Ana Sayfa
AI AI
Flaş
Derinlik
Etkinlikler
BlockBeats Pro
Daha Fazla
Finans
Özel
Blok Zinciri Ekosistemi
Giriş
Podkastlar
Veri
OPRR
#
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Partnered With:

Bridgewater, küçük modelini ince ayar yaparak devasa öncü modelleri geride bıraktı: Finansal filtreleme doğruluğunda üstünlük sağlarken, çıkarım maliyeti yalnızca on dörtte biri.

动察 Beating tarafından yapılan izlemeye göre, Bridgewater Associates'in yapay zeka uygulama laboratuvarı (Bridgewater AIA Labs), Thinking Machines ile iş birliği yaparak ince ayarlı bir modeli finansal bilgi filtrelemede başarıyla uyguladı ve öncü büyük modelleri (GPT 5.5 ve Claude Opus 4.8) geride bırakan bir doğruluk oranına ulaştı. Finansal makalelerin ilgililiği, merkez bankası belgelerinin analizi gibi altı günlük yatırım görevinde, bu ince ayarlı model hata oranını neredeyse üçte bir oranında azaltırken, çıkarım maliyeti öncü büyük modellerin yaklaşık on dörtte biri kadar oldu (13,8 kat düşüş sağlandı). Bu araştırma, işletmelerin belirli alanlarda ince ayar yaparak "farklılaştırılmış zeka" potansiyelini ortaya koyuyor.

Araştırma ekibi, Tinker platformunda Qwen3-235B temel modeline ince ayar yaptı. Doğrudan profesyonel olmayan etiketleyicilerden alınan etiketlerde çok sayıda hata bulunduğundan, ekip bir doğrulama ve düzeltme mekanizması tasarladı ve model tahminleri ile etiketler arasında uyumsuzluk olan zor örnekleri yatırım uzmanlarına yeniden inceletti. Sonuç olarak, eğitilen modelin doğruluk oranı temel modelin %44,8'inden %84,66'ya yükselerek GPT 5.5'in %78,2'sini ve Claude Opus 4.8'in %78,0'ını geride bıraktı. Doğruluk oranındaki belirgin artışın yanı sıra, çıkarım maliyeti de 13,8 kat keskin bir düşüş gösterdi.

İnce ayar planı üç temel iyileştirme içeriyor: Birincisi, çapraz toplu işleme; farklı görevlerin sırayla dönüşümlü olarak eğitilmesiyle karışık eğitimin neden olduğu girişimlerin önlenmesi. İkincisi, asimetrik kırpma ile kayıp fonksiyonunun tanıtılması ve örneklemenin optimize edilmesi. Üçüncüsü, çevrimiçi politika damıtma kullanımı; model öğretmen dağılımından saptığında ceza uygulanması ve her 20 adımda doğrulama setinde yeni bir en yüksek performans elde edildiğinde öğretmen modelinin dinamik olarak güncellenmesi.

Düzeltme/Rapor
Gönder
Kütüphane Ekle
Sadece kendime görünür
Herkese Açık
Kaydet
Kütüphane Seç
Kütüphane Ekle
İptal
Tamamla