其主要优势是： 良好的技术基础，许多金融科技公司在技术基础设施上已具备一定优势，能够快速集成和部署生成式模型，提升现有服务； 专业化解决方案，结合生成式，利用各种低代码模版，来快速提供定制化的支付、融资和风险管理解决方案； 更高效的集成能力，它们通常具备强大的API接口，在结合大模型方面，可快速便捷与企业现有系统快速集成，实现无缝对接。
互联网金融公司 互联网金融公
司指针对面向零售投资者（C端）市场提供的金融服务，如智能投资顾问、市场情况预测、个性化财务规划、个人投资组合风险评估、金融知识教育培训等。 其主要优势是： 快速响应市场需求，通过生成式实时分析数据，快速推出符合用户需求的新产品和服务。 重视用户体验，较重视用户界面和交互设计上，结合大语言模型。
能够提供更流畅的用户体验简
化用户注册、投资和咨询的过程。 高度的个性化服务，结合用户行为数据和生成式，能够提供高度个性化的投资建议和财务规划。 更广泛的数据整合，相对于传统金融机构，能整合来自多种渠道的数据，提供全面的用户画像，支持更精准的服务。 03 金融大模型典型案例 1. 基本技术架构 垂直类大模型是基于通用大模型进行二次的开发。先检索相关的知识，然后基于召回的知识进行回答，也就是基于检索增强的生成。一般要经过三个步骤： （1）ContinuePreTrning:给模型注入领域知识，即用金融领域内的语料进行继续的预训练。一般为了保持模型的通用能力，还需要注入混杂的通用数据。
在当前的数字环境中，它不仅 whatsapp 号码数据 仅是一款聊天软件，更是企业扩张的有力工具。企业可以利用定制的数字数据来增加消费者参与度、提高收入并与受众建立持久的关系。由于个性化和这种程度的针对性，促销活动更有效，因此转化率更高。
:通过可以激发大模型理
解领域内各种问题并进行通过陈述案例来转化更多潜在客户的 5 种方法 回答的能力（3）RLHF:通过RLHF可以让大模型的回答对齐人们的偏好，比如行文的风格。 2. 国外典型案例 国外金融市场更开放、发达，业务量和用户数较多，且金融服务要求更高。在NLP出现初期，很多公司就前仆后继地开发大模型或者开发agent。 ——闭源模型 是彭博社于2023年推出的金融垂直领域大语言模型，是一个有500亿参数、基于BLOOM模型的LLM，该团队采取通用模型和特定领域模型混合分析的方式，直接从0训练一个的金融领域大模型。其主要优势有以下几点： ① 数据来源可靠。由于彭博社在几十年的金融业务中积累了大量的金融数据和文件，拥有先天的数据优势，数据来源可靠。
金融数据集来源丰富
数量大。其在金融领域数据集 qa 编号 共包含了3630亿个token，占总数据集token量的54.2%，具体由以下几个部分构成： ③ 模型应用表现好。团队分享了模型的三个定性示例：1）生成Bloomberg查询语言，可以被用来通过将自然语言查询转换为有效的BQL，使BQL更易于访问。2）生成新闻标题。由于它在许多新闻文章上进行了训练，可以帮助生成新闻标题。3）金融问答。由于金融领域训练数据，智能问答覆盖面广 ——开源模型 是4Finance基金会发起的一个专注于金融领域的大型语言模型，它致力于通过构建开放源码的金融大语言模型来推动金融科技(Fintech)的发展和创新。
基座模型：开源
② 数据集：新闻网站、社交媒体、公司公告、趋势(google或者bdu等搜索引擎)、其他公开数据集 ③ 训练方法:LoRA和RLSP(根据股票价格的强化学习) ④ 模型框架 数据源层：通过整合新闻网站、社交媒体平台、财务报表、市场趋势等数据，确保全面的市场覆盖。 数据工程层：专注于NLP数据的实时处理，以应对金融数据固有的高时间敏感性和低信噪比的挑战。 LLMs层：整合各种微调方法，优先考虑轻量级自适。
应，以保持模型的更新和相关性
应用层：提供金融任务的实践教程和演示应用程序，包括机器人咨询服务、量化交易和低代码开发。 ⑤ 优势 国外首个金融行业垂直类开源大语言模型。主要给金融研究人员和从业者提供可访问和透明的资源，来开发自己的的FinLLM或潜在的应用程序。解决金融数据获取难、处理难的问题，旨在开源领域实现互联网规模的金融数据民主化。 基于的各种金融模型和：年全球金融科技领导者的子公司LTX，通过-4打造了，该模。
型主要用于债券市场，帮助客户回
答各种与债券相关的问题。帮助金融机构、对冲基建议。比如输入问题：我有100万美元资金，想投资5年，有哪些高收益的债券选择？会回答符合需求的公司名字、利率、价。
格、发布日期、到期日期、债券评
级等信息。 （2）：由注册投资顾问机构——于年11月推出，为投资者提供全球投资组合管理、投资顾问、助理等服务，是美国的智能投顾平台。目前已积累逾3万名用户，为约200亿美元资产提供大模型+智能投顾服务。 其核心模块：追踪模块能借助大模型技术，为用户呈现投资组合管理的可视化工具，包括大类资产配置结。
构、资产相关性矩阵等；提升模块能基于大模型所生成的全球经济洞察观点，对用户投资组合进行评分分析，找出用户投资组合薄弱之处并提供个性化的改善建议；探索模块主要包括新闻、研究、预测三大功能，汇总关键新闻帮助投资者及时了解行业信息。 3. 国内典型案例 国内金融市场发展较晚，且开放性不足，另外NLP发展速度也稍落后于国外。但由于国内市场需求大，金融机构数量多，2023年间金融垂类大模型蓬勃发展。 轩辕-开源 轩辕是度小满的大模型团队，在2023年基于BLOOM-176B架构，针对中文通用领域和金融领域进行针对性预训练和微调的千亿级对话大模。
