度小满“轩辕70B”金融大模型开源！登顶两大权威测评榜单，所有用户均可下载

允中 发自 凹非寺
量子位 | 公众号 QbitAI

最新开源的金融行业大模型，来了！

度小满近日推出全新的金融行业大模型——“轩辕70B”，标志着金融大模型发展迈向了全新的高度。

“轩辕70B”拥有强大的通用能力，在各项开源模型评测中位居前列：

在中文任务评测C-Eval和CMMLU榜单中名列开源首位。

此外，“轩辕70B”的强项在于其专业的金融能力，受益于海量金融专业语料库的训练，无论是注册会计师考试（CPA）、银行/证券/保险/基金/期货从业资格、理财规划师、经济师等金融领域十大类权威考试，都能提供专业的支持和解答。

总结来看，“轩辕70B”拥有以下特点：

• 首个拥有70B参数量级，并且上下文长度能达到8k以上的开源大模型。

• 在预训练阶段融入了大量的专业金融语料，以实现在维持中英文通用能力的同时，显著提升金融专业性能。

• 模型训练采取了一系列的加速优化策略。在100台8卡A800(80G)的GPU集群中，“轩辕70B”在8192的上下文长度下能够达到340tokens/s/gpu的速度，TFLOPS达190，训练效率达到领先水平。

值得一提的是，这款模型目前已在开源社区进行了全面开放，包括模型权重和训练语料，为整个金融行业提供了一个全新的、更高效的中文基座模型，后续用户也可以根据自己的需求进行自定义的指令微调。

评测表现

下面我们来看一下“轩辕70B”的表现。

（一）卓越的通用能力，多个测评榜单领先

• C-Eval 是一个全面的中文基础模型评估基准。它包含了13948个多项选择题，涵盖了52个不同的学科和四个难度级别

• CMMLU 是一个综合性的中文评估基准，专门用于评估语言模型在中文语境下的知识和推理能力。CMMLU涵盖了从基础学科到高级专业水平的67个主题。

度小满数据智能应用部总经理、技术委员会执行主席杨青表示：

度小满将继续忠实于开源的理念，致力于为金融机构和研究团队提供高性能、易用的金融大模型。我们仍将不断优化轩辕70B的效果，并逐步推出‘轩辕70B-Chat’模型和‘轩辕70B-16k’的版本，以满足不同金融场景的需求。

人工进行主观测试，“轩辕70B”在各类问题都有良好的表现。

a. 数学计算：

b. 代码

c. 安全性：

（二）领先的金融实力

度小满专注于解决大模型在金融领域应用的核心难题。传统的通用大模型在金融场景中的局限性主要体现在对专业术语、业务逻辑和公式计算等的缺乏深入理解，从而使其在多数金融问题上表现不佳。这一挑战进一步凸显了构建针对金融行业的专用大模型的迫切性。

在金融应用场景中，模型的效用往往取决于其对于金融专业知识的深度掌握。金融行业涉及多个子领域，包括但不限于理财、信贷、保险、和投资。

为了全方位评估模型在这一特定环境中的性能，“轩辕70B”特地制定了一套中文金融领域知识评估数据集。

这一数据集涵盖了10个金融大类以及36个金融小类，包括7173个单项选择题，全面覆盖了从注册会计师（CPA）考试到银行、证券、保险、基金、期货从业资格，再到理财规划师、经济师等多个权威金融认证。

结果显示，“轩辕70B”在金融专业知识方面表现卓越，全面超越了各大开闭源模型，这一结果不仅验证了模型在金融各子领域的深度理解和应用能力，也标志着它能为金融行业提供一体化、系统性的专业支持。该评测数据集也已经对外开放，以供社区自行评测。

为更生动地展示“轩辕70B”的金融实力，以下举例几个应用实例：

a.金融知识类

该模型在回答金融知识类问题，如“金融监管治理的四大要素”时，不仅答案准确，还深入解析了每个要素的具体含义和重要性。

b.金融计算类

金融行业有大量的计算场景。在处理金融计算类问题时，该模型不仅提供了准确答案，还一步步展示了其逻辑推理过程，证明了其在复杂金融推理任务中的强大能力。

“轩辕70B”不仅开源了模型本身，还额外提供了一个60GB的高质量金融专用语料库，并已对外开放下载。

Github链接：https://github.com/Duxiaoman-DI/XuanYuan

*本文系量子位获授权刊载，观点仅为作者所有。

— 完 —

量子位 QbitAI

վ’ᴗ’ ի 追踪AI技术和产品新动态

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~