有无财务人员可使用的大模型？

用于增加记账的工作流，通过大语言模型把用户输入的非结构化数据转变成数据库能理解的结构化数据存入，并告诉用户结果1、开始：定义一个{{prompt}}，把用户在bot输入的记账内容传入进来（例如：今天花了233.32元吃了一顿烧烤）2、大模型：模型：本次任务比较简单，使用任意模型都可以胜任，无需调整大模型参数输入：定义了一个{{input}}引用了【开始节点】的prompt参数提示词：让大模型根据{{input}}传入的内容进行拆解，分别识别【记账事项】、【发生时间】、【变动金额】，并把识别出来的内容分别赋值到{{item}}、{{occurrence_time}}、{{balance_change}}输出：定义了【记账事项】、【发生时间】、【变动金额】对应的{{item}}、{{occurrence_time}}、{{balance_change}}3、数据库——插入记账记录输入：定义了{{item}}、{{occurrence_time}}、{{balance_change}}，用于接收从大模型节点{{item}}、{{occurrence_time}}、{{balance_change}}输出传入的内容SQL命令：不会写没关系，直接使用自动生成语法，输入命令如下，注意我们数据库存入的金额最小单位是分，所以在最终的语法，{{account_change}}*100；意思当用户说我花了2.23元，数据库存储的是2.23*100=223提示词：把item、occurrence_time、account_change存入到user_accounting_records表的{{item}}、{{occurrence_time}}、{{account_change}}中4、数据库——查询账户余额

客户服务代表：在每家银行，成千上万的客户服务代表都必须对银行的产品和相关的合规要求进行痛苦的培训，以便回答客户的问题。现在想象一下，一个新的客户服务代表开始工作，他们可以使用已经经过过去10年所有银行部门客户服务通话训练的大语言模型。代表可以使用该模型快速生成任何问题的正确答案，并帮助他们更聪明地谈论更广泛的产品，同时减少培训他们所需的时间。现有公司会希望确保他们的专有数据和客户特定的个人身份信息没有被用于改进其他公司可能使用的通用大语言模型。新进入者将必须在如何启动数据集方面具有创意。贷款员：贷款员目前从近十个不同的系统中提取数据来生成贷款文件。一个生成式AI模型可以在这些系统的所有数据上进行训练，这样贷款员只需提供客户名称，贷款文件就会立即为他们生成。贷款员可能仍然需要确保100%的准确性，但他们的数据收集过程将更加高效和准确。质量保证：银行和金融科技公司的大部分质量保证工作都涉及确保完全符合众多监管机构的要求。生成式AI可以大大加速这个过程。例如，[Vesta](https://www.usevesta.com/)可以整合一个经过Fannie Mae销售指南训练的生成式AI模型，以便立即提醒抵押贷款员合规问题。由于许多监管指南都是公开的，这可能为新的市场参与者提供了一个有趣的入口。然而，真正的价值仍然将归属于拥有工作流引擎的公司。这些都是迈向一个世界的步骤，在这个世界里，Sally可以即时获得可能的抵押贷款。--Angela Strange,Alex Rampell,和Marc Andrusko

[heading1]赛事简介[content]|文档|文档类型|文档大小|操作||-|-|-|-||question.json|json|0.06442642211914062MB|下载||submit_example.json|json|0.07362079620361328MB|下载||数据字典.xlsx.zip|zip|0.2711505889892578MB|下载|近年来，大型语言模型（LLM）在金融领域的应用取得显著进展。继「2023金融行业·大模型挑战赛」之后，我们将举办「2024金融行业·大模型挑战赛」，以期进一步推进大模型在金融行业的广泛应用。为确保比赛内容紧贴实际应用，我们整合了所有公开的金融数据，打造了符合金融场景需求的多轮问答评测赛题——金融多轮问答数据集。比赛将提供完整的基础数据表供选手使用。参赛选手需采用GLM-4系列模型API进行比赛。选手可运用多种技术手段，如代理方法（agentic）、文本到API（text2api）、文本到SQL（text2sql）和信息检索等，以完成赛题。赛题设有中文和英文两个测试集，选手可根据个人偏好选择其一进行优化和提升。主办单位：清华大学基础模型研究中心支持单位：智谱、博时基金、安硕信息、恒生聚源社区支持：魔搭社区，WaytoAGI，ZLead硅谷委员会，Huggingface模型支持：BigModel.cn数据支持：恒生聚源、安硕信息、博时基金