优势： 市场覆盖广：涉及多个金融市场如股、港股、美股、基金、债券等等 功能丰富：支持查询、分析、对比、解读、建议多等等包含在选股票、诊股票、看行情、看新闻等股民常用功能方面表现较好。 回答内容丰富：通过动态折线图、动态双柱图、K线图等图表增强可视化能力还有多种投资数据。 不足： 整体界面：Hhk是基于问财上直接套用对比传统引擎用户体验还未跟上 分析较浅显：分析的深度还不太够无法取代专业投顾。 偏向于技术分析：在回答个股的问题时两个模型均注重于估值、技术、资金流向对基本面内容的回答较少。 回答准确率偏低：针对用户的提问偶尔出现答非所问的情况联系上下文的能力不强。
有些问题的逻辑框架不顺畅。 总体来说目前问财方面有了一定的帮助但是 伊朗电话数据 吸引用户去购买更深层次服务的吸引力不够还需更加努力。特别是在竞争对手也逐步进入商业化阶段的背景下要积极重视提高模型准确率、内容丰富度和用户体验等方面。 金融模型落地挑战 模型的幻觉问题。由于数据质量问题、训练方式问题、缺乏外部知识校验等原因可能导致大模型易生成与事实不符的内容在金融这样对精度要求较高的领域这种错误可能带来严重后果。 成本问题。金融大模型需要进行大量数据的训练和长时间的实验因此开发大模型需要长期战略发展规划需要投入高性能设备、庞大的算力资源（、）、电力资源、长期的无回报资金以及专业的技术人员支持等这使得该技术在开发阶段就存在很高的准入门槛。
安全合规要求高数据泄漏、数据隐私问题。金融行业有很多数据的安全管理规范、技术标准但在大模型时代他们在模型训练、推理中到底起到了什么作用哪些数据要进行脱敏化处理需要结合大模型的应用场景和用户需求形成行业最佳实践。 如何在保证安全的同时利用数据训练模型是行业要面对的挑战数据泄露的风险比行业深度信息缺失还要严重。 相关资源来源 《年中国金融大模型产业发展洞察报告》——艾瑞咨询 《中国金融科技企业首席洞察报告》——毕马威 智研瞻产业研究院报告 作者：v公众号：商业知行侠 本文由 v 原创发布于人人都是产品经理。