Agentar-Fin-R1：通过领域专业知识、训练效率和高级推理增强金融智能

大型语言模型（LLM）在金融应用中展现出巨大潜力，但现有模型在面对需要复杂推理能力、严格可信度要求及高效适应领域特定需求的场景时仍存在局限。本文介绍基于Qwen3基础模型开发的金融大语言模型Agentar-Fin-R1系列（80亿和320亿参数），专门针对金融应用增强推理能力、可靠性和领域专业化。

优化方法整合了高质量系统化金融任务标签体系与综合多层可信保障框架，该框架包含：

通过标签引导的自动化难度感知优化、两阶段训练流程和动态归因系统，实现了训练效率的显著提升。模型在主流金融基准（包括Fineva、FinEval和FinanceIQ）以及通用推理数据集（如MATH-500和GPQA-diamond）上进行了全面评估。

为深入评估实际部署能力，创新性提出Finova评估基准，专注于智能体级金融推理与合规性验证。实验结果表明，Agentar-Fin-R1不仅在金融任务上达到最先进性能，还展现出卓越的通用推理能力，验证了其作为高风险金融应用可信解决方案的有效性。

Finova基准可通过此https URL获取。