動察 Beatingのモニタリングによると、ブリッジウォーター・アソシエイツ傘下の人工知能応用研究所(Bridgewater AIA Labs)はThinking Machinesと協力し、金融情報の選別にファインチューニングモデルを適用することに成功し、最先端の大規模モデル(GPT 5.5およびClaude Opus 4.8)を上回る精度を達成しました。金融記事の関連性評価や中央銀行の文書分析など、6つの日常的な投資タスクにおいて、このファインチューニングモデルはエラー率を約3割削減し、推論コストは最先端モデルの約14分の1(13.8倍の削減)に抑えられました。この研究は、企業が特定領域のファインチューニングを通じて「差別化された知能」を実現する可能性を示しています。
研究チームはTinkerプラットフォーム上でQwen3-235Bベースモデルをファインチューニングしました。非専門のアノテーターから直接取得したラベルには多くの誤りが含まれていたため、チームは検証・訂正メカニズムを設計し、モデルの予測とラベルが一致しない困難なサンプルを投資専門家が再審査する仕組みを導入しました。その結果、訓練されたモデルの精度はベースモデルの44.8%から84.66%に向上し、GPT 5.5の78.2%およびClaude Opus 4.8の78.0%を上回りました。精度が大幅に向上する一方で、推論コストも13.8倍という劇的な削減を実現しました。
ファインチューニングの手法には、3つの主要な改善点が含まれています。第一に、インターリーブ・バッチ処理により、異なるタスクを順番に交互に訓練し、混合訓練による干渉を回避します。第二に、非対称クリッピングを導入した損失関数によるサンプリングの最適化。第三に、オンライン・ポリシー蒸留を使用し、モデルが教師分布から逸脱した場合にペナルティを課し、20ステップごとに検証セットのパフォーマンスが新記録を達成した際に教師モデルを動的に更新します。