财跃星辰与上海财经联手打造的金融推理大模型Fin-R1

上海财经大学人工智能金融实验室（SUFE-AIFLM-Lab）与财跃星辰联合推出金融推理大模型Fin-R1，该模型基于Qwen2.5-7B-Instruct架构，拥有70亿参数，在权威评测中排名第二，仅次于DeepSeek-R1。Fin-R1具备强大的金融推理与决策能力，支持中英文，可应用于金融合规检查、机器人投顾、量化交易、ESG分析等多个场景，并能辅助企业进行风险管理和投资决策。其轻量化设计降低了部署成本，高效且可靠，有望成为金融领域AI应用的重要驱动力。

Fin-R1：上海财经大学与财跃星辰合作推出的金融领域大型语言模型

Fin-R1是上海财经大学人工智能金融实验室（SUFE-AIFLM-Lab）与财跃星辰联合研发的首个金融领域R1类推理大模型。它基于Qwen2.5-7B-Instruct架构，拥有70亿参数，并经过两阶段训练：监督微调（SFT）和强化学习（RL），显著提升了其在复杂金融推理场景下的能力。在权威评测中，Fin-R1的平均得分达到75.2分，仅次于行业标杆DeepSeek-R1，排名第二。其训练数据包含约6万条高质量思维链（COT）数据，这些数据经过严格筛选，确保了模型的准确性和可靠性。

核心功能:

Fin-R1具备强大的金融推理与决策能力，能够处理诸如金融数据数值推理、金融新闻情感分析、因果关系提取等复杂任务，为金融决策提供可靠依据。 此外，它还可应用于：

• 自动化金融流程: 例如金融合规检查和机器人投顾。
• 多语言支持: 支持中英文金融领域推理。
• 高效资源利用: 轻量化设计，降低部署成本。
• 代码生成: 支持金融模型和算法的代码生成。
• 金融计算与定量分析: 处理复杂的金融问题。
• 金融安全合规与智能风控: 辅助企业合规运营和风险管理。
• ESG分析: 评估企业的可持续发展能力。

技术架构与训练:

Fin-R1采用Qwen2.5-7B-Instruct架构，其70亿参数的轻量化设计兼顾性能和效率。 训练过程分为两阶段：

1. 监督微调 (SFT): 使用ConvFinQA和FinQA数据集对基础模型进行微调，提升其金融推理能力。
2. 强化学习 (RL): 使用GRPO算法，结合格式奖励和准确度奖励，并引入基于Qwen2.5-Max的模型验证器，进一步优化模型性能和稳定性。

资源与应用:

• 项目地址:
  • HuggingFace模型库: http://huggingface.co/SUFE-AIFLM-Lab/Fin-R1
  • arXiv技术论文: http://arxiv.org/pdf/2503.16252

Fin-R1的应用场景广泛，包括：

• 智能风控: 提供更精准的动态信用评分和异常交易监测。
• 投资决策辅助: 辅助资产配置和投资决策。
• 量化交易: 辅助量化交易代码编写和策略开发。
• ESG分析: 生成符合GRI标准的ESG报告。
• 市场趋势预测: 例如保险行业保单收益评估和市场趋势预测。

Fin-R1凭借其强大的性能和广泛的应用前景，有望成为金融领域人工智能应用的重要驱动力。

理论要掌握，实操不能落！以上关于《财跃星辰与上海财经联手打造的金融推理大模型Fin-R1》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！