Fin

Fin-R1简介

Fin-R1是由上海财经大学与财跃星辰联合研发的首个面向金融领域的R1类推理大模型。该模型基于Qwen2.5-7B-Instruct架构，通过在金融推理场景中进行监督微调（SFT）和强化学习（RL）两阶段训练，显著提升了其在金融领域的复杂推理能力。在权威评测中，Fin-R1平均得分为75.2分，仅比行业标杆DeepSeek-R1低3分，位列第二。数据构建过程中整合了多个金融领域的高质量数据集，并通过数据蒸馏技术生成约60,000条高质量COT数据。

Fin-R1的核心功能

• 金融推理与决策支持：能够处理金融数据的数值推理、新闻情感分类及因果关系提取等任务，为金融决策提供准确且可解释的依据。
• 自动化金融业务流程：适用于金融合规检查、机器人投顾等场景，有效提升效率并降低人工成本。
• 多语言支持：支持中文与英文的金融推理，覆盖多种金融业务场景。
• 高效资源利用：采用7亿参数的轻量化设计，在保证性能的同时降低部署成本。
• 金融代码生成：支持各类金融模型和算法的代码生成。
• 金融计算分析：具备处理复杂金融问题的定量分析能力。
• 英语金融建模：支持使用英语进行金融模型构建与撰写。
• 金融合规管理：帮助企业确保业务符合相关法规要求。
• 智能风控：通过AI技术识别和管理金融风险，提高决策效率。
• ESG评估：支持企业可持续发展能力的评估。

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，兼顾性能与部署成本。
• 数据构建：通过构建Fin-R1-Data高质量金融推理数据集，解决数据碎片化问题。数据集包含约60,000条“答案+推理”结构的高质量COT数据，经过多轮筛选确保准确性。
• 第一阶段——推理能力注入：利用ConvFinQA和FinQA金融数据集对模型进行监督微调，提升其金融推理能力。
• 第二阶段——强化学习优化：采用GRPO算法结合格式奖励和准确度奖励进行优化，并引入基于模型的验证器提升训练效果。

Fin-R1项目信息

• HuggingFace模型库：https://huggingface.co/SUFE-AIFLM-Lab/Fin-R1
• arXiv技术论文：https://arxiv.org/pdf/2503.16252

Fin-R1的应用场景

• 智能风控：支持动态信用评分与交易异常监测，提升风险评估精度。
• 投资辅助决策：在基金投资中协助资产配置，提升决策质量。
• 量化交易：参与量化交易代码编写，提升策略开发效率。
• ESG报告生成：协助企业生成符合GRI标准的ESG报告。
• 市场趋势预测：在保险等领域实现保单收益评估与市场趋势分析。