Tinker微调实现84.7%筛选突破

桥水 Associates 作为全球最大对冲基金，与 Mira Murati 的 Thinking Machines Lab 合作，在投资决策中推进人工智能应用，特别是筛选值得分析师关注的新闻，结果于2026年7月2日公布。

关键要点

• GPT、Claude 和 Gemini 等前沿模型在六个筛选测试中准确率仅约50%，凸显了未经定制的通用AI在专业投资任务中的局限。
• 专家投资者编写的提示将准确率提升至70多分，但仍未达到日常运营所需的80%信任门槛。
• 通过 TML Tinker API 对开放权重模型进行微调，利用专家真实判断数据训练后，准确率达84.7%，错误减少29.8%，单任务成本降低13.8倍。

人工智能筛选实验深度解析

合作聚焦投资核心挑战：优先处理值得人工审查的新闻。初期前沿模型测试显示性能不足，平均准确率近50%，暴露了通用AI与金融领域特定需求之间的差距。

提示工程阶段

桥水专家设计详细提示指导模型，准确率大幅提升至70多分，证明人类专业知识在AI交互中的价值。但仍低于80%关键阈值，表明提示工程无法完全满足关键应用需求。

微调突破

关键步骤是通过 Thinking Machines Lab Tinker API，使用桥水专有专家判断数据集微调开放权重模型，实现84.7%准确率，同时显著降低错误和运营成本。

商业影响与机遇

此发展为对冲基金和资产管理公司提供直接盈利路径，通过简化分析师工作流程减少信息过载。企业可采用类似微调策略实现成本效率和竞争优势。实施需优质专家数据和API支持，重点在于安全领域特定数据集以克服初始准确率障碍。

未来展望

预测显示微调AI系统将在金融领域广泛采用，推动竞争格局向投资专有训练数据的组织倾斜。监管将强调AI筛选透明度以确保合规，伦理实践注重保持人工监督以减轻偏见风险。

常见问题

桥水测试中前沿模型达到什么准确率？

前沿模型在六个筛选测试中平均准确率约50%。

专家提示与微调模型结果如何比较？

专家提示准确率达70多分，而微调模型达84.7%，成本更低错误更少。

Tinker API微调报告了什么成本效益？

微调方法单任务成本比前沿模型低13.8倍。

为什么80%阈值对投资AI很重要？

投资者表示80%准确率是信任AI系统日常运营的最低要求。