FISCAL：金融合成声明文档增强学习用于高效事实核查
人工智能
2025-11-26 v1
摘要
大语言模型(LLM)的金融应用需要事实可靠性和计算效率，但当前系统常导致幻觉并依赖昂贵的大模型。我们提出FISCAL（Financial Synthetic Claim-Document Augmented Learning），一个模块化框架，用于生成针对金融事实核查的合成数据。使用FISCAL，我们生成了称为FISCAL-data的数据集，并用其训练MiniCheck-FISCAL，一个轻量级验证器，用于验证数值型金融声明。MiniCheck-FISCAL在基线测试中表现优异，超越了GPT-3.5 Turbo和其他类似规模的开源模型，接近20倍规模的系统（如Mixtral-8x22B和Command R+）。在外部数据集FinDVer和Fin-Fact上，它与GPT-4o和Claude-3.5相当，而优于Gemini-1.5 Flash。这些结果表明，领域特定的合成数据结合高效微调，使紧凑模型在实际金融AI应用中实现事实准确性、鲁棒性和可扩展性的突破性水平。数据集和脚本均可在项目仓库中获取（论文中提供链接）。
引用
@article{arxiv.2511.19671,
title = {FISCAL: Financial Synthetic Claim-document Augmented Learning for Efficient Fact-Checking},
author = {Rishab Sharma and Iman Saberi and Elham Alipour and Jie JW Wu and Fatemeh Fard},
journal= {arXiv preprint arXiv:2511.19671},
year = {2025}
}
备注
3 tables, 11 pages, 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Generative AI in Finance