugiapakopius skaitmeninius samprotavimus.
Apibendrinant galima pasakyti, kad naujas požiūris pagerino finansinį mąstymą LLM. Pasinaudojant protingumo keliais iš GPT-4o ant FinqaAr Fino1 buvo 10% Geriau atliekant tris finansinius testus. Nors oficialūs matematiniai modeliai geriausiai veikė atliekant skaitmenines užduotis, tokias kaip XBRL-MATHjiems trūko lūkesčių tvarkant finansinį tekstą ir ilgą kontekstą, todėl domeno adaptacija būtina. Nepaisant modelio skalės ir duomenų rinkinių įvairovės apribojimų, ši sistema gali būti pagrindinė būsimų tyrimų pagrindu. Duomenų rinkinio plėtros, gavimo rinkliavos metodų ir kelių žingsnių samprotavimų pasiekimai gali dar labiau sustiprinti finansinę Llms Realaus pasaulio programoms.
Patikrinkite Straipsnis ir veido apkabinimo modelis. Visas šio tyrimo kreditas skirtas šio projekto tyrėjams. Taip pat nedvejodami sekite mus „Twitter“ Ir nepamirškite prisijungti prie mūsų 75K+ ml subreddit.
🚨 Rekomenduojama „Read-LG AI Research“ išleidžia „Nexus“: pažangių sistemos integracinių agentų AI sistemos ir duomenų atitikties standartų, skirtų teisiniams klausimams spręsti AI duomenų rinkiniuose
„Divyesh“ yra konsultavimo praktikantas „MarktechPost“. Jis siekia žemės ūkio ir maisto inžinerijos BTech iš Indijos technologijos instituto Kharagpur. Jis yra duomenų mokslo ir mašinų mokymosi entuziastas, norintis integruoti šias pagrindines technologijas į žemės ūkio sritį ir išspręsti iššūkius.
