网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

　　总而言之，大模型在制式文档方面会起到非常大的作用，基本上可以让机器来全部生成。但在非制式文档方面，更多是起到抽取信息填充的作用，或辅助生成分析话术供人工修正。

　　(三)基于大模型智能核查

　　证券投行业务包括IPO、债权融资、并购重组、资产证券化、股权融资、新三板挂牌等，每个业务条线都涵盖大量的文书工作并受到强监管。特别是对非结构的数据处理和整合，这部分工作是影响各条线业务执行效率和效益的关键因素。比如投行业务中的IPO工作，会涉及大量底稿工作，包括招股说明书、发行公告、审计报告、本次发行申请及授权文件、发行保荐书等文书对象的编排制作，还是会涉及银行流水核查、尽职调查、财务反粉饰等审查环节。借助了金融大模型能力实现智能核查，则重构和优化业务流程，缩短流程周期，提升人效。智能核查内容包括但不限于如下：

　　篇章目录格式

　　文书规范(含错别字/敏感词等)

　　格式(含日期格式、数值格式等)

　　财务数据审查(含多文本交叉核验)

　　非财务数据审查(股权结构，董监高等)

　　信披审查

　　主体评级一致性

　　监管法律规范要求等

　　实际上，大模型更多的工作在于底稿数据提取(包括审计报告、财务报告、上市保荐书、公司章程、资质证明、专利证书等)，核查规则设计更多依赖于规则引擎。大模型能够极大提升对底稿数据、尽调数据等相关指标的提取，再输送给规则引擎，从而保障了智能核查的质量。从这个层面来看，大模型要做的工作和智能抽取无异。

　　还有一部分就是错别字和语义纠错层面，即文书规范层面。这方面大模型具备无可比拟的优势，因为它学习了大量“通才”知识，又专修了金融领域的“专才”知识，知识面非常广，能够更准确的判断出申报材料中是否存在错别字或语义不顺等情况。下面进行测试说明：

　　1.错误类型

　　本次研究包括如下错误类型：

　　成语检查

　　连字检查

　　金额检查(大小写)

　　错别字检查

　　缺词检查

　　敏感词检查

　　2.测试集

　　本次测试集约1395条，包含了如上所罗列的错误类型。部分样例间下图。“原文”一列为正确内容，“错误原文”一列为包含错误的内容，并用黄色高亮区别。

图10：错别字核语义记错-测试样例集

　　3.测试结果

　　某开源错别字/语义纠错模型VS基于大模型的错别字识别/语义纠错

图11：传统语义纠错模型和基于大模型的语义纠错模型效果比较

　　对比两者的测试结果，可以看出基于大模型测试的F1值大幅度领先，其在文书规范核查层面有非常不错的成效。

　　五、总结与展望

　　未来，广发证券将围绕金融科技发展战略，持续打造投行数智化体系，探索金融大模型在投行领域的应用，以金融大模型为基座全面升级智能投行系统，构建智能抽取、智能生成、智能核查等能力，赋能投行文档智能一体化处理方案建设。有效支撑投行全业务品种、全生命周期的数智化管理，提升在注册制下的投行执业质量、风险控制水平、信息披露质量。