|
偏向于技术分析：在回答个股的问题时两个模型均注重于估值、技术、资金流向对基本面内容的回答较少。 回答准确率偏低：针对用户的提问偶尔出现答非所问的情况联系上下文的能力不强。
有些问题的逻辑框架不顺畅。 总体来说目前问财已经进入商业化收费阶段虽然在投顾方面有了一定的帮助但是吸引用户去购买更深层次服务的吸引力不够还需更加努力。特别是在竞争对手也逐步进入商业化阶段的背景下要积极重视提高模型准确率、内容丰富度和用户体验等方面。
金融模型落地挑战 模型的幻觉问题。由于数据质量问题、训练方式问题、缺乏外部知识校验等原因可能导致大模型易生成与事实不符的内容在金融这样对精度要求较高的领域这种错误可能带来严重后果。
成本问题。金融大模型需要进行大量数据的训练和长时 印度尼西亚号码数据 间的实验因此开发大模型需要长期战略发展规划需要投入高性能设备、庞大的算力资源（、）、电力资源、长期的无回报资金以及专业的技术人员支持等这使得该技术在开发阶段就存在很高的准入门槛。
安全合规要求高数据泄漏、数据隐私问题。金融理规范、技术标准但在大模型时代他们在模型训练、推理中到底起到了什么作用哪些数据要进行脱敏化处理需要结合大模型的应用场景和用户需求形成行业最佳实践。
如何在保证安全的同时利用数据训练模型是行业要面对的挑战数据泄露的风险比行业深度信息缺失还要严重。 相关资源来源 《年中国金融大模型产业发展洞察报告》——艾瑞咨询 《中国金融科技企业首席洞察报告》——毕马威 智研瞻产业研究院报告 作者：v公众号：商业知行侠 本文由 v 原创发布于人人都是产品经理。
未经作者许可禁止转载 题图来自基于协议 该文观点仅代表作者本人人人都是产品经理平台仅提供信息存储空间服务互動設計的必修課程－篩選功能設計這篇文章全面拆解了篩選功能設計的互動細節透過篩選容器、篩選項目兩方面透徹解析了篩選功能互動設計的精髓推薦對互動設計感興趣的童鞋閱讀。
| 
發表於 2025-3-6 17:29:15