量子位
·
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
💡
原文中文，约4100字，阅读约需10分钟。
📝
内容提要
蚂蚁数科推出的金融推理大模型Agentar-Fin-R1在金融领域表现出色，具备高可信度和可解释性，刷新多项SOTA成绩，并在Finova评测基准中展现实际应用优势。
🎯
关键要点
- 蚂蚁数科推出金融推理大模型Agentar-Fin-R1，表现出色，刷新多项SOTA成绩。
- Agentar-Fin-R1有两个参数版本：8B和32B，专注于解决金融行业应用中的实际问题。
- 金融领域对AI模型的要求更高，需具备快速学习、可信度和可解释性。
- Agentar-Fin-R1在多个金融评测基准上达到业界最优水平，超越开源金融大模型。
- 模型采用更专业的金融数据标签体系，确保训练数据的高质量。
- 通过加权训练算法提升数据利用效率，缩短模型迭代周期。
- 新评测基准Finova旨在更准确地评估模型在真实金融场景中的有效性。
- Agentar-Fin-R1在Finova评测中表现优异，得分显著高于其他模型。
- 蚂蚁数科在金融领域的深厚积累和行业理解为模型的成功提供了基础。
- Agentar已成为蚂蚁集团在金融领域AI实践的经验输出窗口，推动金融智能化转型。
❓
延伸问答
Agentar-Fin-R1模型的主要特点是什么？
Agentar-Fin-R1模型具备高可信度和可解释性，专注于金融行业应用，刷新多项SOTA成绩。
Agentar-Fin-R1与其他金融大模型相比有什么优势？
Agentar-Fin-R1在多个金融评测基准上表现优异，超越开源金融大模型，具备更专业的金融数据标签体系和高效的加权训练算法。
Finova评测基准的目的是什么？
Finova评测基准旨在更准确地评估模型在真实金融场景中的有效性，考察智能体执行任务能力、复杂推理能力和安全合规能力。
Agentar-Fin-R1模型的训练方法有哪些创新？
模型采用加权训练算法和两阶段训练策略，提升数据利用效率和训练效率，快速响应金融市场变化。
蚂蚁数科在金融领域的经验如何支持Agentar-Fin-R1的成功？
蚂蚁数科在金融领域的深厚积累和行业理解为Agentar-Fin-R1的成功提供了基础，确保模型能有效应对行业挑战。
Agentar-Fin-R1模型的参数版本有哪些？
Agentar-Fin-R1模型有两个参数版本：8B和32B。
➡️
