Co się stało
Ant Group, open source Ling-3.0-flash-Fin, model Mixture-of-Experts (MoE) o 124 miliardach parametrów, który aktywuje 5,1 miliarda parametrów na token. Model został zaprojektowany specjalnie z myślą o przepływach pracy w zakresie badań finansowych, integrując wyszukiwanie informacji, modelowanie wyceny za pomocą automatyzacji programu Excel i generowanie raportów. Jest dostępny na OpenRouter, Vercel, Hugging Face i ModelScope. Jednocześnie Ant Group udostępniła FinFIRST, benchmark dla agentów wyszukiwania finansowego opracowany we współpracy z China International Capital Corporation, który ocenia proces badawczy, a nie tylko ostateczne odpowiedzi.
Ant Group wypuściła Ling-3.0-flash-Fin, otwarty model sztucznej inteligencji dostosowany do badań i analiz finansowych. Model wykorzystuje architekturę Mixture-of-Experts (MoE) ze 124 miliardami parametrów ogółem, aktywując jedynie 5,1 miliarda na token, aby zrównoważyć pojemność wiedzy z wydajnością wnioskowania. Konstrukcja ta ma na celu zmniejszenie kosztów wdrożenia przy jednoczesnym zachowaniu wysokiej wydajności zadań finansowych.
Model koncentruje się na czterech podstawowych możliwościach: wyszukiwaniu informacji z wiarygodnych źródeł z kompleksową identyfikowalnością, wnioskowaniu badawczym, które buduje weryfikowalne łańcuchy dowodów na podstawie heterogenicznych danych, modelowaniu wyceny, które rozumie i automatyzuje powiązane modele finansowe Excel oraz generowaniu raportów, które łączą fakty, obliczenia i wykresy w ustrukturyzowane wyniki. To podejście zorientowane na przepływ pracy odróżnia je od modeli konwersacyjnych ogólnego przeznaczenia.
Dostępność jest szeroka, model jest dostępny za pośrednictwem dostawców API OpenRouter i Vercel, a otwarte wagi są dostępne na Hugging Face i ModelScope. Dzięki temu programiści mogą wdrażać model prywatnie i integrować go z niestandardowymi narzędziami wyszukiwania, Python, bazami danych i arkuszami kalkulacyjnymi. Wydanie jest częścią szerszej rodziny Ling 3.0, która obejmuje inne modele dla agentów produkcyjnych i obciążeń multimodalnych.
Oprócz modelu, Ant Group udostępniła FinFIRST o otwartym kodzie źródłowym, punkt odniesienia dla agentów wyszukiwania finansowego. Opracowany przy profesjonalnym wsparciu China International Capital Corporation, FinFIRST V1 zawiera 123 zadania autorstwa ekspertów, 701 kryteriów atomowych i 12 300 punktów rubryk. W przeciwieństwie do tradycyjnych testów porównawczych, które oceniają jedynie ostateczne odpowiedzi, FinFIRST ocenia szerszy proces badawczy, w tym spójność i identyfikowalność danych, zapewniając bardziej kompleksową miarę niezawodności sztucznej inteligencji w kontekście finansowym.
Szczegóły źródła: opensourceforu.com ↗
Dlaczego to ma znaczenie
To wydanie usuwa krytyczną lukę we wdrażaniu sztucznej inteligencji w finansach: potrzebę identyfikowalnych, dokładnych obliczeń wyników, a nie generowania ogólnego tekstu. Łącząc efektywność Ministerstwa Środowiska ze specjalistycznymi narzędziami finansowymi, obniża to barierę dla prywatnego wdrażania modeli o dużej wydajności w regulowanych środowiskach. Włączenie wzorca zorientowanego na proces (FinFIRST) zapewnia nowy standard oceny niezawodności sztucznej inteligencji w analizie finansowej, wykraczający poza proste wskaźniki dokładności w celu oceny spójności danych i łańcuchów dowodów.
Sektor finansowy wymaga dużej precyzji i możliwości kontroli, czyli obszarów, w których często borykają się LLM ogólnego przeznaczenia. Integrując automatyzację arkuszy kalkulacyjnych i wyszukiwanie identyfikowalnych informacji, Ling-3.0-flash-Fin jest ukierunkowany na specyficzne problemy badań inwestycyjnych, gdzie błędy w obliczeniach lub przypisaniu źródła mogą mieć poważne konsekwencje.
Architektura MoE jest istotna dla przyjęcia w przedsiębiorstwach, ponieważ pozwala na wdrażanie modeli o dużej pojemności przy niższym nakładzie obliczeniowym. Dzięki temu firmy mogą łatwiej uruchamiać te modele lokalnie lub w środowiskach chmury prywatnej, rozwiązując problemy związane z prywatnością danych powszechne w finansach.
Wydanie FinFIRST stanowi znaczący postęp w ocenie sztucznej inteligencji. Koncentrując się na procesie badawczym, a nie tylko na wynikach, zapewnia ramy do oceny niezawodności agentów AI w złożonych, wieloetapowych zadaniach finansowych. Może to mieć wpływ na sposób, w jaki inne organizacje oceniają narzędzia AI pod kątem kluczowych funkcji biznesowych.
Otwarty charakter modelu i punktu odniesienia zachęca do przejrzystości i wkładu społeczności. Umożliwia niezależnym badaczom i praktykom weryfikację możliwości modelu i potencjalne ulepszenie benchmarku, wspierając solidniejszy ekosystem finansowej sztucznej inteligencji.
Mechanizm interaktywny: jak to faktycznie działa
Poznaj interaktywnie technologię leżącą u podstaw tego rozwoju.
Which component of an AI application is the machine-learning model itself?
Co obejrzeć dalej
Monitoruj wdrażanie rozwiązań prywatnych przez banki inwestycyjne i podmioty zarządzające aktywami. Obserwuj niezależną weryfikację wydajności modelu w teście porównawczym FinFIRST, ponieważ bieżące wyniki są raportowane samodzielnie przez Ant Group. Obserwuj, czy inne instytucje finansowe opracowują podobne wyspecjalizowane modele otwartej wagi lub czy stanie się to standardem w ocenie finansowej sztucznej inteligencji.
Obecnie brakuje niezależnej weryfikacji wyników modelu w FinFIRST i innych finansowych benchmarkach, ponieważ zgłaszane wyniki pochodzą ze źródła, powołującego się na twierdzenia Ant Group. Ocena stron trzecich będzie kluczowa dla potwierdzenia praktycznej użyteczności modelu.
Przyjęcie przez główne instytucje finansowe wskaże wpływ modelu na świat rzeczywisty. Obserwuj studia przypadków lub ogłoszenia banków, zarządzających aktywami lub firm fintech wdrażających Ling-3.0-flash-Fin w środowiskach produkcyjnych.
Warto monitorować ewolucję benchmarku FinFIRST. Jeśli zyska popularność jako standard oceny finansowej sztucznej inteligencji, może wpłynąć na rozwój przyszłych modeli i wyznaczyć nowe oczekiwania dotyczące niezawodności sztucznej inteligencji w sektorze.
Na potencjalne standardy regulacyjne lub branżowe dotyczące wykorzystania sztucznej inteligencji w finansach może wpływać dostępność takich wyspecjalizowanych, możliwych do prześledzenia modeli. Konstrukcja modelu odpowiada rosnącym wymaganiom w zakresie wyjaśnialności i możliwości kontroli decyzji finansowych opartych na sztucznej inteligencji.