
FiMI بانکی با پاداش قابلراستیآزمایی، در وظایف خودش از مدل ۱۲ میلیاردی جلو میزند
پژوهش تازه FiMI Banking از تیم هوش مصنوعی NPCI یک ادعای عملی برای هوش مصنوعی مالی دارد: مدل ۴٫۵ میلیاردپارامتری در محیط بانکی بازپخشپذیر آموزش دید و امتیاز آزمون نگهداشتهشده را از ۰٫۶۱۰ به ۰٫۶۹۷ رساند؛ کمی بالاتر از ۰٫۶۹۰ مدل پایه ۱۲ میلیاردپارامتری، آن هم با ۲۹ درصد توکن خروجی کمتر در هر گفتوگو. این نتیجه برتری عمومی مدل کوچک را ثابت نمیکند. آزمون فقط هزار وظیفه مصنوعی بانکداری خرد هند با ابزار، وضعیت حساب و پاداش ازپیشتعریفشده را میسنجد و پس از آموزش هم ۲۱٫۸ درصد وظایف در هر دو نوبت شکست خوردند. همین مرز، پیام اصلی است: ترتیب دقیق فراخوانی ابزار و وضعیت نهایی حساب سیگنال قابلاعتمادتر میدهند، اما بخشی از ارزیابی رفتاری هنوز به یک داور زبانی تکیه دارد. پژوهش همزمان دیگری ناپایداری جدی داورهای زبانی روی سرویسهای مشترک را نشان میدهد. پیشنمایش HydraFusion گیتهاب و جذب سرمایه ۳۰۰ میلیون دلاری Gimlet نیز فشار اقتصادی مشابهی را از دو مسیر نشان میدهند: محاسبه را گزینشی مصرف کنید و کل گردشکار را بسنجید، اما ارزانی را با آمادگی تولید یکی نگیرید.









