language:
- en
license: other
license_name: s2-mas-controlled-research-v1.2
license_link: https://huggingface.co/ya9919/FinL/blob/main/LICENSE
base_model: convaiinnovations/laya
base_model_relation: finetune
tags:
- s2-mas
- financial-one-shot
- decision-model
FinL · full six-round checkpoint (native PyTorch)
模型命名与实验标签
FinL——英语基座完整六轮 checkpoint，原生 Laya/PyTorch 格式是主要的 encoder 决策模型路线。FinL-mlx 是其 MLX FP16 运行格式。FinQ 是并列的 Qwen3.5-4B-Base 路线，在 200,000 条独立 QA 上联合训练 LoRA 与决策 head。
项目背景
S²-MAS 是面向社会规模的多智能体仿真框架，用于研究异质家庭在条件变化下的决策如何汇总为人口层面的结果。它将5 亿条构造家庭 persona 资源、可复用场景、可训练决策模型与持续更新的世界状态连接起来。FinL 在其中提供可复用的决策策略：根据家庭状态、问题和完整候选选项进行评分，使同一决策接口能够服务不同任务。
论文中的配对条件应用实际评估了 1,200 万个独立合成家庭 agent、共 2,400 万次选择；24 个月扩展则跟踪 10,000 户家庭在收入、必要支出与银行 offer 变化下的状态。应用结果说明家庭资源如何改变消费响应：持续降收消耗现金储备并推迟购置，持续增收则同时支持现金储备与购置；偿付反馈进一步影响后续 offer，从而将个体选择接到消费、现金与支付的时间路径。
本仓库的模型角色与训练
本仓库提供原生英语基座 FinL 6-round checkpoint，约 421M 参数。它在 3-round 金融 checkpoint基础上，以每语言 2,925,263 条训练样本继续进行 SFT 与 RLCD，使 Laya 的 ModernBERT-large encoder 和选项评分 head 适配来自 real-survey data 的扩展监督。在论文比较且披露训练规模的金融决策模型中，这是最大的领域后训练样本集。
MLX 运行版本以 FP16 部署同一训练 checkpoint 家族，也是论文英语购置融资应用使用的格式。
本版本的论文结果
| 测试口径 | 输入语言 | Backend / 精度 | QA 分母 | 问题版本 | Accuracy | Question-macro F1 |
|---|---|---|---|---|---|---|
| 共享金融问题 | 英语 | PyTorch BF16 | 240,458 | 119 | 74.5586% | 38.40% |
| 扩展测试 | 英语 | PyTorch BF16 | 418,597 | 862 | 67.2728% | 27.8355% |
Accuracy 对 QA 记录等权计分；question-macro F1 先在每个问题版本内平均完整候选类别的 F1，再对问题版本等权平均。
原生共享测试的 F1 按 Figure 5 显示为 38.40%；扩展测试见 Methods M6。相同 checkpoint 家族的 MLX FP16 共享测试结果为 74.5544% accuracy、38.3746% F1，见 MLX 版本卡片及 Methods M5。
部署速度
论文的单请求速度测量使用FinL-bilingual checkpoint，条件为一张 NVIDIA A100 PCIe 40GB、FP16、batch size 与并发均为 1、三个固定中文案例。对应延迟、吞吐量与 Jev 比较见该版本卡片及 Methods M9。
模型文件与推理
本仓库包含模型权重、tokenizer和必要推理配置。原生 Laya / PyTorch 推理使用 BF16。 predict_example.py 使用独立合成的示例输入。
许可与论文
项目模型贡献适用受限科研许可v1.2。完整许可及保留的上游Apache-2.0权利见LICENSE。训练与评估记录不随模型发布。
公开项目提供科学制图、决策模型训练与评测，以及独立合成配套数据生成脚本；GENESE／MAS 引擎实现保持私有。