Financial Reasoning Process Reward Model
пошаговый контроль финансовых расчётов у LLM
2 min readupdated
Модель оценивает не только финальный ответ языковой модели, но и каждый шаг её рассуждений (Chain-of-Thought, или CoT) в задачах количественных финансов и прикладной вычислительной математики. На выходе она выдаёт откалиброванную вероятность корректности от 0 до 1 для каждого этапа решения и указывает, на каком именно шаге возникла математическая ошибка или галлюцинация. В отличие от стандартных моделей вознаграждения (ORM), которые проверяют только итоговое число, эта PRM (Process Reward Model — модель оценки процесса рассуждений) отлавливает скрытые логические сбои даже там, где ответ случайно сошёлся. Компактная модель размером 0.05B параметров от автора At1uri пригодится разработчикам финансовых ИИ-ассистентов и пайплайнов верификации сложных вычислений.
Ключевые особенности
- Оценивает каждый шаг рассуждений по отдельности после разделителей
\n\nили\nStep:и локализует первый ошибочный этап. - Покрывает шесть направлений: стохастическое исчисление, мартингальное ценообразование, микроструктуру рынка, арбитражный паритет, игры среднего поля и квантовые финансы.
- Отлавливает специфические математические ошибки: от неверного обнуления ковариации в формуле Ито до путаницы между реальным и риск-нейтральным дрейфом.
- Повышает точность генерации крупных LLM при выборе лучшего ответа из нескольких попыток (Best-of-N) и поиске по дереву Монте-Карло (MCTS).
Что можно сделать
- Встроить в пайплайн реранжирования ответов (Best-of-8) поверх Qwen-2.5-Math-72B или DeepSeek-R1-Distill-Qwen-32B для решения задач по финансовой математике.
- Использовать как автоматический валидатор цепочек рассуждений при обучении и отладке специализированных финансовых агентов.
- Интегрировать в MCTS-декодирование, чтобы отсекать ветки вычислений с нарушением условий отсутствия арбитража ещё до завершения генерации.
Пример
from prm_engine import FinancialProcessRewardModel
prm = FinancialProcessRewardModel()
result = prm.score_reasoning_trace(problem, cot_trace)
print("Reasoning Sound?", result["is_reasoning_sound"])
print(f"Hallucination detected at Step {result['first_hallucination_step'] + 1}!")
Подробнее
Бенчмарк quantitative-reasoning-cot-benchmarks (1000 задач): прирост Pass@1 с Best-of-8 составил +10.3% для Qwen-2.5-Math-72B-Instruct (до 91.8%), +12.2% для DeepSeek-R1-Distill-Qwen-32B (до 88.4%), +13.5% для Llama-3.3-70B-Instruct (до 81.5%) и +13.6% для Mistral-Large-2407 (до 77.8%).Точность определения ошибок по шагам (PRM Step F1): от 91.8% в играх среднего поля до 96.2% в мартингальном ценообразовании.
Язык: английский; размер модели — 0.05B параметров; лицензия Apache-2.0.










Comments