論文の概要: Data-Driven Function Calling Improvements in Large Language Model for Online Financial QA

• arxiv url: http://arxiv.org/abs/2604.05387v1
• Date: Tue, 07 Apr 2026 03:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.607172
• Title: Data-Driven Function Calling Improvements in Large Language Model for Online Financial QA
• Title（参考訳）: オンライン金融QAのための大規模言語モデルにおけるデータ駆動型関数呼び出しの改善
• Authors: Xing Tang, Hao Chen, Shiwei Li, Fuyuan Lyu, Weijie Shi, Lingjie Li, Dugang Liu, Weihong Luo, Xiku Du, Xiuqiang He,
• Abstract要約: 大規模言語モデル(LLM)は多くの産業用途に取り入れられている。 API資産は金融ドメイン内のさまざまな機能に分散しています。 オンラインの財務質問応答システムは、LLMとプライベートAPIの両方を活用して、タイムリーな財務分析と情報を提供する。
• 参考スコア（独自算出の注目度）: 17.953006912812494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have been incorporated into numerous industrial applications. Meanwhile, a vast array of API assets is scattered across various functions in the financial domain. An online financial question-answering system can leverage both LLMs and private APIs to provide timely financial analysis and information. The key is equipping the LLM model with function calling capability tailored to a financial scenario. However, a generic LLM requires customized financial APIs to call and struggles to adapt to the financial domain. Additionally, online user queries are diverse and contain out-of-distribution parameters compared with the required function input parameters, which makes it more difficult for a generic LLM to serve online users. In this paper, we propose a data-driven pipeline to enhance function calling in LLM for our online, deployed financial QA, comprising dataset construction, data augmentation, and model training. Specifically, we construct a dataset based on a previous study and update it periodically, incorporating queries and an augmentation method named AugFC. The addition of user query-related samples will \textit{exploit} our financial toolset in a data-driven manner, and AugFC explores the possible parameter values to enhance the diversity of our updated dataset. Then, we train an LLM with a two-step method, which enables the use of our financial functions. Extensive experiments on existing offline datasets, as well as the deployment of an online scenario, illustrate the superiority of our pipeline. The related pipeline has been adopted in the financial QA of YuanBao\footnote{https://yuanbao.tencent.com/chat/}, one of the largest chat platforms in China.
• Abstract（参考訳）: 大規模言語モデル(LLM)は多くの産業用途に取り入れられている。 一方、多数のAPI資産は金融ドメイン内のさまざまな機能に分散しています。 オンラインの財務質問応答システムは、LLMとプライベートAPIの両方を活用して、タイムリーな財務分析と情報を提供する。 鍵となるのは、金融シナリオに合わせた関数呼び出し機能を備えたLLMモデルだ。 しかしながら、一般的なLLMでは、金融ドメインに適応するためにコールと苦労を行うために、カスタマイズされた金融APIが必要です。 さらに、オンラインユーザクエリは多様であり、必要な関数入力パラメータと比較して配布外パラメータを含んでいるため、ジェネリックLLMがオンラインユーザに提供するのが難しくなる。 本稿では、データ構築、データ拡張、モデルトレーニングを含むオンライン金融QAのLLMにおける機能呼び出しを強化するためのデータ駆動パイプラインを提案する。 具体的には、以前の研究に基づいてデータセットを構築し、定期的に更新し、クエリとAugFCと呼ばれる拡張メソッドを組み込んだ。 ユーザクエリ関連のサンプルを追加することで、データ駆動型で財務ツールセットを‘textit{exploit}’し、AugFCは、可能性のあるパラメータ値を調べて、更新されたデータセットの多様性を高めます。 そして、2段階の手法でLLMを訓練し、金融機能の利用を可能にした。 既存のオフラインデータセットに関する大規模な実験と、オンラインシナリオのデプロイは、パイプラインの優位性を示しています。 関連するパイプラインは、中国最大のチャットプラットフォームのひとつであるYuanBao\footnote{https://yuanbao.tencent.com/chat/}の財務QAで採用されている。

関連論文リスト

• FinAI Data Assistant: LLM-based Financial Database Query Processing with the OpenAI Function Calling API [1.1985612872852671]
  FinAI Data Assistantは、金融データベース上の自然言語クエリの実践的なアプローチである。 システムは、ユーザリクエストを、検証済みのパラメータ化されたクエリの小さなライブラリにルーティングする。 結果:NASDAQ-100はティッカーマッピングの精度がほぼ完璧であり、S&P500企業にとっては高い。
  論文  参考訳（メタデータ） (2025-10-15T23:19:27Z)
• QuantMCP: Grounding Large Language Models in Verifiable Financial Reality [0.43512163406552007]
  大規模言語モデル(LLM)は、財務分析と意思決定に革命をもたらすという大きな約束を持っている。 しかし、その直接的な適用は、データ幻覚の問題や、リアルタイムで検証可能な財務情報へのアクセスの欠如によって、しばしば妨げられている。 本稿では,金融現実にLLMを厳格に活用するための新しいフレームワークであるQuantMCPを紹介する。
  論文  参考訳（メタデータ） (2025-06-07T01:52:39Z)
• SNFinLLM: Systematic and Nuanced Financial Domain Adaptation of Chinese Large Language Models [6.639972934967109]
  大規模言語モデル (LLM) は、金融業界において自然言語処理を推進するための強力なツールとなっている。 SNFinLLMという中国の金融ドメイン向けに設計された新しい大規模言語モデルを提案する。 SNFinLLMは、質問への回答、財務調査レポートの要約、感情の分析、財務計算の実行など、ドメイン固有のタスクに優れています。
  論文  参考訳（メタデータ） (2024-08-05T08:24:24Z)
• The Synergy between Data and Multi-Modal Large Language Models: A Survey from Co-Development Perspective [53.48484062444108]
  モデルとデータの開発は2つの別々のパスではなく、むしろ相互接続であることがわかった。 一方,MLLMはデータ開発に役立てることができるため,MLLMの性能向上に寄与する。 MLLMコミュニティにおけるデータモデル共同開発を促進するために,データモデル共同開発の観点からMLLMに関連する既存の研究を体系的にレビューする。
  論文  参考訳（メタデータ） (2024-07-11T15:08:11Z)
• DISC-FinLLM: A Chinese Financial Large Language Model based on Multiple Experts Fine-tuning [74.99318727786337]
  金融大規模言語モデル(LLM)を構築するための多言語エキスパートファインチューニングフレームワークを提案する。 DISC-FIN-SFTという金融インストラクションチューニングデータセットを構築し、4つのカテゴリ(コンサルト、NLPタスク、コンピューティング、検索強化ジェネレーション)のインストラクションサンプルを含む。 複数のベンチマークで評価した結果, 様々な財務シナリオにおいて, ベースラインモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-23T11:33:41Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark for Finance [63.51545277822702]
  PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。 我々はLLaMAを細調整してFinMAを提案する。 我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
  論文  参考訳（メタデータ） (2023-06-08T14:20:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。