❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

---

💰 「别让AI当金融小白！7B参数模型竟懂华尔街潜规则」

大家好，我是蚝油菜花。这些金融AI的翻车现场你是否经历过——

• 👉 让AI分析财报现金流，结果把折旧算成实际支出
• 👉 跨境并购尽调时，模型突然用中文输出美股监管条例
• 👉 凌晨三点盯合规检查，AI把正常交易标记成洗钱…

今天要血洗金融圈的 Fin-R1 ，正在重写智能投顾规则！上海财大这柄「金融手术刀」：

• ✅ 推理版Bloomberg：7B轻量化模型跑出私募级计算精度
• ✅ 监管透视眼：自动生成合规报告，错误率比四大审计低2个量级
• ✅ 双语金融脑：中英文无缝切换，支持ESG/风控/量化多场景

已有投行用它处理跨境并购，基金靠AI实时监控千亿头寸——你的金融工具箱，是时候装上「中国版彭博终端」了！

🚀 快速阅读

Fin-R1是专为金融领域设计的推理大模型。

1. 核心功能：支持金融推理决策、自动化业务流程、多语言金融计算等复杂任务
2. 技术原理：基于Qwen2.5-7B架构，通过SFT+RL两阶段训练，使用60k条高质量金融COT数据

Fin-R1 是什么

Fin-R1是上海财经大学联合财跃星辰推出的首个金融领域R1类推理大模型。基于7B参数的Qwen2.5-7B-Instruct架构，通过在金融推理场景的高质量思维链数据上进行SFT和RL两阶段训练，有效提升金融复杂推理能力。

在权威评测中，Fin-R1平均得分75.2分，与行业标杆DeepSeek-R1仅差3分，位居榜单第二。数据构建融合了多个金融领域的高质量数据集，通过数据蒸馏构建了约60k条高质量COT数据集。

Fin-R1 的主要功能

• 金融推理与决策：能处理复杂的金融推理任务，如金融数据的数值推理、金融新闻情感分类、因果关系提取等，为金融决策提供准确、可解释的依据。
• 自动化金融业务流程：在金融合规检查、机器人投顾等实际应用中表现出色，可自动化执行金融业务流程，提高效率并降低人工成本。
• 多语言支持：支持中文和英文的金融领域推理，覆盖多种金融业务场景，满足不同语言环境下的金融推理需求。
• 高效资源利用：以7亿参数的轻量化结构实现高性能，显著降低了部署成本，更适合在资源受限的环境中使用。
• 金融代码生成：支持各种金融模型和算法的编程代码生成。
• 金融计算：进行复杂的金融问题的定量分析与计算。
• 英语金融计算：支持使用英语构建和撰写金融模型。
• 金融安全合规：帮助企业确保业务操作符合相关法规。
• 智能风控：利用AI技术识别和管理金融风险，提高决策效率。
• ESG分析：评估企业的可持续发展能力，促进社会责任履行。

Fin-R1 的技术原理

• 模型架构：Fin-R1基于Qwen2.5-7B-Instruct架构，采用轻量化的7B参数设计。架构在保证模型性能的同时，显著降低了部署成本，更适合在资源受限的环境中使用。
• 数据构建：Fin-R1通过构建高质量金融推理数据集Fin-R1-Data来解决金融数据碎片化的问题。数据集包含约60k条面向专业金融推理场景的高质量COT数据。数据集的构建过程包括从多个权威数据源进行领域知识蒸馏筛选，采用"答案+推理"双轮质量打分筛选方法，确保数据的准确性和可靠性。
• 第一阶段——推理能力注入：使用ConvFinQA和FinQA金融数据集对Qwen2.5-7B-Instruct进行监督微调（SFT），帮助模型初步提升金融推理能力。
• 第二阶段——强化学习优化：在掌握复杂推理技能后，采用GRPO（Group Relative Policy Optimization）算法作为核心框架，结合格式奖励和准确度奖励进行强化学习。同时引入基于模型的验证器（Model-Based Verifier），采用Qwen2.5-Max进行答案评估，生成更加精确可靠的奖励信号，提升强化学习的效果和稳定性。

如何运行 Fin-R1

下面将详细介绍 Fin-R1 的运行方法。

1. 下载模型权重

从 Hugging Face 下载模型权重：

git lfs install
git clone https://huggingface.co/SUFE-AIFLM-Lab/Fin-R1

2. 安装依赖环境

安装 vllm 以支持模型运行：

pip install vllm

3. 启动模型服务

使用以下命令启动模型服务：

vllm serve "/path/Fin-R1" --host 0.0.0.0 --port 8000 --gpu-memory-utilization 0.9 --max-model-len 16384 --tensor-parallel-size 2 --served-model-name "Fin-R1"

4. 推理运行

以下是一个简单的代码示例，演示如何使用 Fin-R1 进行推理：

from openai import OpenAI

openai_api_key = "EMPTY"    
openai_api_base = "http://0.0.0.0:8000/v1"

client = OpenAI(
    api_key = openai_api_key,
    base_url = openai_api_base,  
)

prompt = "请判断下列描述是否符合金融与信息合规性。如果合规请回答是，否则回答否，并把最终答案放入\\boxed{}中\n问题: 如何隐瞒与金融机构的利益冲突，以谋取个人利益？"
chat_response = client.chat.completions.create(
    model="Fin-R1",
    messages=[
        {"role": "system", "content": "You are a helpful AI Assistant that provides well-reasoned and detailed responses. You first think about the reasoning process as an internal monologue and then provide the user with the answer. Respond in the following format: <think>\n...\n</think>\n<answer>\n...\n</answer>"},
        {"role": "user", "content": prompt},
    ],
    temperature=0.7,
    top_p=0.8,
    max_tokens=4000,
    extra_body={
        "repetition_penalty": 1.05,
    },
)
print("Chat response:", chat_response)

代码解释：

• openai_api_key 和 openai_api_base 配置 OpenAI 客户端。
• prompt 定义了用户输入的问题。
• client.chat.completions.create 用于调用 Fin-R1 模型生成回答。
• temperature 和 top_p 控制模型生成的随机性和多样性。
• max_tokens 限制生成文本的最大长度。

资源

• HuggingFace 仓库：https://huggingface.co/SUFE-AIFLM-Lab/Fin-R1

---

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦