LLM Pro Finance Suite：面向金融应用的多语言大模型

金融行业对先进自然语言处理能力的需求在持续上升，而通用大模型在领域特定的金融任务上暴露出明显短板。材料点名的典型场景包括财务报告分析、风险评估和监管合规，这些文本有独特的语言习惯与领域细微差别，通用模型往往应付不来。LLM Pro Finance Suite 要回答的问题就是：能不能在不牺牲通用能力的前提下，得到一个真正懂金融的指令微调模型。它现在值得看，是因为路径选择不同——不是从零预训练一个领域模型，而是改造那些已经学会指令遵循、推理和毒性控制的通用 instruct 模型，把力气集中花在“适配金融领域”这一件事上。

覆盖范围上，这套 Suite 由五个指令微调模型组成，参数规模从 8B 到 70B，面向英语、法语、德语三种语言。训练语料是经过筛选的高质量金融语料，其中金融相关数据占比超过 50%，内容既有金融文档也有 chat 风格的交互数据，覆盖公司金融、投资分析、经济政策等子领域，文本类型从监管披露、金融新闻一直延伸到对话数据。评测使用的是一套综合金融 benchmark suite，把公开评测集与内部评测集整合在一起，以便在不同模型和任务之间做一致、可比的评估。方法上作者明确与以往工作划清界限：此前的研究多集中于微调预训练基础模型，他们则专注于改进通用的 instruct 模型。

五个模型各自的定位和底座在材料中交代得很清楚。Llama Open Finance 8B 是小型模型，不支持推理，基于 Llama 3.1 8B Instruct；Qwen Open Finance R 8B 同样是小型模型，但支持推理，基于 Qwen 3 8B；Gemma Pro Finance 12B 基于 Gemma 3 12B it，材料特别指出它在翻译相关任务上表现尤佳；Qwen Pro Finance R 32B 是中型模型，支持推理，基于 Qwen 3 32B；Llama Pro Finance 70B 基于 Llama 3.1 70B Instruct，不支持推理，但在多数任务上领先。作者已把其中两个 8B 参数模型公开释放，托管在 Hugging Face 的 DragonLLM 集合下，用以推动金融 NLP 的后续研究。

在结果层面，材料给出的结论是：这套模型在金融导向任务和金融翻译上，相对当前最优基线取得了一致性的提升。更重要的是，它们保留了基座模型较强的通用领域能力，在非专业任务上依然表现可靠。作者把这种“金融专长增强、通用能力不妥协”的双重能力，作为它可以作为金融工作流中现有 LLM 直接替换品的理由——换句话说，换模型的收益是领域内更准，代价理论上不该是通用场景退化。

这组结论的实践含义有两层。一层是选型：如果一个团队已经在用 Qwen 或 Llama 系模型跑金融场景，这套 Suite 提供了同源底座的领域版本，替换路径短；是否需要推理支持、是否以翻译为主，都能在五个模型里找到对应选项。另一层是生态：材料在背景部分指出，金融 LLM 领域长期存在开放获取有限、缺少标准化 benchmark、以英语为中心、对指令微调与对话模型评估不足等问题，并且基础模型迭代很快，早期专用系统面临过时风险。解读来看，这份工作同时给出了数据管线、benchmark suite 和一系列模型，正是在回应上述碎片化局面；公开两个 8B 模型，则降低了后续研究复现和继续微调的门槛。

这份资料适合做金融 NLP 落地、领域模型选型和微调实践的人读，读完能拿走三样东西：一张覆盖 8B 到 70B、区分推理与非推理、标明翻译强项的模型谱系图；一套多语言金融语料的构成思路，即金融相关数据占比过半、文档与对话混合、覆盖多个子领域；以及“改造 instruct 模型而非预训练基础模型”这条方法路线的完整动机陈述。边界也需要说清楚：现有材料只包含摘要与引言部分，没有给出具体评测分数、数据集规模、训练细节和基线清单，所以“持续优于当前最优基线”的幅度无法核验；五个模型中只有两个 8B 版本开源，其余模型的获取方式材料未作说明；作者所属机构信息在材料中同样缺失。

The LLM Pro Finance Suite: Multilingual Large Language Models for Financial Applications Gaëtan Caillaut, Raheel Qader, Jingshu Liu, Mariam Nakhlé Arezki Sadoune, Massinissa Ahmim, Jean-Gabriel Barthelemy Dragon LLM November 13, 2025 Abstract The financial industry’s growing demand for advanced natural lan- guage processing (NLP) capabilities has highlighted the limitations of generalist large language models (LLMs) in handling domain-specific fi- nancial tasks. To address this gap, we introduce the LLM Pro Finance Suite, a collection of five instruction-tuned LLMs (ranging from 8B to 70B parameters) specifically designed for financial applications. Our approach focuses on enhancing generalist instruction-tuned models, leveraging their existing strengths in instruction following, reasoning, and toxicity control, while fine-tuning them on a curated, high-quality financial corpus com-