Fin-R1
קוד פתוחSUFE-AIFLM-Labרישיון לא דווח2025-03-17
התאמה ייעודית של מודל קטן למשימות חישוב והסקה פיננסית, שנועדה לתת תשובות עמוקות בלי להחזיק שרתים יקרים. הבחירה בו הגיונית כשצריכים ניתוח דוחות וטבלאות ברמת דיוק גבוהה.
- 7.6Bפרמטרים
- 32,768טוקנים בהקשר
- 14.3 GBמשקל הקבצים
- 1,970הורדות בחודש
מה זה
הבסיס כאן הוא מודל שבעה מיליארד פרמטרים ממשפחת Qwen2.5, שעבר זיקוק מול DeepSeek-R1 הגדול ותהליך אימון בשני שלבים, כוונון עדין ולאחריו למידת חיזוק. המטרה היתה להחדיר לו שרשראות חשיבה ספציפיות לעולם הפיננסי, החל מקוד ייעודי ועד רגולציה וחישובים מורכבים.
במבחני ביצועים פיננסיים הוא הגיע לממוצע של 75.2 נקודות, תוצאה שמציבה אותו קרוב מאוד למודל המקור הענק של 671 מיליארד פרמטרים. ביתרון בולט הוא עקף מודלים פתוחים של 32 ו־70 מיליארד פרמטרים במבחנים של חישובים מספריים מתוך טבלאות ושאילתות מרובות שלבים.
מתאים ל
- ניתוח טבלאות מורכבות
הוא השיג ציון 76 במבחן FinQA ועוקף מודלים גדולים ממנו בחילוץ נתונים וחישוב מתוך דוחות כספיים.
- תשאול פיננסי בכמה שלבים
התוצאה הגבוהה במבחן ConvFinQA מראה שהוא עוקב בהצלחה אחרי שיחה מתמשכת שדורשת היגיון חשבונאי.
- יצירת קוד לתחשיבי שוק
הוא אומן על קוד פיננסי לחישובי תמחור נגזרים, ניהול סיכונים ואופטימיזציה של תיקי השקעות.
איפה זה נופל
היוצרים מדגישים בפירוש שהתשובות אינן תחליף לשיקול דעת של אנליסט מקצועי ושקיימות מגבלות טכניות. למרות התוצאות היפות בחישובים, במבחנים של ידע רחב יותר כמו Ant_Finance ו־TFNS הוא עדיין מפגר מאחורי מודלים כלליים גדולים. בנוסף, חומרי ההדרכה התמקדו בסינית ובאנגלית, כך שאין שום תיעוד ליכולת עיבוד דוחות או שאלות בעברית.
שאלות
נפוצות
האם הוא מתאים לניתוח מסמכים בעברית?
החומרים ששימשו לאימון ולזיקוק נאספו באנגלית ובסינית בלבד. הוא עשוי להבין מילים בודדות בזכות מודל הבסיס, אך לא מומלץ להסתמך עליו בהבנת מונחים פיננסיים מקומיים או דיווחים בעברית.
האם אפשר להריץ אותו על מחשב נייד רגיל?
לא. מדובר בקבצים במשקל כולל של מעל 14 גיגה בייט הדורשים מעבד גרפי חזק עם שפע זיכרון ייעודי. פקודת ההרצה הרשמית אף משתמשת בשני כרטיסי מסך במקביל כדי לעבוד בצורה חלקה.
איך מריצים
כדי להריץ אותו מקומית צריך לפרוק משקל קבצים של 14.3 גיגה בייט בדיוק bfloat16. מפתחי המודל מדגימים הרצה בעזרת vllm ומגדירים שם חלוקה לשני כרטיסי מסך עם הקצאה של 90 אחוז מזיכרון ה־GPU וחלון של 16,384 טוקנים, כך שכרטיס בודד עם פחות מ־24 גיגה בייט זיכרון ייחנק מהר.
אם אין לכם חומרת שרתים זמינה במשרד, הפעלת מכונה מתאימה בענן לשעות בודדות תעלה מעט, אבל כשיש צורך בניתוח רציף כדאי לשקול קריאה למודל כללי גדול דרך שירות חיצוני במקום לתחזק שרת קבוע.
pip install -U huggingface_hub hf download SUFE-AIFLM-Lab/Fin-R1
הקבצים
35 קבצים במאגר, 14.3 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.
- model-00002-of-00004.safetensors4.9 GB
- model-00001-of-00004.safetensors4.9 GB
- model-00003-of-00004.safetensors4.3 GB
- model-00004-of-00004.safetensors1.1 GB
- Images/Intelligent_Risk_Control.gif24.5 MB
- Images/Financial_Code.gif23.5 MB
- Images/ESG.gif23.2 MB
- Images/Financial_Security_and_Compliance.gif18.0 MB
- Images/Financial_Calculations.gif15.6 MB
- Technical_report.pdf12.6 MB
- Images/English_Financial_Calculations.gif12.4 MB
- tokenizer.json7.0 MB
- Images/data_construct.png3.0 MB
- vocab.json2.8 MB
- merges.txt1.7 MB
- Images/.frame_cn2.png1.3 MB
- Images/.frame2_cn.png666.3 KB
- Images/Fin-R1-pipeline_en.png666.3 KB
- Images/.frame_cn1.png332.6 KB
- Images/trainning.png299.6 KB
- Images/Data_distribution_en.png110.5 KB
- Images/.frame_cn.png90.5 KB
- Images/frame_cn.png85.4 KB
- Images/title.png55.9 KB
- model.safetensors.index.json27.8 KB
- README_en.md16.6 KB
- README.md16.2 KB
- tokenizer_config.json7.3 KB
- .gitattributes2.7 KB
- .gitattributes copy1.5 KB
- config.json788 B
- special_tokens_map.json613 B
- added_tokens.json605 B
- generation_config.json243 B
- Images/README7 B
הרישיון
בעמוד המודל לא דווח רישיון רשמי בשדות המערכת, אף שבטקסט מופיע תג של Apache 2.0. מצב כזה מייצר עמימות משפטית, ובלי הגדרה מסודרת בקבצי המקור מסוכן לשלב אותו במוצר מסחרי.