🎉 金蝶云·苍穹V7.0新特性系列文章重磅上线
每工作日早上07:45
准时为你带来最新产品资讯
面对冗长的财务报告和复杂的数据分析，提取关键信息令人头疼？
普通大模型处理超长文本效率低下，频繁切换输入令人疲惫？
别担心，财务大模型通过上下文长度优化和通用能力提升，一次性解决长文本分析难题，并让模型在面对不规范数据和复杂指令时更加稳定可靠，确保准确执行您的每一个需求，大幅提升财务分析的效率和准确性~
业务场景
目前，普通大模型在面临一些财务业务场景时，可能存在以下问题：
场景一：财务人员向财务大模型提交长达数万字的年度财务报告，普通大模型面对如此超长的文本，往往难以完整、高效地在一次对话中处理。
场景二：财务人员在查询成本结构时，可能会使用不够专业的术语，或者表述上存在模糊性，例如“找一下公司今年的花费数据”。由于提问中可能缺少“成本”或“费用”等关键字，普通大模型可能无法准确回答。
场景三：财务人员向财务大模型发出复杂的、多步骤的指令时，模型可能会因为指令不够明确或指令上下文的变化，导致无法精确执行用户的需求。例如，在生成财务报表后进一步请求细分数据时，模型可能会无法理解用户的上下文意图，给出错误或不完整的结果。
场景四：财务人员向财务大模型发出归纳总结庞大的财务报表、预算数据或历史交易记录的指令时，模型可能无法准确地理解这些数据，导致无法提炼出简洁、明确的总结。
针对上述财务场景中的问题，我们的财务大模型进行了长度优化和通用能力优化，以支撑更长的文本处理和更复杂的数据分析任务。这两项特性的引入，将极大地提升财务大模型的效率和准确性，从而提高财务分析师在处理和分析大量财务数据时的工作效率。
适用版本
金蝶云·苍穹V7.0.1及以上
适用对象
财务大模型用户
特性介绍
长度优化
长度优化，指的是提升大模型在一次处理数据时能够接受的最大文本长度。
在财务领域中，财务报表、合同、预算报告等通常包含大量的数据或文字。如果没有足够的上下文长度，用户可能需要将这些长文本拆分成多次输入，效率低下。通过长度优化，财务大模型可以一次性处理更多内容，避免用户频繁切换或重复输入，极大提升用户体验。
例如，在下图中，用户可以输入超长的背景材料后进行提问。
通用能力优化
通用能力优化包括鲁棒性能力优化、指令跟随能力优化、归纳总结能力优化。
1. 鲁棒性能力优化
模型鲁棒性，简单来说，就是指模型在不同的情况下都能稳定、可靠地工作。即使遇到一些异常情况、错误数据或意外输入，模型也不会轻易出错，仍然能给出合理的结果。这对于大模型具有非常重要的意义，尤其是在财务这样敏感且复杂的领域。
通过鲁棒性优化，模型能够在面对不完整、不一致或有噪声的数据时，依然保持稳定的性能，确保生成回复准确。例如，在下图中，即使用户的提问并不完全准确，基于财务大模型的cosmic助手依然能够回复正确答案。
2. 指令跟随能力优化
指令跟随能力是指模型准确理解并执行用户发出的指令的能力。通俗来说，就是用户给出指令后，模型能够精准地按照指令操作或提供反馈，而不会误解用户意图或提供与指令不相关的内容。
在复杂的财务业务场景中，需要确保用户的每个提问都被正确理解和执行。用户对于大模型的提问通常涉及大量的多样化的指令，如财务通识、数值计算等任务。
财务大模型的指令跟随能力优化后，用户可以用简单的自然语言或专业术语向模型发出多样化的指令，而模型能够迅速准确地执行指令，确保按照用户预期完成，如下图所示。
3. 归纳总结能力优化
归纳总结能力是指大模型从大量复杂信息中提取出关键内容，并将其浓缩为简明、易懂的总结的能力。
财务领域通常涉及大量复杂的数据和报告。通过强大的归纳总结能力，财务大模型可以从庞大的财务数据中快速提取关键信息，为用户生成简明的财务报告、预算摘要或分析结论。这种能力能够减少用户阅读和分析大量原始数据的时间，显著提高工作效率。例如下图中，财务大模型能够对财报进行归纳总结。
亮点价值
亮点一：支持16K超长上下文推理
财务大模型现在支持处理长达16K字符的上下文，让用户能一次性上传和分析大量财务数据，大幅提高了用户在处理长文本财务报告、预算对比等任务时的效率，避免了繁琐的多次交互，并减少出错几率。
亮点二：通用能力显著提升
财务大模型能够更加准确地执行数据归纳、趋势分析和报告生成。无论是处理复杂的财务数据，还是生成详细的预算报告，用户只需简单的对话操作即可完成，提升了整体的用户体验和数据处理能力。
亮点三：高效、稳定的用户体验
通过鲁棒性优化，财务大模型在面对各种财务场景时更稳定，处理不规范数据或突发问题时仍能给出合理的结果，大大提升了财务大模型的可靠性。
常见问题
问
财务大模型在处理超长上下文时，是否会影响推理速度？
答
虽然上下文长度扩展至16K，但模型通过性能优化，确保在处理大数据量时依然保持较高的推理速度。为了避免卡顿，建议在特大数据量场景下合理分批处理，同时保持模型资源的优化配置。
问
如果输入数据超出模型上下文限制，会导致什么问题？
答
当输入数据超出16K上下文限制时，模型可能会自动截断超出部分，影响最终推理结果的完整性。建议在这种情况下对数据进行预处理，确保关键信息被优先输入，或者将数据分段处理。
注意事项
虽然模型的通用能力有显著提升，但过于复杂的指令或数据可能依然带来理解偏差。建议用户在指令输入时尽量清晰明确。
划重点
财务大模型，专注于财务领域，充分利用大语言模型的强大能力，并通过长度优化和通用能力优化，使模型性能进一步提升，帮助用户在复杂的财务场景中高效运作。
#往期推荐#
对文章有任何疑问或建议，欢迎评论区留言~
