Ant Group ra mắt mô hình Ling-3.0-flash-Fin: Đưa AI vào quy trình đầu tư tài chính thực tế

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

09/09/2026 13:02:30 Nguồn: QbitAI

Ant Group ra mắt Ling-3.0-flash-Fin, mô hình mở tăng cường tài chính đầu tiên của Bailing.

Trước thềm hội nghị Inclusivity Conference (Waitan Conference), phóng viên được biết Ant Group đã chính thức ra mắt Ling-3.0-flash-Fin, mô hình mở tăng cường tài chính đầu tiên thuộc dòng Bailing. Khác với các mô hình tài chính truyền thống vốn chủ yếu giải quyết các tác vụ đơn lẻ như hỏi đáp hay tóm tắt, Ling-3.0-flash-Fin tập trung sâu hơn vào quy trình làm việc thực tế trong ngành tài chính, nỗ lực đưa AI từ việc "trả lời một câu hỏi" sang "hoàn thành một công việc". Hiện tại, mô hình này đã chính thức được mã nguồn mở.

Đồng thời, Ant Bailing cũng đồng bộ hóa việc mở bộ tiêu chuẩn đánh giá Agent tìm kiếm tài chính FinFIRST, dần dần mở cửa các mô hình, công cụ và hệ thống đánh giá. Mô hình hiện tập trung vào các kịch bản nghiên cứu đầu tư, bao gồm các khâu như truy xuất thông tin, suy luận nghiên cứu, mô hình hóa định giá, soạn thảo báo cáo nghiên cứu, nhằm cố gắng kết nối chuỗi tác vụ hoàn chỉnh từ tìm kiếm tài liệu, phân tích đến hình thành kết quả nghiên cứu.

Tài chính là kịch bản quan trọng để kiểm chứng năng lực chuyên môn của mô hình. Trong giới chuyên môn, việc ra mắt Ling-3.0-flash-Fin là một bước khám phá quan trọng của Ant Bailing từ năng lực mô hình tổng quát sang các kịch bản chuyên sâu. Ant Group có nền tảng tích lũy sâu sắc trong lĩnh vực tài chính, điều này cho phép Bailing dựa vào các kịch bản thực tế phức tạp để kiểm chứng năng lực mô hình và liên tục lặp lại quá trình tối ưu hóa.

Cuộc đua AI tài chính: Từ "biết trả lời" đến "có thể làm việc"

Tài chính luôn được coi là kịch bản khó đối với AI khi tiến tới trở thành năng suất lao động chuyên nghiệp.

Đằng sau một báo cáo nghiên cứu là nhu cầu tìm kiếm thông tin từ báo cáo thường niên, báo cáo tài chính, thông báo, tài liệu quản lý và tài liệu nghiên cứu, đối chiếu các kỳ báo cáo và tiêu chuẩn thống kê khác nhau, sau đó thực hiện tính toán, mô hình hóa định giá, và cuối cùng hình thành kết quả nghiên cứu có thể được các chuyên gia kiểm duyệt và tái sử dụng.

AI tài chính không chỉ đối mặt với một vấn đề "hỏi đáp kiến thức" đơn giản. Nó không chỉ cần biết câu trả lời đến từ đâu, mà còn phải biết dữ liệu có sử dụng được không, tính toán có chính xác không, và kết luận cuối cùng có thể được kiểm chứng lại hay không.

Mục tiêu mà Ling-3.0-flash-Fin nhắm tới lần này chính là chuỗi công việc hoàn chỉnh đó.

Mô hình này được xây dựng dựa trên Ling-3.0-flash, kế thừa cấu hình 124B tham số tổng và 5,1B tham số kích hoạt, đồng thời sở hữu khả năng xử lý ngữ cảnh dài 256K, đảm bảo cân bằng giữa việc xử lý nội dung tài chính phức tạp và hiệu quả triển khai thực tế. Thông qua việc tiền huấn luyện liên tục với ngữ liệu tài chính, hậu huấn luyện chuyên biệt và tối ưu hóa sử dụng công cụ, mô hình đã tăng cường khả năng xử lý các nội dung phức tạp như báo cáo thường niên, bảng tính tài chính và nhiều tài liệu nghiên cứu khác.

Về định vị mô hình, Ling-3.0-flash-Fin nhấn mạnh hơn vào năng lực phục vụ các tác vụ Agent chuỗi dài: giúp mô hình không còn coi việc truy xuất thông tin, kiểm tra bằng chứng, tính toán, mô hình hóa và chuẩn bị báo cáo là các tác vụ biệt lập, mà cố gắng kết nối chúng lại để hoàn thành một công việc nghiên cứu tài chính trọn vẹn.

Bốn năng lực, kết nối một chuỗi công việc nghiên cứu đầu tư

Hiện tại, Ling-3.0-flash-Fin đi đầu trong việc thâm nhập vào kịch bản nghiên cứu đầu tư, tập trung tăng cường bốn năng lực: truy xuất thông tin, suy luận nghiên cứu, mô hình hóa định giá và soạn thảo báo cáo nghiên cứu.

Trong đó, truy xuất thông tin nhấn mạnh việc ưu tiên định vị các nguồn dữ liệu chính thống, trực tiếp và có độ tin cậy cao, đồng thời chú trọng đến thời điểm thông tin và tiêu chuẩn thống kê; suy luận nghiên cứu thông qua tính toán đa bước và kiểm chứng chéo để làm rõ sự thật và giả thuyết, xây dựng chuỗi bằng chứng có thể kiểm chứng; mô hình hóa định giá đi sâu vào bảng tính thực tế, hỗ trợ chuyển đổi công thức, phụ thuộc chéo giữa các bảng và kiểm tra lỗi bất thường, giúp kết quả do AI tạo ra có thể tiếp tục đi vào quy trình làm việc hiện có của chuyên gia; trên cơ sở đó, mô hình tiếp tục tổ chức các sự kiện, dữ liệu và nhận định để tạo ra tài liệu nghiên cứu có thể chỉnh sửa và kiểm duyệt.

Bốn năng lực này không phải là sự liệt kê tính năng đơn thuần, mà tương ứng với một chuỗi nghiên cứu đầu tư hoàn chỉnh từ tìm kiếm thông tin, xác thực thông tin, đến tính toán, xây dựng mô hình và hình thành kết quả nghiên cứu. Điều này cũng có nghĩa là AI tài chính đang chuyển từ cuộc đua về năng lực đơn lẻ sang cuộc đua về quy trình làm việc hoàn chỉnh.

Không chỉ ra mắt mô hình, mà còn cố gắng thiết lập "thước đo" cho AI tài chính

FinFIRST được ra mắt đồng bộ cùng mô hình lần này nhắm vào một vấn đề then chốt khác trong sự phát triển của AI tài chính: làm thế nào để đánh giá một Agent tài chính thực sự làm tốt hay không.

FinFIRST (Financial Information Retrieval, Sourcing and Traceability) do Ant Group xây dựng và mã nguồn mở, với sự hỗ trợ chuyên môn từ đội ngũ ngân hàng đầu tư của CICC (China International Capital Corporation) và sự tham gia thiết kế của hơn 50 chuyên gia tài chính. Bộ tiêu chuẩn tập trung đánh giá năng lực của Agent tìm kiếm tài chính trong các khía cạnh như truy xuất thông tin, lựa chọn nguồn tin, đánh giá tiêu chuẩn và quy trình suy luận.

Trong hệ thống đánh giá này, một AI tài chính tốt không chỉ cần đưa ra câu trả lời đúng mà còn phải trả lời được ba câu hỏi: thông tin đến từ đâu, tiêu chuẩn là gì, và kết luận được rút ra như thế nào.

Về thành phần dữ liệu, FinFIRST bao phủ thị trường Trung Quốc đại lục, Hoa Kỳ, Hồng Kông và các thị trường khác, trong đó câu hỏi tiếng Trung chiếm 60,2%, câu hỏi tiếng Anh chiếm 39,8%. Hơn 4/5 số câu hỏi chứa nhiều câu hỏi phụ liên quan, 61,8% yêu cầu tính toán rõ ràng, 32,5% cần nhiều nguồn tin, và 75,6% không chỉ định trực tiếp nguồn tin mà yêu cầu Agent phải tự tìm kiếm và đánh giá. Tất cả các câu hỏi đều sử dụng nguồn tin công khai có thể truy cập được.

FinFIRST cung cấp một bộ các tác vụ tìm kiếm, tiêu chuẩn và phương pháp đánh giá sát với nhu cầu tài chính thực tế hơn. Đây không chỉ là một bảng xếp hạng mô hình, mà là nỗ lực chuyển đổi các đánh giá chuyên môn trong nghiên cứu tài chính thành các tiêu chuẩn đánh giá có thể kiểm chứng và tái sử dụng.

Hiện tại, Ling-3.0-flash-Fin đã được thử nghiệm trên nhiều bộ tiêu chuẩn thông minh tài chính như FinFIRST, FinSearchComp Verified, Finance Agent, APEX-Agents, SpreadsheetBench, τ³-Banking, bao phủ các kịch bản như truy xuất thông tin tài chính, nghiên cứu đầu tư, thực thi tác vụ dài hạn, mô hình hóa định giá và nghiệp vụ ngân hàng. Kết quả đánh giá cho thấy hiệu suất tổng thể của mô hình vượt qua một số mô hình flagship kích thước lớn và có tính cạnh tranh mạnh mẽ trong số các mô hình cùng kích thước.

Từ một mô hình tài chính đến một bộ năng lực mở

Một đặc điểm khác của Ling-3.0-flash-Fin lần này là sự mở cửa đồng bộ "Mô hình + Công cụ + Đánh giá".

So với việc chỉ đơn thuần phát hành một mô hình ngành, Bailing hy vọng sẽ đưa năng lực mô hình vào các tác vụ thực tế để kiểm chứng, đồng thời thông qua việc mở đánh giá để các tổ chức tài chính, đội ngũ nghiên cứu và nhà phát triển cùng tham gia lặp lại quá trình tối ưu hóa.

Hiện tại, Ling-3.0-flash-Fin đã mở trọng số mô hình và cung cấp API cho nhà phát triển trải nghiệm; FinFIRST cũng được mở đồng bộ, giúp hạ thấp ngưỡng nghiên cứu và phát triển ứng dụng AI tài chính. Đối với ngành tài chính, sự mở cửa này cũng có nghĩa là nhiều phản hồi nghiệp vụ thực tế hơn có thể quay lại hỗ trợ nâng cao năng lực mô hình.

Tài chính chỉ là một điểm thâm nhập cho quá trình khám phá AI thế giới thực lần này của Bailing.

Khi AI dần chuyển từ trò chuyện, tìm kiếm sang Agent, giá trị thực sự của mô hình đang chuyển từ "tạo ra bao nhiêu nội dung" sang "có thể đảm nhận bao nhiêu công việc". Trong các lĩnh vực chuyên môn như tài chính, y tế, dịch vụ doanh nghiệp, việc AI cuối cùng có hình thành được năng suất hay không không chỉ phụ thuộc vào mức độ thông minh của bản thân mô hình, mà còn phụ thuộc vào việc nó có hiểu được các quy tắc ngành, gọi được các công cụ chuyên môn và thực sự nhúng vào quy trình hoàn chỉnh của một công việc hay không.

Từ "trả lời một câu hỏi" đến "hoàn thành một công việc", đây có lẽ chính là bước tiếp theo để các mô hình lớn chuyển từ năng lực sang năng suất lao động.

Trong tương lai, Ant Bailing sẽ tiếp tục khám phá việc tăng cường tài chính trên nền tảng mô hình quy mô lớn hơn, nâng cao khả năng xử lý các tác vụ phức tạp chuỗi dài, và mở rộng từ nghiên cứu đầu tư sang nhiều kịch bản nghiệp vụ tài chính khác.

Bài viết này do Ant cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về đơn vị sở hữu, không được phép đăng tải lại hoặc sử dụng dưới bất kỳ hình thức nào nếu không có sự cho phép, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.