Finanzielle große Sprachmodelle bieten enormes Potenzial für Finanzanwendungen. Allerdings stellen hohe Bereitstellungskosten und hohe Inferenzlatenzen wesentliche Hindernisse dar. Als wichtige Komprimierungsmethode bietet die Wissensdistillation eine effektive Lösung für diese Herausforderungen. Dieser Artikel liefert eine umfassende Untersuchung darüber, wie Wissensdistillation mit finanziellen großen Sprachmodellen interagiert und deckt drei Kernaspekte ab: Strategien, Anwendungen und Bewertung. Auf strategischer Ebene wird eine strukturierte Taxonomie eingeführt, um bestehende Distillationspfade vergleichend zu analysieren. Auf Anwendungsebene wird ein logisches Upstream-Midstream-Downstream-Rahmenwerk vorgeschlagen, das den praktischen Wert distillierter Modelle im Finanzbereich systematisch erklärt. Auf Bewertungsebene wird zur Lösung des Mangels an Standards im Finanzbereich ein umfassendes Bewertungsrahmenwerk erstellt, das mehrere Dimensionen wie finanzielle Genauigkeit, Inferenztreue und Robustheit bewertet. Zusammenfassend zielt dieser Artikel darauf ab, für dieses interdisziplinäre Gebiet eine klare Roadmap bereitzustellen, um die Entwicklung distillierter finanzieller großer Modelle zu beschleunigen.

finanzielle große Sprachmodelle; Wissensdistillation; Modellkomprimierung; quantitativer Handel