第229章 专注技术（1 / 2）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
拒绝了所有外部邀约之后，林晨把全部精力投回了技术本身。
这是一种回归。过去两个月，他的注意力被演讲、采访、行业影响力分散了不少。虽然那些事情也重要，但他最擅长的、最该做的，还是写代码、调模型、做系统。
九月中旬的一个周六上午，他坐在书房里，面前是两块显示器。左边是投资系统的管理面板，右边是T厂大模型项目的代码仓库。
他在做两件事：一是投资系统的月度复盘，二是大模型微调的新方案设计。
投资系统的复盘很快。9月份各子策略表现稳定，总资产从62万增长到67万，月度收益8%。夏普比率2.4，最大回撤-3.2%（一次小的市场波动），风控机制正常触发。系统在健康运行，不需要大的调整。
他花更多时间在大模型项目上。
项目的目标是做一个金融领域的大模型微调方案，在T厂的基座模型上叠加金融语料和任务数据，让模型在金融场景下的表现超过通用模型。
陈铭做的7B微调模型已经有了不错的效果，在金融问答任务上超过基线12%。但12%的领先优势不够大——如果通用模型迭代升级，这个优势可能会被抹平。
林晨的思路是：不跟通用模型拼参数量，而是拼领域深度。金融领域有大量专业术语、逻辑链条和合规要求，这些是通用模型做不好的。如果能在微调数据上下功夫——用更高质量的金融数据、更精准的任务标注、更贴近实战的评测指标——就有可能做出一个在金融场景下真正有用的模型。
他在笔记本上写下方案框架：
金融大模型微调方案V2：
数据：收集10万条高质量金融问答数据（研报解读、市场分析、风险提示等）
标注：人工+AI混合标注，确保专业性和准确性
微调：LoRA+QLoRA混合方案，降低算力成本
评测：自建金融场景评测集，覆盖8个子任务
目标：金融场景下超越通用模型20%以上
他给陈铭发了消息，约了周一上午的讨论会。
周一上午十点，陈铭坐在他对面，看着这份方案框架，眼睛越看越亮。
数据质量是关键，陈铭指着第一条说，我们之前用的微调数据集有10万条，但质量参差不齐。如果能把数据清洗到5万条高质量数据，效果可能比10万条杂乱数据还好。
对，这就是我的思路。林晨说，与其拼数据量，不如拼数据质量。金融领域的容错率很低，一个错误的回答可能导致用户做出错误的投资决策。所以我们的模型不仅要，更要。
那标注成本呢？陈铭问，5万条数据全部人工标注，需要多少钱？
我算过，林晨打开一个表格，按每条数据标注成本5元计算，5万条需要25万。加上质检和项目管理费用，总预算大约40万。
40万？陈铭倒吸一口气，这比我们之前的标注预算多了四倍。
之前的数据是自动标注的，质量不行。林晨说，这次我们用混合标注：先让模型做初标注，然后人工审核和修正。这样可以把成本控制在25万以内，同时保证每条数据至少经过一次人工审核。
陈铭想了一下，点了点头：这个方案可行。但有个问题——标注需要金融专业人士来做，不是随便找几个数据标注员就行。我们上哪找这么多懂金融的人？
我已经想好了，林晨说，跟金融部门合作。他们有大量的研报和分析师，我们提供技术框架，他们提供专业内容。双赢。
↑返回顶部↑