LLM

云图NFT持续分享全球最新优质Al内容，每天更新，欢迎收藏

标签

LLM-共 0 个作品今日上传 0个作品

升级会员发布作品

DeepSeek

深度求索（DeepSeek），专注于研究世界领先的通用人工智能底层模型与技术，仅用半年时间便已发布并开源多个百亿级参数大模型并提供了 DeepSeek AI 对话，轻松接入 API。,https://www.deepseek.com/
AI接口API
- 62
- 0
admin10月11日
彭博社-BloombergGPT金融大模型

BloombergGPT是什么？根据彭博社最新发布的报告显示，其构建迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型——BloombergGPT。报告显示，该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务。该模型在金融任务上的表现远超过现有模型，且在通用场景上的表现与现有模型也能一较高下。一般来说，…
AI模型
- 32
- 0
admin10月5日
BloombergGPT是什么？根据彭博社最新发布的报告显示，其构建迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型——BloombergGPT。报告显示，该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务。该模型在金融任务上的表现远超过现有模型，且在通用场景上的表现与现有模型也能一较高下。一般来说，在NLP领域，参数数量和复杂程度之间具有正相关性，GPT-3.5模型的参数量为2000亿，GPT-3的参数量为1750亿。这篇论文介绍了一种针对金融领域的大型语言模型BloombergGPT，并且探讨了其在金融业务应用中的潜在用途。BloombergGPT基于GPT-2和BERT模型，使用大量金融文本数据进行预训练。 BloombergGPT适合场景作者认为，BloombergGPT可以应用于以下场景：金融预测：BloombergGPT可以用于预测金融市场的趋势，例如股票价格、汇率等。金融风险控制：BloombergGPT可以用于分析潜在的金融风险，并提供实时的警告和建议。自然语言处理：BloombergGPT可以使用金融数据进行增强，从而提高自然语言处理的效果和准确率。为了证明BloombergGPT在金融领域的有效性，作者进行了一系列实验。结果表明，BloombergGPT在生成下文、问答任务、文本分类等任务中，都表现出优异的性能。总之，BloombergGPT是一种具有广泛潜在应用的大型语言模型，可以为金融界提供更加准确的预测、风险控制和自然语言处理服务。标题：BloombergGPT: A Large Language Model for Finance 作者：Shijie Wu, Ozan Irsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, Gideon Mann BloombergGPT优势特定领域模型仍有其不可替代性且彭博数据来源可靠在论文中，彭博社指出，现阶段，通用的自然语言处理模型可以涵盖许多领域，但针对特定领域模型仍有其不可替代性，因彭博社的大多数应用均为金融领域，着手构建了一个针对金融领域的模型尤其优势，同时可以在通用LLM基准测试上保持竞争力：除了构建金融领域的LLM外，本文的经验也为其他研究领域的专用模型提供了参考。我们的方法是在特定领域和一般数据源上训练LLM，以开发在特定领域和通用基准上表现优异的模型。此外，我们的训练数据不同于传统的网络爬取数据，网络上的数据总有重复和错误，但我们的数据来源可靠。 BloombergGPT训练数据集 BloombergGPT的训练数据库名为FINPILE，由一系列英文金融信息组成，包括新闻、文件、新闻稿、网络爬取的金融文件以及提取到的社交媒体消息。为了提高数据质量，FINPILE数据集也使用了公共数据集，例如The Pile、C4和Wikipedia。FINPILE的训练数据集中大约一半是特定领域的文本，一半是通用文本。为了提高数据质量，每个数据集都进行了去重处理。对金融领域的理解更准报告指出，在金融领域中的自然语言处理在通用模型中也很常见，但是，针对金融领域，这些任务执行时将面临挑战：以情感分析为例，一个题为“某公司将裁员1万人”，在一般意义上表达了负面情感，但在金融情感方面，它有时可能被认为是积极的，因为它可能导致公司的股价或投资者信心增加。报告指出，从测试来看，BloombergGPT在五项任务中的四项（ConvFinQA，FiQA SA，FPB和Headline）表现最佳，在NER（Named Entity Recognition）中排名第二。因此，BloombergGPT有其优势性。测试一：ConvFinQA数据集是一个针对金融领域的问答数据集，包括从新闻文章中提取出的问题和答案，旨在测试模型对金融领域相关问题的理解和推理能力。测试二：FiQA SA，第二个情感分析任务，测试英语金融新闻和社交媒体标题中的情感走向。测试三：标题，数据集包括关于黄金商品领域的英文新闻标题，标注了不同的子集。任务是判断新闻标题是否包含特定信息，例如价格上涨或价格下跌等。测试四： FPB，金融短语库数据集包括来自金融新闻的句子情绪分类任务。测试五：NER，命名实体识别任务，针对从提交给SEC的金融协议中收集金融数据，进行信用风险评估。对于ConvFinQA来说，这个差距尤为显著，因为它需要使用对话式输入来对表格进行推理并生成答案，具有一定挑战性。相关链接 https://wallstreetcn.com/articles/3685406#from=ios?ivk=1

彭博社-BloombergGPT金融大模型
AI视频
- 21
- 0
admin7月2日

❯

搜索

幸运之星正在降临...

点击领取今天的签到奖励！

恭喜！您今天获得了{{mission.data.mission.credit}}积分

今日签到

连续签到

{{item.credit}}

连续{{item.count}}天

查看所有

我的优惠劵

_￥_优惠劵

使用时效：无法使用

使用时效：
之前

使用时效：永久有效

优惠劵ID：
×

限制以下商品使用：限制以下商品分类使用：不限制使用：

[{{ct.name}}]

所有商品和商品类型均可使用

没有优惠劵可用!

购物车

×

删除

购物车空空如也!

清空购物车前往结算

您有新的私信

没有新私信

写新私信查看全部