推荐语
度小满金融大模型如何突破行业挑战？揭秘金融AI落地的关键技术与实践路径。
核心内容：
1. 金融行业特性与大模型能力的天然契合点
2. 金融大模型训练与评测的技术创新方案
3. 降本增效的金融领域专项模型应用实践
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
导读 大模型时代已来临，每个组织以及每个人的知识体系都需要重塑，思考如何更好地利用 AI 工具提升效率，以应对未来的变化。而始终不变的是，我们要持续学习，时刻保持好奇心，以不变应对未来更多的变化。本文将分享度小满在金融行业对大模型技术的探索与实践。
1. 从通用大模型到金融大模型
2. 金融大模型的训练技术创新
3. 金融大模型的评测方法创新
4. 金融大模型的应用实践创新
5. 总结：金融大模型迭代路径
分享嘉宾｜杨青 度小满 技术委员会执行主席、数据智能应用部总经理
01
从通用大模型到金融大模型
1. 大模型涌现超预期能力，有望为金融行业创造价值增量
金融行业具有三大特性：
数据驱动：金融是一个关于数据的生意，所有的决定都需要通过分析数据来做决策。
高度知识化密集产业：金融是一个高度知识化密集的行业，有非常多的专业领域知识，不在这一行业中的人是很难知道的。另外，金融内部也有理财、保险、信贷等不同的细分领域，知识结构复杂密集。
业务流程极其复杂：金融是需要非常多人工去协作的一个产业，业务流程极其复杂。
这三个特性其实跟大模型本身的逻辑理解记忆等能力是非常匹配的。所以我们一直认为金融领域是一个天然的大模型的最佳应用场景。我们也希望通过探索为金融行业带来更多的价值增量。
2. 通用模型难胜任金融任务，大模型落地金融面临挑战我们为什么需要一个金融行业自己的大模型呢？因为当前通用模型的能力还存在缺陷。主要包括以下三个方面：
金融知识挑战：金融行业有自己领域内的专业知识，比如 KS、MOB、COB 等专业术语，通用大模型可能不了解。
金融能力挑战：大模型目前还存在幻觉问题、计算准确性问题、遗忘问题等。金融行业是数据驱动的业务，对数据准确性要求比较高，通用大模型存在的这些问题无法满足金融行业的需求。
应用成本挑战：通用模型的成本相对较高，我们希望通过行业模型去降低应用成本。
基于以上三个挑战，我们认为做金融领域的行业大模型是非常有必要的。
3. 面对成本挑战，专项增强的领域模型更显高性价比上图左边的基础数据源自 meta 论文。可以看到，LLaMA-2 模型训练 2T tokens，用 A100 大概需要多少时间。如果参数是 70B，原论文里写的是需要 172 万卡时，折成 48 台 A100 机器，就需要 187 天，也就是半年的时间，这还是在训练过程中没有任何训练故障，训练效率和效果没有任何反复的情况下的一个时间。假设中间有一些机器发生故障，或者效果不及预期需要迭代，那用 48 台 A100 机器训练，可能就需要一年时间。这个训练成本对于很多企业来讲是极其昂贵的。
再来看下推理的资源，如果是一个 70B 的大模型，它所需要显卡内存是 129G，也就是需要两张 A100。所以对于大多数企业来讲，通用模型的训练和推理成本是非常高昂的。
上图右边是行业大厂的一些探索。比如微软有一篇论文提到，一个高质量的领域数据，能够让模型表现出比它参数大五倍的模型相近的效果。这一点很容易理解，如果把大模型当成一个人，一个天赋一般的选手，通过后天的不断努力，并且只专心某一个行业，那他在这个行业取得的成就可能会比天赋好的人更高。度小满也做过实验，比如一个 13B 模型通过不断调优，它在金融领域内某个场景的效果会比通用的 70B 的效果更好。所以我们希望用一个更小的模型，通过不断学习行业知识，达到一个更大模型的效果。
粤ICP备14082021号
免费POC，
零成本试错
