据動察 Beating 監測,橋水基金旗下人工智能應用實驗室(Bridgewater AIA Labs)與 Thinking Machines 合作,成功將微調模型應用於金融資訊篩選,實現了超越前沿大模型(GPT 5.5 和 Claude Opus 4.8)的準確率。在金融文章相關性、央行文件分析等六項日常投資任務中,這款微調模型將錯誤率降低了近三成,而推理成本僅為前沿大模型的十四分之一左右(實現了 13.8 倍的降幅)。這一研究展示了企業通過特定領域微調實現「差異化智能」的潛力。
研究團隊在 Tinker 平臺微調 Qwen3-235B 基礎模型。由於直接從非專業標註員獲取的標籤存在大量錯誤,團隊設計了驗證糾錯機制,將模型預測與標籤不一致的困難樣本交由投資專家重審。最終,訓練出的模型準確率從基線模型的 44.8% 提升至 84.66%,超過了 GPT 5.5 的 78.2% 和 Claude Opus 4.8 的 78.0%。在顯著提升準確率的同時,推理成本也實現了 13.8 倍的斷崖式下跌。
微調方案包含三項核心改進:一是交錯批處理,按順序交替訓練不同任務,避免混合訓練帶來的干擾;二是引入非對稱裁剪的損失函數優化採樣;三是使用在線策略蒸餾,在模型偏離教師分佈時進行懲罰,且每 20 步在驗證集表現創新高時動態更新教師模型。