页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 57 条 · 文档／报告
清除筛选开源社区
FIRE 是一个金融关系抽取数据集，全称可以理解为 Financial Relation Extraction。它标注了金融领域文本中的实体和关系，支持联合命名实体识别与关系抽取任务。项目包含多种实体类型和关系类型，例如公司、金融实体、数量、日期以及数值变化、属性归属等关系。 金融 AI 如果只做情绪分类或摘要，往往停留在文本层面；如果要构建知识图谱、风险网络、事件库和可推理系统，就必须识别实体之间的关系。比如“某公司收入增长 14%”“某银行收购某资产”“某债券评级下调”“
金融实体与关系抽取数据集
开源社区
FiNER-139 是一个面向 XBRL 标签的金融数值实体识别数据集，包含约 110 万句从美国上市公司年度和季度报告中抽取的句子，并标注了 139 类 XBRL 标签。它把财务报告中的数值识别和标签映射转化为实体识别任务，目标是让模型自动判断一个数字在上下文中对应哪个财务科目或披露标签。 这个项目非常适合放在金融 AI 数据批次里，因为它揭示了财报结构化的核心难点：数字本身没有语义，同样的 “100 million” 可能是收入、成本、资产、负债、现金流、员工费用或税费，
XBRL 标签 / 金融数值实体识别
开源社区
FinRED 是一个金融领域关系抽取数据集，对应论文“FinRED: A Dataset for Relation Extraction in Financial Domain”。它的目标是帮助模型识别金融文本中实体之间的语义关系，例如公司与事件、指标与数值、组织与行为之间的关系。虽然项目规模和活跃度不如一些大型框架，但它在金融知识图谱和信息抽取学习中很有价值。 金融关系抽取是金融 AI 从“读文本”走向“建结构化知识”的关键步骤。比如新闻里出现“公司 A 收购公司 B”“公
金融关系抽取数据集
开源社区
Open FinLLM Leaderboard 是 Open-Finance-Lab 开源的金融大模型评测和教程项目，目标是为金融 LLM 和金融智能体提供标准化评估框架。它的文档整理了多个金融任务类别，包括信息抽取、文本分析、问答、文本生成、风险管理、预测和决策等，并把不同数据集映射到这些能力维度。 这个项目的价值在于它帮助学习者从“模型名字”转向“能力评测”。金融大模型不能只看通用榜单分数，因为金融场景有大量特定能力：财报问答、金融情绪、实体关系抽取、信用风险、欺诈检测、
金融大模型评测套件
开源社区
FINOS Open Financial LLM Leaderboard 是 FINOS Labs 维护的开放金融 LLM 排行榜项目。FINOS 是金融行业开源生态中比较重要的组织，这个项目旨在推动金融大模型评测的开放协作，让社区能够在金融专属任务上持续比较模型能力。 与 Open FinLLM Leaderboard 类似，它也关注金融模型评测，但 FINOS 的行业属性让它更接近金融机构开源协作视角。金融大模型应用不能只靠单家公司内部评测，行业共识、开放数据集、公共指标
金融 LLM 开放排行榜
开源社区
FinTabNet Benchmark 是 DocLD 发布的金融表格抽取评测项目，用于在 FinTabNet 数据集上评估表格抽取准确率。FinTabNet 是来自 S&P 500 公司 SEC 年报的大规模金融表格数据集，包含复杂表头、合并单元格、层级结构和密集数字。该项目提供数据加载、抽取调用和评分方法，用于复现实验或评估其他表格抽取管道。 金融文档中最难处理的部分之一就是表格。表格不是普通文本，行列结构、表头层级、单位、合并单元格、脚注和跨页都会影响含义。银行做财报解
金融表格抽取评测
开源社区
PIXIU 是 The FinAI 团队推出的金融大模型开源资源集合，包含金融 LLM、指令微调数据和评测基准。它在金融 LLM 研究中经常被引用，因为它把模型、数据和 benchmark 放在同一条线上，而不是只发布一个模型名字。 项目覆盖情绪分析、文本分类、命名实体识别、问答、股票走势预测等多个金融 NLP/AI 任务，对理解金融大模型“多任务能力”很有帮助。金融机构真正需要的模型不是只会聊天，而是要能从公告、新闻、研报、财报、社媒和表格里抽取信息、判断情绪、做推理和生成
金融 LLM / 指令数据 / 评测基准
开源社区
CFLUE 是面向中文金融语言理解的大模型评测数据集，由阿里云与高校合作推出，项目页面关联“通义点金”中文金融行业大模型资源。它将金融知识评估和金融 NLP 应用评估结合起来，既包含金融资格考试类选择题，也包含文本分类、机器翻译、关系抽取、阅读理解、文本生成等应用任务。 CFLUE 的价值在于它不只考“金融常识”，还考模型处理金融文本的能力。银行业务中大量任务并不是简单问答，而是阅读合同、制度、公告、报表、投诉文本、营销话术和监管文件，判断类别、关系、意图、风险点和摘要。CF
中文金融语言理解评测集
开源社区
OpenFinData 是东方财富与上海人工智能实验室联合发布的开源金融评测数据集，面向大语言模型金融能力评估。它强调来自实际金融业务场景，包含金融知识、金融事实、金融判别、金融计算、金融分析、金融解读、金融合规等模块。 这个项目非常适合作为“产业化评测”的样本。相比只用考试题，OpenFinData 更强调金融场景拆分：术语解释、事实判断、意图理解、情绪识别、实体识别、数值提取、指标计算、股票/基金/行业分析、公告解读、宏观解读和合规判断。这些模块与真实金融机构应用更接近。
开源金融评测数据集
开源社区
AI Hedge Fund 是一个非常受关注的 LLM 多智能体投研概念验证项目。它把不同投资风格的人物或角色抽象成智能体，例如价值投资、成长投资、宏观风险、基本面分析、技术分析、情绪分析、估值分析等，再让这些智能体共同形成交易或投资判断。 这个项目的教育意义大于交易意义。它让学习者看到，金融智能体不一定是一个“万能助手”，也可以拆成多个角色：有人看财务报表，有人看估值，有人看新闻情绪，有人看技术指标，有人做组合和风险汇总。这种职责拆分很接近真实投研团队的工作方式。 对银行学
LLM 多智能体投研 / 交易决策
开源社区
Swarm Trader 是基于 AI Hedge Fund 扩展的多智能体 AI 交易系统，强调双模式交易、多个投资风格智能体、免费数据源和 Alpaca paper trading 执行。它使用 SEC EDGAR 和 yfinance 作为免费数据层，并引入代码强制的风险管理层，避免智能体绕过硬性风控规则。 这个项目值得收录，是因为它把“智能体分析”和“交易执行风险”放到同一系统里。很多金融 agent 演示只停留在生成报告或建议，而 Swarm Trader 进一步考
多智能体交易系统 / 免费数据源 / 风控执行
开源社区
TradingGoose Studio 是一个开源的技术分析 + LLM 交易工作流平台，强调用可视化画布把行情、技术指标、AI agent、交易动作、API 集成等模块连接起来。它不是单一策略库，而更像一个面向交易研究和自动化的低代码/可视化工作台。 这个项目值得学习，因为它展示了金融 AI 从“脚本”走向“工作流平台”的形态。未来银行内部很多 AI 应用也可能不是一个模型接口，而是由数据源、规则、模型、人工审核、通知、报表和审批节点组成的流程。可视化工作流有助于非技术人员
技术分析 + LLM 交易工作流平台
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。