乔治华盛顿大学的研究人员于2023年秋季探索了使用大型语言模型（LLM）自动总结财经新闻的应用。他们开发了一个整合了新闻文章、维基百科公司数据和雅虎财经股票数据的流程，将股票的数值数据转换为自然语言叙述。该研究测试了如Summarize Chains和检索增强生成（RAG）等总结方法，使用了Falcon-7B-Instruct和GPT（text-davinci-003）等模型。带有Summarize Chains的Falcon-7B取得了最佳结果，能够准确连贯地总结新闻事件，而RAG在较小的模型中则表现出重复和幻觉问题。 AI
影响 这项研究突显了LLM在金融领域的潜在应用，同时也指出了RAG模型中存在的幻觉等局限性。
排序理由 学术论文，详细介绍了LLM总结技术的实证研究。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- Apple Inc.
- BART-Large-XSum
- Defense Counterintelligence and Security Agency
- DistilBART-CNN-12-6
- Faiss
- Falcon-7B-Instruct
- George Washington University
- GOOGL
- GPT (text-davinci-003)
- JPMorgan Chase
- Large Language Models
- Meta*
- Microsoft
- News API
- NVDA
- Tesla
- Wikipedia
- Yahoo Finance
- Retrieval-Augmented Generation
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
