FinDialogLens
一种面向金融聊天室的混合LLM事件抽取系统，结合微调分类器与大模型流水线，用于自动识别和还原多方对话中的RFQ交易事件，解决金融销售交易场景中的漏单回溯难题
时间轴 (近 90 天)
FinDialogLens 将金融聊天室漏单问题重新定义为多方对话上的事件抽取（Event Extraction）任务
FinDialogLens 采用混合 LLM 流水线，让小型微调分类器在推理阶段充当脚手架辅助大模型完成抽取任务
FinDialogLens 的微调分类器负责检测 RFQ 触发消息以及识别报价与成交结果相关的元数据
FinDialogLens 的 RFQ-Level Module 将对话按事件切分成独立的 RFQ 窗口，Trade Engine 在每个窗口内填充论元角色还原完整交易事件
搭配 GPT-4o 时，FinDialogLens 在最终价格抽取上达到 92.1% 准确率
搭配 GPT-4o 时，FinDialogLens 在成交结果判定上达到 94.3% 准确率
仅 3B 参数的微调开源 LLM 在适量领域内数据支持下能取得与 GPT-4o 方案相当的效果
FinDialogLens 引入难度感知路由器，在低成本规则引擎与高性能 LLM 交易引擎之间动态分配 RFQ
难度感知路由在最终价格任务上削减了 85% 的 LLM 调用，同时弥补了与纯 GPT-4o 方案之间一半的准确率差距
在每日 7 万条 RFQ 规模下，难度感知路由设计每天可节省超过 300 美元成本
全部知识事实 (10)
FinDialogLens 将金融聊天室漏单问题重新定义为多方对话上的事件抽取（Event Extraction）任务
50%待验证FinDialogLens 采用混合 LLM 流水线，让小型微调分类器在推理阶段充当脚手架辅助大模型完成抽取任务
50%待验证FinDialogLens 的微调分类器负责检测 RFQ 触发消息以及识别报价与成交结果相关的元数据
50%待验证FinDialogLens 的 RFQ-Level Module 将对话按事件切分成独立的 RFQ 窗口，Trade Engine 在每个窗口内填充论元角色还原完整交易事件
50%待验证搭配 GPT-4o 时，FinDialogLens 在最终价格抽取上达到 92.1% 准确率
50%待验证搭配 GPT-4o 时，FinDialogLens 在成交结果判定上达到 94.3% 准确率
50%待验证仅 3B 参数的微调开源 LLM 在适量领域内数据支持下能取得与 GPT-4o 方案相当的效果
50%待验证FinDialogLens 引入难度感知路由器，在低成本规则引擎与高性能 LLM 交易引擎之间动态分配 RFQ
50%待验证难度感知路由在最终价格任务上削减了 85% 的 LLM 调用，同时弥补了与纯 GPT-4o 方案之间一半的准确率差距
50%待验证在每日 7 万条 RFQ 规模下，难度感知路由设计每天可节省超过 300 美元成本
50%