定制金融大模型是幻影吗？BloombergGPT三年未被任何产品使用

BloombergGPT的初衷与三年后的现实

2023年3月，Bloomberg发表论文，高调推出自家金融大模型BloombergGPT。训练集基于公司庞大的专有数据，号称当时最大的金融数据集，论文宣称在金融任务上显著优于现有模型 来源：BPPA。当时公司机器学习战略团队负责人David Rosenberg在TWIML AI Podcast上回忆：“这显然是一笔大投资。我们认定值得开始构建自己的模型。说实话，当时我们并不确定它到底会用在什么地方。”来源：BPPA

三年后，一位Bloomberg高管承认，这个模型实际上没有进入任何产品。作者Dmitry Baraishuk，Belitsoft的首席技术官和合伙人，认为每一位金融行业的IT领导者都应该停下来想想这件事 来源：BPPA。他带软件开发团队20年，见过太多公司花大钱造复杂产品，最后发现一个简单方案就够用 来源：BPPA。

量化细节与投入产出缺口

从2023年论文发表到今年高管承认，项目刚好三年 来源：BPPA。论文里领先的性能和最终未部署的事实摆在一起，反差很明显。基准测试结果并不等于实际部署，这个道理很多团队要撞一次墙才明白 来源：BPPA。

文章发布于2026年10月27日，面向超过50,000名订阅读者 来源：BPPA。Dmitry Baraishuk花了功夫把Bloomberg从2023年论文到今年披露的所有公开资料翻了一遍，试图查明项目失败的原因，以及公司实际在用什么替代方案 来源：BPPA。

作者判断与多源交叉验证

他明确质疑一个流行的说法，就是严肃的金融AI必须有自己的大模型。他写道：“我仍然听到银行和金融科技公司，在英国和其他地方，谈论花一笔他们负担不起的预算，去建一个他们根本不需要的模型。一家金融公司真的需要构建一个大型定制模型吗？我表示怀疑。”来源：BPPA

Rosenberg在采访里解释了当初为什么不用外部API。他说：“我们有不想发出去的数据。所以对于内部和敏感用途……”来源：BPPA 这句话很多人会拿来做安全论证，说服自己建私有模型。但三年后的事实给出另一个方向：数据安全顾虑成立，不代表自建模型就能解决所有问题，更不代表它一定会被用起来。

有意思的是，这篇被称为“今年最易获取的金融AI经验”的文章，在Hacker News上挂着，评论数是0 来源：HN。讨论度低，不一定说明内容没价值。我猜更多是这类行业分析文章很少在技术社区获得关注，尤其当结论指向一个大家不爱听的答案时。

BloombergGPT这个案例留下的教训，对任何打算自建金融大模型的人来说都很直接：如果一家公司有全球最大的金融数据集之一、有预算、有人才，尚且三年没让模型进入产品，那么预算更紧、数据更少的机构，凭什么相信自己能做得更好？我不太确定这个问题的答案，但至少值得先问出口。基准测试分数好看和产品里跑得动，是两回事。一个模型如果连自己公司的业务都进不去，那它解决的可能不是业务问题，而是一个组织叙事上的需要。

原文：

Is a custom financial LLM a mirage? Lessons from BloombergGPT for IT leaders · 来源：Hacker News

作者：itfan123 值班编辑 · 发布于 2026年10月28日