金融大模型

发布日期: 2024-04-22

文章字数: 4.6k

阅读时长: 15 分

阅读次数:

金融大模型技术创新与应用探索

大模型时代已来临，每个组织以及每个人的知识体系都需要重塑，思考如何更好地利用 AI 工具提升效率，以应对未来的变化。而始终不变的是，我们要持续学习，时刻保持好奇心，以不变应对未来更多的变化。本文将分享金融行业对大模型技术的探索与实践。

*主要内容包括以下几大部分 *

从通用大模型到金融大模型
金融大模型的训练技术创新
金融大模型的评测方法创新
金融大模型的应用实践创新
总结：金融大模型迭代路径

01 从通用大模型到金融大模型

1.大模型涌现超预期能力，有望为金融行业创造价值增量

金融行业具有三大特性：

数据驱动：金融是一个关于数据的生意，所有的决定都需要通过分析数据来做决策。
高度知识化密集产业：金融是一个高度知识化密集的行业，有非常多的专业领域知识，不在这一行业中的人是很难知道的。另外，金融内部也有理财、保险、信贷等不同的细分领域，知识结构复杂密集。
业务流程极其复杂：金融是需要非常多人工去协作的一个产业，业务流程极其复杂。

这三个特性其实跟大模型本身的逻辑理解记忆等能力是非常匹配的。所以我们一直认为金融领域是一个天然的大模型的最佳应用场景。我们也希望通过探索为金融行业带来更多的价值增量。

2.通用模型难胜任金融任务，大模型落地金融面临挑战

我们为什么需要一个金融行业自己的大模型呢？因为当前通用模型的能力还存在缺陷。主要包括以下三个方面：

金融知识挑战：金融行业有自己领域内的专业知识，比如 KS、MOB、COB 等专业术语，通用大模型可能不了解。
金融能力挑战：大模型目前还存在幻觉问题、计算准确性问题、遗忘问题等。金融行业是数据驱动的业务，对数据准确性要求比较高，通用大模型存在的这些问题无法满足金融行业的需求。
应用成本挑战：通用模型的成本相对较高，我们希望通过行业模型去降低应用成本。

基于以上三个挑战，我们认为做金融领域的行业大模型是非常有必要的。

3.面对成本挑战，专项增强的领域模型更显高性价比

上图左边的基础数据源自 meta 论文。可以看到，LLaMA-2 模型训练 2T tokens，用 A100 大概需要多少时间。如果参数是 70B，原论文里写的是需要 172 万卡时，折成 48 台 A100 机器，就需要 187 天，也就是半年的时间，这还是在训练过程中没有任何训练故障，训练效率和效果没有任何反复的情况下的一个时间。假设中间有一些机器发生故障，或者效果不及预期需要迭代，那用 48 台 A100 机器训练，可能就需要一年时间。这个训练成本对于很多企业来讲是极其昂贵的。

再来看下推理的资源，如果是一个 70B 的大模型，它所需要显卡内存是 129G，也就是需要两张 A100。所以对于大多数企业来讲，通用模型的训练和推理成本是非常高昂的。

上图右边是行业大厂的一些探索。比如微软有一篇论文提到，一个高质量的领域数据，能够让模型表现出比它参数大五倍的模型相近的效果。这一点很容易理解，如果把大模型当成一个人，一个天赋一般的选手，通过后天的不断努力，并且只专心某一个行业，那他在这个行业取得的成就可能会比天赋好的人更高。比如一个 13B 模型通过不断调优，它在金融领域内某个场景的效果会比通用的 70B 的效果更好。所以我们希望用一个更小的模型，通过不断学习行业知识，达到一个更大模型的效果。

4.为解决通用模型不胜任问题，自研金融大模型

为解决上述通用大模型在金融领域的问题，包括成本问题等，我们自研金融大模型。我们对自研模型主要做了以下优化：

中文增强
金融增强
对话增强
应用增强

02 金融大模型的训练技术创新**

1.为大模型注入专业金融知识，训练专业金融能力

要提升大模型的金融专业能力，就要从小抓起，在它生命的每一个阶段，注入专业的知识体系。在预训练阶段，增加更丰富的金融语料，提升金融知识储备；在指令微调阶段，也要扩充不同场景的指令；在对齐环节，保证专业的金融数据和标注，满足行业偏好。接下来具体介绍其中的每个部分。

数据准备：

数据质量是模型效果的保障。首先数据要丰富，这是必备的条件。我们在这一环节做了非常多的工作，也设计了一套通用的数据流水线。从文本的抽取到数据的清洗，再到最后做一些人工的校验和评估，不断反复迭代。原始的中文数据，通过篇章级的过滤，一直到最后质量模型的排序，大概可以形成 32% 的中文数据。最后，形成了 10TB 的通用语料，加上 1TB 的金融语料。当然我们还在做更多的数据，特别是一些行业领域内专有数据的清洗。

增量预训练：

在数据准备完之后，就要去做预训练。需要针对中文场景做词表构建，对此，行业内大概有两种解决方案。一种是通过字粒度去扩充，因为汉字只看一个单词的话相对有限，大概数量是 5K 到 8K。另外一种就是很多中文大模型所采用的方法，即大量引入中文词汇，这样词表会比较大。考虑到对原有模型要尽量减少破坏，所以我们最终采用了字粒度扩容的方式，加入了 7K 的中文字符。这使得我们的整个词表大小达到 39K，词表压缩率为 48%。

在预训练阶段词表优化完之后，训练采用的是两阶段的优化方式，使得收敛更加稳定。第一阶段主要还是解决新加词表的泛化能力，我们仅更新模型词表的 embedding 以及解码线性层，使模型能够适应新的词表。在整个过程中，数据分布与原始的数据分布基本是一致的，就是为了保证模型的稳定性。在训练过程中我们发现，通过少量数据，能够使模型的 loss 达到平稳。所以第一阶段只训练了 40B 的 token。第二阶段对模型进行全量的更新，这时会训练大量的中文语料和英文语料。在这一阶段，我们训练了 300B 的 token。

数据配比直接影响基座模型的训练质量。开始时整体的中英语料是 3 比 1。在英文数据上，一开始仅加入了少量的金融数据。随着整个训练过程的不断优化，金融数据的比例也越来越高。在训练过程中，要保证原有的英文能力。

指令微调：SFT 数据的丰富性和多样性直接影响对齐效果。在数据生成上，分为通用数据生成和金融专业领域数据生成。整体配比大概是 4 比 1。我们通过不同方式的自动生成以及人工改写，最后生成一个包含许多种类的 SFT 数据结果。

采用两阶段指令微调，保证通用能力的同时，提升金融问答能力。第一阶段是通过混合微调，用海量开源指令数据，同时加入一些预训练数据，保证其泛化性，并且可以有效减少幻觉问题。第二阶段是通过高质量的指令微调数据，提升整体的对话能力。整体的训练方式与预训练是一致的。

2.价值对齐：通过强化学习对齐价值偏好

接下来要做的是价值对齐，就是使模型的三观与我们一致，我们使用强化学习技术来对齐价值偏好。首先基于人类反馈做 reward model，这里我们选择 pair wise 的方式，并通过大量的人工标注排序。之后用 PPO 算法进行优化。未来，价值对齐会是做大模型非常核心的一个壁垒。

3.应用增强：升级系统工程，弥补大模型本身能力欠缺

在数据微调以及价值对齐后，非常重要的一点是大模型与应用相结合、相绑定，因为所有模型的构建都是为了解决企业实际的问题。为了更好地为业务服务，需要提升大模型的整体能力，比如计算能力、多轮对话以及分析的能力等等。

4.工程优化：大模型训练效率面临诸多瓶颈

当前算力带宽的发展与模型参数的扩大是不匹配的。如何通过技术手段解决这一问题，是一个关键瓶颈，在这方面当时我们也做了很多探索。

突破内存与计算墙，提高训练吞吐。比如提升 batch size，优化模型占用显存的比例。通用的方式是 ZERO 的方式。在实践过程中，我们根据不同的方法来做不同的适配，并做不同算子的优化。通过优化，显存占用比例降低了 87%，batch size 提升了三倍，整体的训练吞吐能力提升了 36%。另外是计算复杂度，行业内用的比较多的是 Flash Attention，我们优化了很多底层算子，使用效率也有大幅提升。充分优化后，整体的训练吞吐比原来提升了 26%。
打破带宽墙，提升分布式效率。除了前面讲的内存以及计算复杂度的优化，另外一个重点是通讯效率的优化。通讯效率的优化包括算法和硬件两方面。算法方面，通过不同的算法提升 IO 效率，在金融行业用的比较多。另外在硬件上也可以做非常多的优化。目前我们搭了一个高速的网络，最高能支持八千多张卡，单机吞吐 800G。整体训练效率提升了三倍。另外，在做 GPU 分布式优化的时候，一个关键指标就是随着集群规模的扩大，单卡的 ROI 是否有折损。因为随着集群的扩大，通讯会变得越来越复杂，一个单卡的效率会变低。我们在 512 张卡以上规模的集群，整体的吞吐加速比基本是线性的，在 640 张卡下仍然可以达到 94%。

03 金融大模型的评测方法创新

对于大模型来说，评估体系是非常重要的。如何设计考察的内容和题目，是至关重要的一个工作。

1.大模型评测难题：主流榜单可靠性受质疑力

现在国内很多榜单是公开的，但是确实只能作为参考，不是说它没有意义，它起到了指引方向的作用。但在做大模型的过程中，要明晰大模型的每一个环节，明确每一步大模型能力的目标。如果训练一个模型，过了很长时间到结尾的时候才看到它的效果不佳，再去返工，那么造成的损失会是非常巨大的。

2.拒绝榜单绑架，用评测指引模型优化方向

我们自己的评估体系是横评看差距，纵评看提升。横评是在每个环节看不同模型在各个项目上的优劣。纵评是看同一模型在不同阶段、不同版本，甚至不同优化方式下的效果。

3.预训练阶段：评测指标走势判断是否符合预期

针对每个环节，我们也做了非常多的评测体系。首先是通用知识的预训练环节，有多维度的自动评测集。除了看 loss 之外，还会看其他 NLP 相关评测指标。也会看它在新的未知数据下的 PPL。对于每个评测指标，会在整个训练过程中进行实时地监控。

4.微调阶段：全面评估大模型“涌现”出的新能力

在微调阶段，因为有对话测评，所以除了自动化的评估之外，也需要更多的人工介入。我们制定了非常多的人工评测方法，以保证整个对话的效果是完全符合预期的。

5.强化阶段：评估相较微调阶段是否有能力提升

在强化阶段，主要是看两方面的标准，一方面经过强化学习之后，模型本身能力不能下降；另一方面是在安全性、有用性和稳定性这三个指标上要有明显提升，保证整个强化阶段达到预期。

6.从模型训练到场景落地：像评测人一样测评大模型

无论是从大模型整体的训练，还是从大模型评测，我们都要像看人一样去看它。我们希望能够构建一个更加丰富完善的评测体系，去评估出大模型的各项能力，整个体系也在不断优化中。

04 金融大模型的应用实践创新

最后介绍一下金融行业大模型应用方面的探索。

1.营销：个性化素材结合差异产品，重塑开放获客新模式

第一个是通过大模型的生产能力，使营销获客的效率大幅提升。获客是所有行业的一大难点。之前我们很难做到差异化的获客，因为要给用户展示不同的文案广告，要实时获取用户的需求，特别像文案广告这种内容，如果是通过设计师去做的话，可能需要几小时或者天级。而通过大模型，可以实时地获取用户画像，然后实时地生成用户所需的内容。