BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Trang chủ
AI AI
Tin nhanh
Bài viết
Sự kiện
BlockBeats Pro
Thêm
Thông tin tài chính
Chuyên đề
Hệ sinh thái chuỗi khối
Mục nhập
Podcast
Data
OPRR
Partnered With:

Bridgewater tinh chỉnh mô hình nhỏ đánh bại các gã khổng lồ tiên tiến: Độ chính xác lọc tài chính vượt trội, chi phí suy luận chỉ bằng 1/14.

Theo giám sát của Động Sát Beating, Phòng thí nghiệm Ứng dụng Trí tuệ Nhân tạo của Bridgewater Associates (Bridgewater AIA Labs) đã hợp tác với Thinking Machines, thành công áp dụng mô hình tinh chỉnh vào việc sàng lọc thông tin tài chính, đạt được độ chính xác vượt trội so với các mô hình lớn tiên tiến (GPT 5.5 và Claude Opus 4.8). Trong sáu nhiệm vụ đầu tư hàng ngày như đánh giá mức độ liên quan của bài báo tài chính và phân tích tài liệu ngân hàng trung ương, mô hình tinh chỉnh này đã giảm tỷ lệ lỗi gần 30%, trong khi chi phí suy luận chỉ bằng khoảng 1/14 so với các mô hình lớn tiên tiến (giảm 13,8 lần). Nghiên cứu này cho thấy tiềm năng của doanh nghiệp trong việc đạt được "trí tuệ khác biệt hóa" thông qua tinh chỉnh theo lĩnh vực cụ thể.

Nhóm nghiên cứu đã tinh chỉnh mô hình nền tảng Qwen3-235B trên nền tảng Tinker. Do các nhãn thu được trực tiếp từ người gắn nhãn không chuyên có nhiều lỗi, nhóm đã thiết kế cơ chế xác minh và sửa lỗi, gửi các mẫu khó có sự không khớp giữa dự đoán của mô hình và nhãn cho các chuyên gia đầu tư xem xét lại. Cuối cùng, độ chính xác của mô hình được huấn luyện đã tăng từ 44,8% của mô hình cơ sở lên 84,66%, vượt qua 78,2% của GPT 5.5 và 78,0% của Claude Opus 4.8. Trong khi cải thiện đáng kể độ chính xác, chi phí suy luận cũng giảm mạnh 13,8 lần.

Phương án tinh chỉnh bao gồm ba cải tiến cốt lõi: Thứ nhất, xử lý theo lô xen kẽ, huấn luyện luân phiên các nhiệm vụ khác nhau theo thứ tự, tránh nhiễu do huấn luyện hỗn hợp; Thứ hai, đưa vào hàm mất mát cắt không đối xứng để tối ưu hóa lấy mẫu; Thứ ba, sử dụng chưng cất chính sách trực tuyến, áp dụng hình phạt khi mô hình lệch khỏi phân phối của giáo viên, và cập nhật động mô hình giáo viên mỗi 20 bước khi hiệu suất trên tập xác thực đạt mức cao mới.

Báo lỗi/Báo cáo
Gửi
Thêm mới thư viện
Chỉ mình tôi có thể nhìn thấy
Công khai
Lưu
Chọn thư viện
Thêm mới thư viện
Hủy
Hoàn thành