开放模型 × 开放评测：Ling-3.0-flash-Fin 与 FinFIRST 正式开源

金融研究从来不只是回答一个问题。

一个看似简单的数字，背后可能涉及不同公司主体、统计周期、币种、单位和会计口径；一项真实的金融任务，则可能同时包含信息检索、信源核验、数据计算、逻辑分析和结果交付。

当大模型开始进入真实金融工作流，我们需要回答两个问题：

• 模型能否处理复杂、连续的金融任务？
• 我们又该如何判断它找到的信息是否可靠、计算是否正确、答案是否有据可查？

今天，我们正式开源面向真实金融工作流的 Ling-3.0-flash-Fin，并同步开放面向金融搜索 Agent 的评测基准 FinFIRST（Financial Information Retrieval, Sourcing and Traceability）。

Ling-3.0-flash-Fin 将金融模型能力开放给更多开发者，使模型能够进入机构自己的数据、工具和业务环境；FinFIRST 则提供一套更贴近真实金融需求的搜索任务、标准与评测方法，用于检验模型能否在得到答案的同时，给出可靠信源、清晰口径和可复核的推导过程。该测评基准由蚂蚁集团构建并开源，中金公司投行团队在构建过程中提供专业支持。

01 Ling-3.0-flash-Fin 开源：从模型可用，走向模型开放

Ling-3.0-flash-Fin（124B A5.1B）为蚂蚁集团推出的首个金融增强模型，采用混合专家架构，支持最长约 256K 上下文。此次开源，希望让开发者不仅能在线体验模型，更能将其部署到自己的业务和研究环境中。

开发者可以围绕 Ling-3.0-flash-Fin：

• 在本地或私有云环境部署模型；
• 对数据访问、权限控制和调用日志进行管理；
• 接入网页搜索、文件解析、Python、数据库和电子表格等工具；
• 围绕机构内部知识和特定金融任务继续训练；
• 构建金融搜索、财务分析、估值建模和研究辅助等应用；
• 建立适合自身业务的测试与审核机制。

对于需要处理内部资料、客户数据或未公开研究材料的机构而言，本地部署可以减少敏感信息离开内部环境的风险。

对于模型开发者而言，开放权重也有助于进一步研究金融领域训练、长任务执行、工具调用及结果可追溯等问题。

进入真实应用场景

🎬 视频演示（见公众号原文 ）

熵简在其 AlphaClaw 中接入 Ling-3.0-flash-Fin，用来解决金融研究中的实际业务诉求。它面对的不是简单的金融问答，而是研究人员日常真正会遇到的任务。比如，分析 AI 服务器 PCB 未来几年的需求和扩产情况，比较不同 AI 手机的芯片、存储和散热配置，设计一份帮助研究人员验证观点的专家访谈提纲。

完成这些任务，不能只靠“知道得多”。模型既要找到数据，也要判断来源是否可靠、统计口径是否一致；既要完成分析和计算，也要把结果整理成表格、图示、访谈提纲。Ling-3.0-flash-Fin 的价值，不是简单生成一段答案，而是帮助 AlphaClaw 更快地把业务需求转化为可复核、可编辑、可以继续使用的研究成果，减少资料搜集、信息核对、基础分析和材料整理的时间，让研究人员把更多精力投入到真正重要的判断与决策中。

02 FinFIRST：面向金融搜索 Agent 的开放评测基准

金融搜索的关键不只在于找到数字，更在于确认主体、时点、单位、口径和数据版本是否准确。FinFIRST 因此不止评判答案是否匹配，还通过原子化 Rubric 核验信源、口径与推导过程，让评测过程可诊断、证据可核验、结论可追溯。

图 1：FinFIRST 与代表性金融 Benchmark 的能力维度对比。FinFIRST 同时覆盖主动检索、时效性任务、真实需求对齐、金融专家编写、多信源整合、证据评分和原子化评估。

评测目标：从答案匹配到过程归因

金融任务往往涉及检索、取数、核验和计算。只比较最终答案，既难以定位错误环节，也无法区分“有证据支持的正确答案”与“偶然答对”。FinFIRST 因此将每道题拆解为可独立核验的原子评分项，覆盖三个维度：

• 原始信息获取： 主体、报告期、单位、口径和数据版本是否正确；
• 信源核验： 信源是否权威、相关，并在时间和版本上有效；
• 计算与答案形成： 计算、推理和综合是否正确，结论是否得到证据支持。

数据构造与组成：场景驱动，专家把关

FinFIRST V1 包含 123 道金融专家编写并验证的任务，由 50 余名金融专业人士参与构造和质检；数据覆盖 18 字段、6 轴规划和 138 类金融信源，共拆解出 701 个原子评分项、12,300 个 Rubric 分值。

在构造过程中，候选题依次经过独立复答、交叉验证、Rubric 审核和模型压力测试等六阶段质量控制，最终采用率为 9.78%。模型仅用于辅助发现残留歧义和过期证据，所有修改与录用决定均由金融专家作出。

图 2：FinFIRST 的数据构造与任务分布。候选题依次经过专家编写、独立复答、交叉验证、Rubric 审核、压力测试和一致性检查，最终保留 123 道任务。

在数据组成上，FinFIRST 覆盖中国内地、美国、中国香港及其他市场，其中中文题占 60.2%，英文题占 39.8%。超过五分之四的题目包含多个相关子问题，61.8% 要求显式计算，32.5% 需要多个信源，75.6% 不直接指定信源，需要 Agent 自主搜索和判断。所有题目均使用公开可访问的信源。

评测设计：统一工具环境，三项互补指标

所有参评模型均使用统一的 ReAct 式智能体框架，以及 Web Search、Visit 和 Python 等相同工具。评测设置三项互补指标：Atomic 衡量原子评分项通过率，Loose Pass 衡量加权部分得分，Strict Pass 则要求一道题的全部原子项均通过。

整体结果显示，Ling-3.0-flash-Fin 的信源核验（Source Verification）得分为 82.45%，在本次参评的开源模型中表现相对较好，体现出模型在权威信源选择和证据组织方面已具备一定优势。

图 3：15 个模型在 FinFIRST 上的整体表现。Ling-3.0-flash-Fin 在信源核验维度取得了相对较好的结果；Loose Pass 与 Strict Pass 的差距也显示，模型从完成部分要求到稳定完成整项任务仍有提升空间。

随着任务难度提升，模型的严格通过率逐步下降；多信源任务表现也低于单信源任务，说明复杂推理、跨来源检索与证据整合仍是后续提升重点。

FinFIRST V1 仍有覆盖边界。后续 V2 计划扩展数据规模，并进一步覆盖基础金融搜索与更高阶金融研究任务，推动金融 Agent 从“给出一个答案”走向“完成一条可信的研究链路”。

03 体验与部署

目前，Ling-3.0-flash-Fin 在 OpenRouter 上仍处于免费体验期。无需本地部署，即可通过 API 快速接入，欢迎开发者上手体验，并在真实金融任务中测试模型的检索、推理和工具调用能力。

OpenRouter 在线体验 https://openrouter.ai/inclusionai/ling-3.0-flash-fin 

Ling-3.0-flash-Fin 模型仓库

🤗 Hugging Face：https://huggingface.co/inclusionAI/Ling-3.0-flash-Fin 

🤖 ModelScope： https://www.modelscope.cn/models/inclusionAI/Ling-3.0-flash-Fin 

FinFIRST 评测基准数据集与技术报告

🤗 Hugging Face 数据集： https://huggingface.co/datasets/inclusionAI/FinFIRST 

🤖 ModelScope 数据集： https://www.modelscope.cn/datasets/inclusionAI/FinFIRST 

📑 FinFIRST 技术报告：https://huggingface.co/datasets/inclusionAI/FinFIRST/blob/main/FinFIRST_paper.pdf 

欢迎体验 Ling-3.0-flash-Fin，使用 FinFIRST 复现评测，也欢迎金融机构、研究人员和开发者共同参与后续建设。

让金融 AI 不仅能够回答问题，更能够提供经得起核验的答案。

点击 「阅读原文」，前往 Hugging Face 获取 Ling-3.0-flash-Fin 模型权重、部署文档与最新更新。