劉姐這時候插了一句：但如果客戶用了這個工具，那8%的錯誤導致了一個投資判斷的偏差——責任算誰的？
會議室安靜了兩秒。這個問題比資料準確率更尖銳。
林晨看向劉姐：智研的定位是輔助工具，不是決策工具。產品端會在每一份AI輸出上標註僅供參考，不構成投資建議的合規提示。同時我們設計了溯源鏈——每一個結論都可以追溯到原文出處，使用者可以自行驗證。法律責任邊界在產品協議裡會明確劃定。
那使用者為什麼不用通用大模型？便宜，甚至免費。劉姐追問。
因為通用大模型在投研任務上的關鍵資訊抽取準確率只有63%。林晨的語氣平淡，差了26個百分點。在金融場景下這個差距是決定性的——63%意味著三次判斷有一次是錯的，89%意味著十次判斷有一次偏差。分析師不會用一個三分之一的機率出錯的工具。
劉姐點了點頭，不再追問，低頭在筆記本上寫東西。
陳銘在旁邊一直沒說話。這時候他開口了：林總，邏輯鏈條圖那個功能——如果在研報的邏輯本身有矛盾的情況下，模型怎麼處理？比如一份研報裡宏觀部分看多消費，但行業配置部分又低配消費——模型輸出邏輯鏈的時候會不會強行彌合這種矛盾？
這個問題很刁鑽。林晨看了陳銘一眼——陳銘的表情很平靜，但這個問題踩在了模型設計的一個真實痛點上。
目前版本不會主動彌合矛盾。林晨如實回答，如果檢測到邏輯衝突，模型會在對應節點上標註邏輯衝突標籤，而不是強行統一。這個行為是訓練資料裡的標註規範決定的——我們在標註階段就要求標註員遇到研報內部矛盾時標記出來，而不是忽略。
陳銘沒再說話，微微點了一下頭。
孫總在平板上又翻了大概一分鐘。他找到一份研報的某個段落，抬頭對林晨說：你用智研跑一下這段。
他把平板遞給助理，助理把那段文字複製出來貼進輸入框。林晨掃了一眼——那是一段關於新能源行業政策分析的段落，大概六百字，裡面嵌了兩個表格引用和三條跨行業關聯資料。
提交。這次輸入短，模型六秒就輸出了結果。
林晨先看了一眼輸出內容。然後他的呼吸慢了半拍。
模型在政策影響方向的判斷上標了。但原文那段話的措辭是補貼退坡幅度低於市場預期——低於預期確實是正面影響，但這個判斷需要一層推理：先理解本身是負面，再理解低於預期翻轉為正面。模型做對了這層推理。
但讓林晨緊張的不是結果對不對，是推理路徑的展示方式。模型在輸出中直接寫政策影響方向：正面（退坡幅度低於預期），沒有展示退坡=負面→低於預期→翻轉的中間步驟。如果分析師不仔細看原文，只看模型結論，可能誤解為政策是正面的而忽略退坡這個前提。
他沒有在會上指出這個問題。但他記住了。
孫總看完輸出，沒說話，把平板收了起來。
陳博士把水杯拿起來喝了一口，放下。林晨，智研1.0的核心壁壘在哪？
這個問題林晨想過很多遍。但如果回答垂直資料領域微調就太淺了——這些東西別人也能做，只是時間和成本的問題。
兩個壁壘。他說，第一個是顯性的——資料授權和標註質量。五千條金融投研場景的高質量標註樣本，加上券商授權的研報訓練資料，這套資料的獲取週期和合規成本是新進入者繞不過去的。第二個——他停頓了一下，是隱性的。標註規範的制定、偏好標註的優先順序設定、訓練策略的調整——這些決策背後需要對金融投研場景的理解。同樣的資料、同樣的模型架構，由一個沒有金融實操經驗的人來設計訓練流程，產出的效果會跟智研1.0差一大截。
陳博士看了他幾秒鐘。然後說了八個字：你做量化那三年，值了。
這句評價很輕，但在場的人都聽見了。孫總微微偏了一下頭，像是重新審視了一遍林晨。劉姐在筆記本上停了筆，抬頭看了一眼陳博士又看了一眼林晨。陳銘的表情沒什麼變化，但他在手機上打了個字，不知道記了什麼。
評審會沒有當場做結論。孫總走的時候經過林晨身邊，停了一下。國泰證券那邊我對接。內測可以安排他們三個行業研究組先上。
什麼時候能開始？
六月底之前把環境搭好。
孫總走了。陳博士最後離開會議室，走到門口時回頭看了林晨一眼：商業化路徑方案寫完發我。
門關上了。林晨站在空了的會議室裡，大螢幕上還掛著智研1.0的輸出介面。他盯著那段關於新能源補貼退坡的分析結果，把剛才記下的那個問題在心裡又過了一遍——模型跳過了中間推理步驟直接給結論，這個問題必須在產品化之前解決。不然到了客戶手裡，總有一天會因為一個被跳過的前提條件，讓某個分析師做出誤判。
：息訊條一了發雨張給，機手出拿他
。料資練訓改麼怎下一天明。驟步理推間中示展中出輸在型模求要，時斷判的理推轉翻要需類這期預於高期預於低及涉出輸型模當——條一加範規註標好偏的FHLR
。幕螢了掉關他，息訊完發
