К содержимому
Другое

Financial Reasoning Process Reward Model

пошаговый контроль финансовых расчётов у LLM

2 мин чтенияобновлено

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\n или \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}!")
ПодробнееБенчмарк 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.
Обсудить Telegram 0 33

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.2 GB · готовые файлы0.7 GB
  • BF16веса 0.1 GB0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # At1uri/financial-reasoning-process-reward-model
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download At1uri/financial-reasoning-process-reward-model --local-dir ~/models/financial-reasoning-process-reward-model
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии financial-reasoning-process-reward-model — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

At1uri/financial-reasoning-process-reward-model
Автор
At1uri
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

330

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

CIEAV-Model

CIEAV-Model