近日，来自不列颠哥伦比亚大学和Invertible AI的研究人员推出了一款具有突破性的大型语言模型（LLM）——FinTral，专为金融领域量身定制。FinTral采用了多模态方法，能够处理文本、数字、表格和视觉数据，以应对金融文件的复杂性。该模型引入了FinSet，一个全面评估金融LLM的基准。实验证明，FinTral在多项任务中表现出色，包括具有增强视觉和工具检索功能的版本，在众多任务中超越了GPT-4等已建立的模型。
FinTral以Mistral-7b模型为基础，经过领域特定的预训练，利用包含来自C4、新闻和财务文件等多元来源的FinSet数据集，共计20亿标记，以提高对金融查询的理解和响应能力。为了进一步增强性能，FinTral通过指导调整和人工智能反馈结合人类和AI反馈，优化了模型。FinTral通过CLIP编码器进行视觉数据处理，并通过工具处理数值任务，从而有效增强了其功能。该模型通过直接策略优化和检索增强生成进一步提升了在金融分析领域的准确性和深度。
实验结果显示，FinTral在各种金融任务中表现出色，FinTral-INST模型通过对预训练模型进行微调，在平均得分达到0.49的情况下，超越了所有其他模型。经过带有AI反馈的强化学习的模型也取得了显著进展，FinTral-DPO在平均得分达到0.59的情况下，表现卓越，仅略低于GPT-4的平均得分0.69。然而，实验结果也指出了一些需要改进的方面，包括实时数据处理、维护和更新、标注数据的稀缺等。
FinTral是一款先进的金融语言模型，利用大量数据集和多样的训练方法分析复杂的金融数据。通过以清洁的金融数据进行预训练并采用检索方法，降低了模型的虚构风险，提高了准确性和可靠性。其对金融市场的实时适应性和动态数据检索能力可以显著提高预测准确性和决策制定。研究人员承认了研究中存在的限制和风险因素，并对未来发展充满乐观。
论文网址:https://arxiv.org/abs/2402.10986
预训练准确性数据处理研究人员gpt-4数据集llm金融数据语言模型gptarxiv数据检索可靠性检索增强多任务检索增强生成人工智能实时数据clip处理文本
