DISC-FinLLM：解决中国金融领域挑战的多专家微调语言模型

自然语言处理（NLP）领域的最大进展是引入了大型语言模型(LLM)。这些基于NLP的模型处理大型复杂数据集，因此在金融行业面临着独特的挑战。传统金融NLP模型的领域，如金融文本摘要、股价预测、财务报告生成、新闻情绪分析和金融事件提取等都取得了进展。

但随着金融数据量和复杂性不断上升，LLMs面临一系列挑战，包括缺乏人工标记数据、缺乏特定金融领域的专业知识、多任务处理的困难、数值计算的约束以及无法处理实时信息等。

项目地址:https://github.com/fudandisc/disc-finllm

然而，在中国金融市场等行业中，LLMs缺乏对金融行业的深入理解，这使得开发适用于各种用户类型和情境设置的开源中国金融LLMs非常重要。为了解决这一问题，一组研究人员引入了DISC-FinLLM，这是一种创建中国金融LLMs的全面方法。

这种方法的主要目的是为LLMs提供技能，使它们能够生成和理解金融文本，就金融问题进行多轮对话，并通过插件功能协助金融建模和知识增强系统。该团队还开发了一个监督指导数据集，称为DISC-FIN-SFT。

DISC-FinLLM的主要目标是通过多专家微调框架提供技能，使其能够生成和理解金融文本，进行多轮对话，并通过插件功能协助金融建模和知识增强系统。为了构建DISC-FinLLM，研究团队开发了监督指导数据集DISC-FIN-SFT，其中包含金融咨询、任务执行、金融计算和信息检索等方面的指导。

DISC-FinLLM相对于基础模型在各种金融任务中更具性能优势，通过多专家微调框架，DISC-FinLLM能够适应金融多轮对话、NLP任务、金融计算和信息检索等多个场景，为学生、开发者和金融专业人士等不同用户群体提供多样化服务。

研究团队对DISC-FinLLM进行的多次评估，并强调了该模型在各种金融场景和任务中的出色表现。总体而言，DISC-FinLLM代表了对中国金融领域需求的创新回应，为LLMs在特定领域应用提供了一种全面而有效的方法。