2024国内外通用大模型在金融领域应用表现及金融垂类模型发展进程分析报告（19页）.pdf

1、2 0 2 3 年深度行业分析研究报告目录3.国内外金融垂类模型发展进程2.国内外通用大模型在金融领域应用表现1.通用+金融VS金融垂类哪方更强通用+金融VS金融垂类哪方更强1.1.通用+金融VS金融垂类：优劣势对比数据来源：东吴证券研究所整理当前AI与金融的结合主要有两条技术路径：通用模型+金融语料训练金融大模型，金融垂类大模型。由于设计和训练目的不同，通用语言大模型与金融垂类模型在优劣上具有相对性。通用语言大模型在泛用性、灵活性、数据利用率、迁移性上相比金融垂类更有优势，而在专业性、针对性、高精度和合规性上，金融垂类模型更胜一筹；在复杂度问题上，通用语言大模型在结构上更加复杂，影响模型效率

2、，而金融垂类模型则是在更新维护上具有复杂性。5图表：通用与金融垂类大模型优劣对比泛用性强由于在多样化的数据集上进行了训练，通用模型能够处理各种话题和领域的问题领域专业性在金融领域具有专业的理解能力，更精熟于金融术语和概念灵活性和利用率高大量数据训练提高了模型的准确率，并可以应用于多种任务中针对性的解决方案更适合解决金融行业的具体问题，与行业需求和合规性要求相匹配可迁移性强在数据量较少的特定任务上，通用模型也可以通过微调进行有效的迁移学习，大大减少模型的训练时间和计算资源高精度和合规性提供更精确、可信赖的金融信息和建议，同时符合行业规定特定领域深度较浅可能不具备特定领域（如金融）的深入理解和专业

3、知识适应性限制由于主要针对金融领域，因此在其他领域的适用性可能有限模型复杂通用大模型的结构非常复杂，使得模型的解释性变得困难，导致模型的计算量增加，影响模型的效率更新和维护复杂度金融政策和法规的变化可能要求模型频繁更新以保持准确性和合规性训练时间长通用大模型的训练需要大量的计算资源和时间，这对于一些小型企业来说是一个挑战数据利用率低垂直领域模型的训练数据相对较少，模型的准确率可能会受影响通用语言大模型金融垂类大模型优势劣势1.2.通用+金融VS金融垂类：通用金融训练超越金融垂类可能较小数据来源：度小满，东吴证券研究所“通用模型难以胜任金融领域任务，金融大模型是大模型落地金融行业的必由之路。”度

4、小满CEO 许东亮使用金融数据对通用大模型进行训练，数据欠缺，成本过高。金融领域的语料应该充分覆盖各种金融产品、市场情况和业务流程等。但金融领域的数据分散在各个金融机构，通用大模型缺少金融数据进行训练，金融专业知识不足；另外一方面，如果从底层开始训练大模型，所需要投入的算力成本非常高，比如千亿级别的通用大模型，训练一次需要付出几千万的成本在特定任务上，精确性与适用性欠缺，需要更多优化与定制。金融垂类大模型通常会投入大量的时间和资源来收集和整理金融领域的专业知识。这些专业知识包括金融术语、金融工具和金融法规等。通用语言模型虽然可以通过金融语料的训练来提高在这方面的理解能力，但是否能达到金融垂类大

5、模型的专业性仍有待验证。金融领域要求实时性和高效的推理速度。金融领域的决策和分析通常要求实时的响应和快速的推理速度。金融垂类大模型可能会针对这一需求进行了优化，以提供更快的响应时间。通用语言大模型在处理金融领域的实时应用时可能需要进一步的优化。金融领域对合规性和风险控制要求极高。金融领域对于数据保护、隐私和风险控制具有严格的要求，专门训练的金融垂类大模型可能会更好地满足这些合规性需求。6国内外通用大模型在金融领域应用表现2.1.国内外通用AI大模型发展历程：国外领先，国内紧追数据来源：中文语言理解测评基准CLUE、东吴证券研究所国内外头部模型差距依然明显GPT4-Turbo总分89.79分遥遥

6、领先2023年6月国内AI大模型迎来爆发式增长，技术和应用不断发展，但与国外顶尖AI大模型尚有差距。自2022年OpenAI发布ChatGPT以来，国内迅速形成大模型共识，开始追赶国外。目前各行各业开闭源大模型不断出新，竞争形势越发激烈。综合表现上，头部模型国外领先，平均水平国内外差距较小。在所有模型中，GPT4-Turbo遥遥领先，国内最好的大模型为百度文心一言，但仍有15.77分的差距。国内方面，虽仍有差距，但在过去一年内发展迅速，平均水平上与国外差距并不明显。此外，国内开源大模型在中文上的表现要优于国外开源大模型。图表：AI大模型2023年关键进展8图表：国内外大模型综合表现（2023年