度小满金融大模型技术创新与应用探索

从通用大模型到金融大模型

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。

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。

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。