1.1 金融信息抽取任务界定与对比维度
我这些年接触金融信息抽取项目，最大的感受是这个领域的任务边界远比学术论文里写的要模糊。你去问一家券商的技术负责人，他们说的“信息抽取”可能包括从年报里把营收、净利润这些指标抠出来，也可能是指从研报里判断分析师对某只股票是看多还是看空，甚至还包括从新闻里识别某个公司是不是踩了监管红线。我把这些需求归拢了一下，大致能分成实体识别、关系抽取、事件抽取、要素抽取和文档级抽取这几类。实体识别是认人认机构认产品，关系抽取是搞清楚谁控制谁、谁跟谁有业务往来，事件抽取是从文本里捕捉并购、违约、高管变动这类动态，要素抽取偏合同票据场景，比如把一份信贷合同里的金额、利率、期限、担保方式逐项拆出来，文档级抽取则是把前面这些能力串起来，针对一份几十页的PDF做整体结构化。
这几类任务对模型的要求差别挺大。实体识别和要素抽取更像“找东西”，输入输出相对局部，传统序列标注模型能做得不错；关系抽取和事件抽取要理解上下文里的语义关联，有时候跨句子跨段落，大模型的优势就显出来了。文档级抽取最棘手，它考验的是长文档理解、多页信息对齐和结构化输出的完整性，我见过不少项目在这里翻车。所以我在做模型对比的时候，不会笼统地问“哪个模型好”，而是先把这个对比维度拆开，看具体任务落在哪个象限，再去看候选模型在这个象限里的表现。这几个维度不是孤立的，实际业务里往往是组合出现，一份年报里既有实体也有关系还有事件，这也决定了后面讨论模型谱系的时候不能一刀切。
1.2 传统信息抽取模型的技术路线
传统这条线我算是从头跟过来的。早年间做金融文本抽取，规则模板是主力，正则表达式加上词典匹配，针对格式固定的公告和报表能跑到很高的准确率。这套东西的好处是可控、可解释，业务方问为什么抽错了，你能精确指到某条规则。坏处也明显，模板维护成本随文本形态变化蹭蹭往上涨，一家新客户的合同格式稍有不同就得重新调。
后来统计机器学习接棒，CRF、SVM这些方法在序列标注任务上表现稳定，人工特征工程是核心工作。我记得做实体识别的时候，前后缀特征、词性特征、词典特征得一条条设计，调特征的过程很磨人，但模型泛化能力确实比纯规则强。再往后深度学习进来，BiLSTM-CRF成了标配，预训练小模型像BERT、RoBERTa在金融NER和关系抽取上也被广泛使用。这类模型参数量小，推理快，微调成本低，到现在很多生产环境里还在跑。我个人的判断是，传统路线在任务定义清晰、标注数据充足、格式相对规范的场景下依然是性价比很高的选择，尤其在需要高精度定位和低延迟响应的环节，它并没有过时。
1.3 金融领域大模型的信息抽取范式
大模型进入金融信息抽取这个领域，玩法确实变了。我最早接触的是提示工程这条路，把抽取任务写成自然语言指令，让模型直接输出结构化结果。这种方式上手快，不需要标注数据，适合快速验证和冷启动。问题是稳定性不够，同一个提示换个措辞，输出格式可能就飘了，金融场景对字段完整性要求高，这种不确定性让人头疼。
指令微调是我认为目前落地效果比较扎实的路径。拿业务数据构造指令-答案对，对开源大模型做微调，让模型学会按照固定schema输出。检索增强生成则解决了知识时效性和事实准确性的问题，把相关文档片段检索出来再让模型抽取，幻觉率能压下来不少。结构化输出这块，现在不少框架支持JSON schema约束，模型输出直接对接下游系统，工程上省了很多清洗工作。这几种范式我在项目里都试过，没有哪一种通吃，往往是指令微调打底，检索增强补事实，结构化输出保格式，组合起来用。
1.4 金融领域大模型与传统信息抽取模型对比
把这两类模型放在一起比，我习惯从抽取能力、领域适应、泛化性、可解释性和部署成本几个角度切。抽取能力上，传统模型在封闭类别、短文本、格式规整的任务里精度不输大模型，大模型胜在复杂语义理解和零样本迁移，面对没见过的实体类型或者跨句关系，它能靠语义推理兜住。领域适应方面，传统模型依赖标注数据，换一个金融子领域就得重新标一轮，大模型通过提示或者少量示例就能快速适配，这个优势在业务拓展期特别明显。
泛化性和可解释性像是一对矛盾。大模型泛化强，但输出过程是个黑箱，业务方问为什么这个合同被判定为有风险，你很难给出让人信服的解释。传统模型在这方面有天然优势，特征权重、规则命中都能追溯。部署成本上差距更大，传统小模型一张GPU卡能跑很多路，大模型推理延迟和算力开销高一个数量级，规模化部署的账得算清楚。我的经验是，不要指望用一个大模型替换掉所有传统模型，更多时候是让它们各管一段，传统模型做高精度定位和初筛，大模型做语义理解和复杂关系抽取。
1.5 模型对比的边界条件
做模型对比最容易犯的错误是脱离条件谈优劣。数据规模是个硬约束，标注数据少的时候大模型的少样本能力是救命稻草，标注数据充足且任务定义清晰的时候传统模型可能更划算。标注成本也得算进去，金融领域标注需要业务专家参与，一条高质量标注数据的成本远高于通用领域，这个账直接影响模型选型。
任务复杂度和时效要求同样关键。简单的要素抽取用传统模型毫秒级响应，大模型跑一遍可能几百毫秒甚至更久，高频交易相关的场景根本等不起。合规约束是金融行业绕不开的边界，数据不出域、输出可审计、模型可解释，这些要求会直接排除掉一些方案。我在实际项目里做对比，会先把这些边界条件列清楚，在约束范围内找最优解，而不是拿一个实验室指标到处套。边界条件变了，结论可能完全反过来，这一点在后面的场景化讨论里还会反复提到。
2.1 评测数据集类型对比：通用信息抽取数据集、金融公告与研报数据集、合同票据数据集、新闻舆情数据集
我做金融信息抽取模型评测时，数据集选择经常比模型选择更让人纠结。通用信息抽取数据集像ACE、CoNLL、DuIE这类，标注规范成熟，社区引用多，拿来跑基线很方便。它们覆盖的实体和关系类型偏通用，金融术语、财报口径、监管表述在里边很少见。拿这样的数据集刷出高分，放到真实金融文档上往往掉一大截。我习惯把通用数据集当“体检项”，用来判断模型的基础抽取能力，不能把它当成金融场景的最终成绩单。
金融公告和研报数据集更贴近业务，像年报问询函、招股书、券商深度报告，文本长、表格多、专业术语密集。我参与过一份研报事件抽取数据集的构建，标注人员需要判断分析师观点、目标价调整、评级变化，标注粒度比通用NER细很多。合同票据数据集又是另一种形态，信贷合同、票据、保单里的要素抽取强调字段完整性和数值准确性，版面结构复杂，扫描件噪声大。新闻舆情数据集偏动态，时效性强，实体消歧和事件因果判断是难点。这几类数据集我一般会分开评测，混在一起算平均分容易掩盖模型在某一类上的短板。
我见过团队拿公告数据集训模型，直接去跑合同票据抽取，F1看着还行，字段级准确率惨不忍睹。数据类型差异带来的分布偏移，在金融领域特别明显。评测数据集类型对比这件事，我的做法是至少覆盖两类：一类贴近训练分布，一类贴近目标业务分布。只测前者容易高估，只测后者又很难定位问题。
2.2 数据集构建与标注质量对比
数据集构建这件事，我踩过的坑比模型调参多。领域覆盖要提前想清楚，一份金融公告数据集如果只覆盖制造业上市公司，拿去做银行信贷合同抽取，领域覆盖就不够。标注粒度也影响评测结论，实体识别标到“公司”还是“公司+股票代码”，关系抽取标不标跨句关系，这些细节决定了模型要学会多难的任务。我在项目里会先写标注规范，找少量样本做一致性测试，标注员之间分歧大的类别要么合并要么重新定义。
噪声控制是金融数据集的硬功夫。公告PDF转文本会丢表格结构，合同扫描件有印章遮挡，新闻里存在标题党和重复转载。我一般会做规则清洗加人工抽检，抽检比例不低于百分之十。隐私脱敏在合同和客户尽调数据里绕不开，身份证号、银行账号、联系方式需要脱敏处理，脱敏之后还要保证实体边界不被破坏。版本管理经常被忽略，数据集增删改没有记录，模型效果波动时根本查不到原因。我现在习惯给每个数据集打版本号，标注规范、原始文件、清洗脚本一起归档。
标注质量对比不能只看标注数量。金融领域标注需要业务专家参与，一条高质量的关系标注可能顶十条粗标。我见过用众包方式标金融事件，标注员不理解“实质性重组”和“财务性投资”的区别，标出来的数据噪声很大。构建评测集时，我会留一部分专家复核样本，专门用来评估标注质量对模型评分的影响。标注质量不过关，后面的指标对比都是沙上建塔。
2.3 评测指标对比：精确率、召回率、F1、结构化输出准确率、端到端抽取成功率与人工复核成本
精确率、召回率、F1是绕不开的基础指标，我在论文和项目报告里都会报。金融场景对精确率和召回率的偏好不一样，合同要素抽取漏一个金额字段可能带来合规风险，召回率权重更高；舆情风险识别里误报太多会淹没风控人员，精确率更受关注。F1是个折中指标，方便横向比较，业务方往往不买账。我跟业务团队沟通时，会把它翻译成“抽错的字段占比”和“漏抽的字段占比”，沟通效率高很多。
结构化输出准确率是我在工程落地时更看重的指标。一份合同抽出二十个字段，模型输出JSON格式对不对、字段名映射准不准、嵌套关系有没有错，这些用传统F1衡量不了。我通常定义字段级完全匹配率，再定义文档级全字段正确率。端到端抽取成功率更苛刻，从文档解析、字段定位、值抽取到格式校验整条链路跑通才算成功。这个指标低的时候，我去查日志经常发现是PDF解析或者schema校验环节出的问题，模型本身不背锅。
人工复核成本这个指标很少出现在论文里，实际项目里却直接决定方案能不能上线。我算过一笔账，模型F1提升两个点，人工复核工作量可能只降百分之五；结构化输出准确率提升五个点，复核成本能降一大截。评测指标对比时，我会把人工复核时间和单文档处理成本纳入表格，跟准确率指标放在一起看。业务方关心的是整体效率，不是单一模型分数。
2.4 大模型评测的特殊指标：提示稳定性、事实一致性、幻觉率、长文档理解与多轮抽取一致性
大模型评测跟传统模型评测不是一个套路。提示稳定性是我必测的项，同一个抽取任务换三种提示模板，看输出格式和字段值波动有多大。金融场景字段名固定，模型把“营业收入”输出成“营收”或者“营业总收入”，下游系统就要做额外映射。我做过一个简单测试，温度参数设为零，提示里加一句“请严格按照schema输出”，稳定性会好一些。提示稳定性差的模型，工程上要加输出校验和重试机制，这些成本得提前算。
事实一致性跟幻觉率像一对孪生指标。模型抽取出一个合同金额，这个金额在原文里有没有依据，需要逐字段核对。我一般会做抽样人工校验，算字段级事实一致率，再统计无原文依据的幻觉字段占比。金融文档里数字多、条款交叉引用多，模型容易把不同条款的金额拼在一起。长文档理解也是大模型评测的重点，几十页的募集说明书，模型能不能跨章节对齐发行人和担保人信息，这个能力用短文本F1测不出来。我会专门构造长文档测试集，按页数分层看效果衰减。
多轮抽取一致性是个容易被忽略的指标。同一份文档，今天抽一遍明天再抽一遍，结果是不是稳定；换一个相近的提示，实体边界是不是一致。金融业务对可审计性要求高，输出飘忽不定很难通过合规审查。我评测大模型时会跑多轮重复实验，统计字段级一致率，再结合人工复核看差异是否可接受。这些特殊指标跟传统指标放在一起，才能拼出大模型在金融信息抽取上的真实画像。
2.5 实验设计与可复现对比：基线选择、数据切分、交叉验证、误差分析与统计显著性检验
实验设计这块，我见过太多不可复现的对比。基线选择不公平是常见问题，拿一个精调过的大模型跟一个默认参数的BERT比，结论没有说服力。我一般会选三类基线：传统规则或CRF基线、预训练小模型微调基线、同规模大模型提示或微调基线。基线代码和参数配置要写清楚，随机种子固定，否则换台机器结果就变。数据切分也要交代，按文档切分还是按句子切分，金融文档里同一份公告的句子高度相关，按句子随机切分容易造成数据泄露。
交叉验证在金融小样本场景很有用，五折交叉验证比单次划分稳。我做交叉验证时会按公司或行业分层，避免某一折里全是同一类公告。误差分析我习惯按实体类型、文档长度、字段类别拆开看，找出模型系统性犯错的地方。统计显著性检验经常被省略，两个模型F1差零点五个点，在测试集规模小的时候可能只是噪声。我会跑多次实验算置信区间，或者用配对检验看差异是否稳定。可复现对比不是学术洁癖，工程选型时一个不可靠的结论可能带来几十万的试错成本。
2.6 金融信息抽取模型评测数据集与指标对比的常见误区与改进建议
常见误区里，只盯F1最普遍。F1高不代表结构化输出能用，也不代表人工复核成本低。数据集污染是另一个坑，预训练语料里混进了评测集，大模型跑出虚高分数，项目上线才发现问题。我建议评测前做去重和污染检查，至少拿训练语料和测试集做相似度比对。指标不可比也很常见，不同论文用不同数据切分、不同实体定义，表格里并排放数字看着热闹，实际没法直接比。
改进建议我一般从三层说。评测集层面，建一个贴近业务的金融信息抽取基准，覆盖公告、合同、研报、舆情四类数据，标注规范公开，版本可追溯。指标层面，传统指标之外加入结构化输出准确率、端到端成功率和人工复核成本，大模型再加提示稳定性、事实一致性和多轮一致性。实验层面，固定基线、固定切分、固定随机种子，报告置信区间和误差分析。我在团队里推行“评测卡”制度，每个模型一张卡，写清楚数据集版本、指标定义、实验配置和已知缺陷，选型讨论时大家看同一张卡，少很多口水仗。
金融信息抽取模型评测数据集与指标对比这件事，核心是让评测贴近业务决策。数据集选得对，指标定义得清楚，实验设计可复现，模型对比才有意义。我经常提醒自己，评测不是为了刷榜，是为了回答“这个模型能不能在真实金融场景里稳定干活”。
3.1 典型金融场景对比：财报公告抽取、信贷合同要素抽取、研报事件抽取、客户尽调信息抽取与舆情风险识别
做模型选型这些年，我最大的感受是金融信息抽取压根没有一个通吃方案。财报公告抽取像跑马拉松，文档动辄上百页，表格跨页、附注交叉引用，模型得能扛住长上下文。我试过用大模型整篇读年报，token消耗吓人，抽出来的数字倒还算靠谱，可财务附注里一个不起眼的“其中”就能让归母净利润和净利润串位。这个场景我现在偏向小模型做表格结构化解析，大模型负责跨段落语义对齐。
信贷合同要素抽取是另一个极端。合同模板化程度高，字段位置相对固定，传统序列标注模型加规则校验能把利率、期限、担保方式抓得挺准。麻烦在扫描件和附件变更协议，OCR一噪，实体边界全乱。我经历过一个项目，合同正本抽取F1能到九十二，补充协议一加进来直接掉到七十八。后来加了版面分析和大模型兜底复核，才算稳住。
研报事件抽取有意思的地方在于观点和事实混在一起。“分析师认为目标价有百分之三十上行空间”这句话里，事件主体、事件类型、情感倾向、数值都要抽。传统模型能识别“目标价”这个实体，判断“上调”还是“下调”就容易犯晕。我用大模型做指令微调抽事件角色，配合小模型做实体定位，效果比单模型好不少。
客户尽调信息抽取是我最头疼的场景。信息来源杂，工商数据、司法涉诉、舆情新闻、年报披露搅在一起，实体消歧难度极高。同一个“某某科技有限公司”在工商和舆情里可能指向不同主体。这个场景对模型的事实一致性和引用溯源要求特别高，抽出来的每一条信息都得能回指原文。舆情风险识别更偏实时性，新闻一出来几分钟内要判断情感极性和风险等级，模型推理延迟比F1还关键。
这些场景摆在一起看，我选型的思路很直接：文档长度决定上下文策略，字段结构决定要不要schema约束，数据形态决定OCR和版面分析的权重，时效要求决定模型大小。拿一个场景的评测成绩去推另一个场景，十有八九要翻车。
3.2 不同场景下的模型组合策略：传统模型做高精度定位、大模型做语义理解与复杂关系抽取、混合流水线设计
单模型打天下的想法我早就放弃了。现在做方案，第一反应是画流水线。传统模型像CRF、BERT-BiLSTM这些，在实体边界定位上又快又稳，推理成本低，部署也简单。我一般让它们干第一道活：把候选实体、候选字段位置圈出来。大模型接在后面做语义判断，比如这个“应收款项”到底是应收账款还是其他应收款，这笔金额对应的到底是合同总价还是分期付款额。
混合流水线设计里，我特别在意两件事。一件是接口的一致性，小模型输出的实体偏移量和大模型输出的JSON字段要能对上，不然中间得写一堆胶水代码。另一件是置信度传递，小模型给每个候选打一个置信分，大模型对低置信候选做重点复核。我做过一个合同要素抽取流水线，小模型高置信字段直接落库，低置信字段送大模型判定，整体准确率比全量送大模型高了两个点，推理成本降了六成。
大模型在复杂关系抽取上的价值确实明显。信贷合同里担保人和被担保人的关系，传统模型跨句就歇菜。大模型把相关条款段落拼一起做提示，能抽出“母公司为子公司提供连带责任保证”这种嵌套关系。我通常会把长文档按条款切块，块之间加引用标记，让大模型做局部关系判断，再用规则把跨块关系拼起来。这个组合策略在研报事件抽取里也好用，小模型定位事件触发词，大模型判断事件类型和论元角色。
混合流水线的坑也不少。错误传播是最要命的，小模型漏掉的候选实体，大模型根本没机会看到。我一般会在小模型阶段把召回率调高，宁滥勿缺，把精确率的压力交给大模型。流水线监控也得做细，每个环节的输入输出都要打日志，不然线上效果波动时根本定位不到是哪个模块出了问题。
3.3 成本效益与工程化对比：训练成本、推理延迟、标注投入、维护成本与规模化部署方案
算成本这件事，我习惯把账拆成四块：训练、推理、标注、维护。训练成本上，传统小模型微调一张消费级显卡就能跑，大模型全参微调动辄几十张A100，LoRA能省不少但效果有折损。我做过一个对比，同样的合同要素抽取任务，BERT微调训练成本大概几百块，大模型指令微调加数据构造花了小两万。效果上大模型F1高三个点，这三个点值不值两万块，得看业务场景。
推理延迟是工程化绕不开的坎。舆情风险识别要求秒级响应，大模型逐条推理根本扛不住。我的做法是小模型做首轮过滤，高风险或低置信样本再走大模型。合同要素抽取对延迟容忍度高一些，批量跑就行，大模型可以用。规模化部署方案上，我倾向分级处理：高频简单任务用小模型常驻服务，低频复杂任务用大模型异步队列。资源利用率能拉高，成本也可控。
标注投入经常被低估。金融领域标注需要业务背景，标注员培训周期长，单价是通用领域的几倍。大模型方案看着省标注，提示工程和输出校验的人力投入其实不少。我算过一笔账，大模型零样本抽取的字段准确率大概七成，要提到九成以上，要么做指令微调需要标注数据，要么加人工复核。绕一圈回来，标注成本没省多少，只是换了个形式。
维护成本是长线账。传统模型版本迭代要重新训练、重新评测、重新部署。大模型换一版基座模型，提示模板可能要全调，输出格式可能漂移。我现在的做法是给每个模型模块建回归测试集，每次迭代跑一遍，看关键字段准确率有没有掉。规模化部署时，模型服务监控、降级预案、输出校验规则都得提前设计。成本效益对比不能只看单次训练开销，得把三年运维成本摊进去算总账。
3.4 合规与风险控制对比：数据安全、模型可解释性、审计追溯、输出可控性与金融监管要求
金融行业做模型选型，合规是一票否决项。数据安全上，大模型API调用涉及数据出境，很多金融机构内部规定客户信息不能出内网。我现在的方案优先考虑私有化部署，开源大模型本地推理，牺牲一点效果换合规安心。传统模型本来就在内网跑，这点反而省心。数据脱敏在训练和推理阶段都要做，合同里的账号、身份证号、客户姓名不能裸奔进模型。
可解释性这块传统模型有天然优势。CRF能输出特征权重，BERT有注意力可视化，虽然也不完美，至少能给审计人员看个大概。大模型的推理过程像个黑箱，抽出一个担保金额，问它为什么是这个数，它给的解释可能是编的。我现在的做法是强制大模型输出原文引用片段，每个抽取字段必须附上依据句子，审计时人工核对引用和字段是否匹配。这个约束对提示设计要求高，但合规上必须做。
审计追溯要求每个抽取结果能回答三个问题：什么时候抽的、用的哪个模型版本、依据原文哪一段。我一般在流水线里埋日志点，模型版本、提示模板版本、输入文档哈希、输出字段和引用全部落库。传统模型和大模型混用时，追溯链路要打通。金融监管对模型输出有明确要求，比如信贷合同要素抽取错误导致放款金额偏差，责任要能定位。输出可控性上，我倾向让大模型只做候选生成，最终落库前加规则校验层，金额字段做数值范围检查，日期字段做格式校验。
监管要求这两年越来越细，模型风险管理、算法备案、输出可审计都在收紧。我选型时会把合规成本算进去，大模型方案要多配人工复核和引用校验模块，传统模型方案要多配规则维护人力。没有哪个方案天然合规，都得靠工程手段把风险压住。
3.5 金融信息抽取模型选型决策框架：任务匹配度、数据条件、性能目标、成本约束与迭代路线
选型决策我一般按五步走。第一步看任务匹配度，抽取任务偏实体定位还是语义理解，文档是短文本还是长文档，输出是扁平字段还是嵌套关系。这一步基本能筛掉一半不合适的方案。信贷合同字段抽取，传统模型加规则就能打；研报事件论元抽取，不上大模型很难做深。我习惯画一个任务特征表，把每个场景的文档长度、字段复杂度、语义难度打个分，跟模型能力对齐。
第二步看数据条件。手头有多少标注数据，有没有领域词典，历史项目有没有可复用的训练集。标注数据少于一千条，传统模型微调容易过拟合，大模型零样本或少量示例反而更稳。数据充足且标注质量高，小模型精调性价比最高。我见过团队数据没攒够就上大模型，提示调了两周效果上不去，回头补标注又花一个月。
第三步定性能目标。业务方要的到底是F1九十五还是端到端成功率九十，这两个指标对模型的要求不一样。合同要素抽取我会把字段级完全匹配率设成硬指标，舆情识别把精确率设成硬指标。目标定完再倒推方案，不是先选模型再找指标。第四步算成本约束，训练预算、推理预算、标注预算、运维预算四项加总，跟性能目标做权衡。第五步规划迭代路线，先上什么方案保底，什么时候引入大模型增强，什么条件下切全大模型。我一般建议从混合方案起步，小模型保底，大模型做增量，跑三个月看数据再决定要不要扩大大模型比例。
这个框架不是一次性的，业务需求变了、数据积累多了、模型价格降了，选型结论都得重算。我每季度会跟业务方过一遍模型效果和成本账，该换方案就换，不恋战。
3.6 未来趋势：领域大模型轻量化、传统模型与大模型融合、评测基准标准化与可信金融信息抽取
领域大模型轻量化是我最看好的方向。现在几百亿参数的大模型跑金融抽取，很多能力用不上，推理成本却实打实。已经有团队在做金融领域的小参数模型，几十亿参数专攻合同和公告，效果接近大模型，推理成本降一个量级。我预计未来两年，金融信息抽取会出现一批十亿参数级别的专用模型，配合蒸馏和量化，单卡就能跑。
传统模型和大模型的融合会更紧密。现在是我手工拼流水线，未来可能是统一框架里小模型和大模型联合训练，小模型学定位，大学模型学语义，梯度能传通。我关注到一些研究在做检索增强和工具调用的结合，让大模型自己决定什么时候调小模型、什么时候查知识库。这个方向在金融场景很有价值，合同抽取时大模型可以主动调用条款解析工具，不用硬猜。
评测基准标准化这件事，行业里喊了很久，落地的不多。我期待出现一个公开的金融信息抽取基准，覆盖公告、合同、研报、舆情四类数据，标注规范统一，版本可追溯，排行榜上的分数能横向比较。现在各家论文各用各的数据集，选型时参考价值有限。可信金融信息抽取是另一个趋势，输出要带引用、带置信度、带审计日志，模型不光要抽得准，还要说得清。我现在的项目已经在强制要求引用溯源，未来这应该会成为金融信息抽取的标配能力。
这些趋势落到日常工作上，我的策略是保持技术敏感度，不盲目追新。轻量化模型出来先拿业务数据测，融合框架成熟了再往流水线里嵌，评测基准有了就对齐着用。金融信息抽取这件事，稳比快重要，可信比先进重要。
