该论文调查了大型语言模型的八个潜在问题，包括其预测能力的增强，不可预测的行为的出现，对外部世界的学习和使用表示，行为引导技术的不可靠性，内部工作方式的解释困难性，性能上界不是人类任务表现，不一定表达其创建者或网络文本编码的价值观，与LLMs 的简短交往经常是误导性的。

Apr, 2023

该研究探讨了大型语言模型（LLMs）对中国劳动力市场的潜在影响，通过人工专业知识和LLM分类的分析，我们研究了LLM能力对职业暴露的影响。结果显示职业暴露与工资水平/经验溢价呈正相关，暗示高薪和经验密集型工作可能面临更大的被LLM软件取代的风险。该研究在理解中国日益强大的AI系统对劳动力市场的影响方面提供了分析基础，创新之处在于职业层面的暴露分析、行业聚合方法以及纳入AI采用和劳动力市场效应的经济模型。该研究结果将为决策者和企业提供关于最大化AI效益和减轻负面影响风险的策略建议。

Aug, 2023

年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普500指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

Sep, 2023

本研究探讨了对预训练大型语言模型（LLMs）进行微调和应用于特定领域的方法，重点关注LLMs、基础模型和特定领域预训练方法的趋势。针对金融行业，研究详细介绍了数据集选择、预处理、模型选择和金融领域LLM微调的关键考虑因素。通过实例展示了LLM微调在金融领域的实际应用，包括股价预测、金融新闻情感分析、自动文档处理、信息提取和客户服务的增强。本研究旨在推进自然语言处理技术在商业领域的应用，建议积极利用LLM在金融服务等行业中的潜力。

Jan, 2024

这项研究引入了一种新的框架，金融偏见指标（FBI），来对大型语言模型（LLMs）的金融合理性进行评估，重点是它们辨识和应对金融信息中微妙之处的能力，以及发现可能会偏向市场分析的非理性偏见。研究采用创新方法来衡量金融合理性，整合行为金融学的原则来审视LLMs的偏见和决策模式，并对19个主要LLMs进行全面评估，结果显示模型之间存在不同程度的金融非理性，受到设计和训练的影响。这项研究丰富了我们对LLMs在金融应用中的优势和弱点的认识，为开发更可靠和理性的金融分析工具奠定了基础。

Feb, 2024

该研究对中美两国大型语言模型在英语和中文环境下进行了全面比较评价，发现GPT 4-Turbo在英语环境中居于领先地位，而Ernie-Bot 4在中文环境中表现出色。研究强调了语言和任务差异对大型语言模型性能的影响，强调在模型开发中的语言和文化细微差别的重要性，并指出中美大型语言模型的相互补充性，强调了中美之间在推进大型语言模型技术方面的合作价值。该研究还为政策制定者和企业关于战略性大型语言模型投资和发展提供了有价值的见解，并展望了未来的研究方向，包括多模态能力和商业应用方面的评估。

May, 2024

大型语言模型（LLMs）在理解和生成任务方面取得了显著的表现，但其在偏见、上下文理解和对提示的敏感性方面存在限制，因此对其在实际应用中的准备性产生了担忧。本文通过对四个可访问的LLMs使用真实世界数据进行的实验，深入研究了LLMs在业务流程中的实用性和准备性。研究结果对希望利用生成式人工智能的组织具有重大影响，并为未来的研究方向提供了宝贵的见解。据我们所知，这是第一项将LLMs应用于核心业务运营和挑战的定量研究。

Jun, 2024

通过引入优化函数的动态框架，使大型语言模型（LLMs）能够请求用户提供的多个潜在选项及其相应参数，以确定基于预定义标准的最优解，从而在复杂多变的问题中提供定制化的最佳解决方案，显著提高LLMs在实际应用中的效用和效果。

Jul, 2024

本研究探讨了大型语言模型（LLM）在财务报表分析中是否能够与专业分析师相媲美。研究发现，LLM能够在没有额外行业信息的情况下，准确预测未来盈利变化，并在财务分析师面临挑战时表现出相对优势。这一发现表明，LLM可能在决策中发挥重要作用，其基于预测的交易策略比其他模型表现出更高的夏普比率和阿尔法值。

Jul, 2024

本研究解决了大语言模型（LLMs）在解读现有文献方面的有效性，特别是环境、社会和治理（ESG）因素与财务绩效之间关系的系统评价。研究发现，经过微调的GPT-4o Mini模型在准确性上平均超越基础LLMs达28.3%，显示了LLMs在帮助投资者和机构总结复杂ESG投资证据中的潜力，从而加快决策并提升市场效率。

Aug, 2024