一、案例定位

理解金融產業自建 domain-specific LLM。

二、學習目標

辨識 purpose-built model 的 domain advantage 與高成本特性。

三、案例情境

Bloomberg 建立 50 billion parameter 的 BloombergGPT,支援 sentiment analysis、named entity recognition、news classification、question answering 等金融 NLP 任務。

四、開始資料

項目 原書資訊
Model size 50B parameters
Domain Finance

五、分析方法

比較 domain benchmark、general benchmark、cost、latency、accuracy。

六、計算結果

50B = 50,000,000,000 parameters。

七、管理解讀

專用模型的優勢來自 domain data 與 task fit,而非只看 parameter count。

八、AI 提問詞

根據 benchmark 表比較 domain-specific 與 general model。

九、思考/情境變動

若模型縮減至 25B parameters,parameter 數量下降多少?

**參考解答:**下降 25B,即 50%。

十、資料說明