一项新近发表在arXiv上的研究，探讨了大型语言模型（LLM）在测试时推理所增加的计算成本，是否能转化为金融交易中更好的经济效益。研究人员分析了DeepSeek、GPT和Gemini系列模型，针对美国股市一整年的数值、新闻和掩码新闻输入，调整了推理的努力程度。研究结果表明，额外的推理并未持续提高净投资组合回报，对于DeepSeek模型而言，性能随推理增加呈现非单调性。重复生成也导致了不稳定的投资组合选择，这表明在部署前，增强推理的经济价值需要进行特定任务的验证。 AI
影响 表明LLM的高级推理能力可能无法直接转化为改进的金融决策，强调了进行特定任务验证的必要性。
排序理由 关于LLM能力和局限性的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
