全球最大的金融数据服务公司彭博，已经训练出了BloombergGPT，金融领域最大的自然语言模型(LLM)。

(相关资料图)

有不少华尔街人在社交媒体上发问：这是要干掉金融分析师吗？其实，这也是彭博担心自己被ChatGPT干掉。

彭博研究人员发布的模型论文称，这是一个500 亿参数的LLM，基于彭博丰富的金融数据源构建了一个3630 亿个训练标志(token)数据集，这可能是迄今为止最大的特定领域数据集，并且增加了来自通用数据集的 3450 亿个标志。

研究人员在标准 LLM能力、开放金融能力和“预期用途”的内部能力上验证了 BloombergGPT。这一混合数据集训练产生的模型，在金融能力上的表现明显优于现有模型，而一般能力上又不输于通用 LLM 。

训练采用了大模型BLOOM的架构，动用了512张40GB的A100GPU，在AWS上训练了53天。除此之外，没有公开更多的参数。而研究人员在论文中称，也不打算公开。

在做金融领域大模型方面，彭博有着得天独厚的禀赋，理应先吃螃蟹。作为一家金融数据和科技公司，40年来已经积累了海量的金融数据。专业、独有、可信的优质数据都是现成的，这是其最大的优势。下面是其数据集的构成。

彭博认为，自然语言处理（NLP)在金融科技领域越来越重要，拥有巨大的应用前景。金融NLP已经用于市场情绪分析、命名实体识别（NER）、新闻分类、问答等。尽管还是要完成这些任务，但是金融领域复杂性、名词术语的专业性，让彭博认为有必要开发一个金融领域的AI计算系统。

研究人员对这几项任务进行了测试：

1，问答。ConvFinQA数据集是一个针对金融领域的问答数据集，包括从新闻文章中提取出的问题和答案，旨在测试模型对金融领域相关问题的理解和推理能力。

2，情绪分析。FiQA SA，用来测试英语金融新闻和社交媒体标题中的情感走向。

3，标题。对关于黄金商品领域的新闻标题进行分类。

4，情绪分析。金融短语库数据集（FPB)包括来自金融新闻的句子情绪分类任务。

5，命名实体识别（NER），针对从提交给SEC的金融协议中收集金融数据，进行信用风险评估。

测试结果对照其他模型如下：

但研究人员似乎有意避开了与最强模型的对照，如GPT-4和PaLM。可以看出其最多可能达到 GPT-3 -3.5 之间的水平，在多语言多模态上可能差距明显。另外，如果GPT-4开放微调功能，BloombergGPT还有优势吗？

彭博终端使用起来，有一套非常难记的查询代码，而BloombergGPT可以把自然语言转化成查询代码。还能为彭博社记者建议新闻标题，在财经新闻相关事实和知识查询的准确性方面，更是远胜其他大模型。

BloombergGPT不仅是金融领域最大的模型，而且是特定领域的最大模型，从中可以看出领域模型和通用模型之争 。难怪BloombergGPT一再强调，如果我们一样大小，我金融功能无敌；如果通用模型比我大，我的通用功能也可以替代你。总之，用了BloombergGPT，就不必再用ChatGPT了。