研究人员开发了一种新颖的框架，通过使用合成数据进行蒸馏，以实现高效的金融语言理解，特别是情感分析。该方法将知识从大型指令调优模型转移到更小、更紧凑的模型，这在金融领域至关重要，因为该领域标记数据稀缺且获取成本高昂。该框架对真实示例进行聚类，以选择用于通过结构化少样本提示生成合成数据的种子，证明这种方法比随机抽样能产生更好的结果，并且在某些嘈杂文本领域，紧凑模型甚至可以超越教师模型。 AI
影响 这种方法可以显著降低将大型语言模型应用于金融等专业领域的成本和精力。
排序理由 该集群包含一篇详细介绍自然语言处理任务新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.18875v1 Announce Type: new Abstract: Large instruction-following models are powerful but costly to deploy, particularly in finance, where labelled data are limited by confidentiality and expert annotation cost. We present an efficient framework for financial sentiment …
Large instruction-following models are powerful but costly to deploy, particularly in finance, where labelled data are limited by confidentiality and expert annotation cost. We present an efficient framework for financial sentiment analysis through distillation with synthetic dat…