日本AI公司Preferred Networks发布金融特化开源模型PLaMo 3.0 Fin，支持本地部署
Preferred Networks发布80亿参数金融特化LLM，允许银行在内部服务器运行以保护数据隐私，基准测试显示其在日语金融任务上优于部分国际模型。
日本人工智能公司Preferred Networks（PFN）于2026年11月9日发布了名为“PLaMo 3.0 Fin”的开源权重大型语言模型。该模型专为金融行业设计，拥有80亿（8B）参数，旨在解决银行和证券公司因监管要求无法将客户数据传输至外部云端的痛点。通过提供可在本地服务器或封闭网络环境中运行的轻量级模型，PFN为受严格数据合规约束的金融机构提供了替代云端通用大模型的方案。
PLaMo 3.0 Fin基于PFN与日本国家信息与通信技术研究所（NICT）共同开发的基座模型进行持续预训练、监督微调（SFT）和直接偏好优化（DPO）。值得注意的是，其SFT阶段使用了PFN自研的AI半导体“MN-Core 2”作为计算基础设施，并借助AI编程助手在一周内完成了代码移植，实现了与GPU环境相当的训练速度。该模型支持262,144个token的上下文长度，具备推理功能，且思考过程以日语输出，同时支持调用Web搜索等外部工具。
在性能方面，PFN公布的基准测试结果显示，PLaMo 3.0 Fin在日语金融专业测试集“japanese-lm-fin-harness”的5项任务平均得分为55.8分，较基座模型提升7.8分，并超过了Gemma 4 E4B（45.6分）和gpt-oss-20b（43.0分）。然而，它仍落后于同规模的Qwen3.5-9B（60.1分）和Ministral 3 14B（62.8分）。在文本生成质量评估“pfmt-bench-fin-ja”中得分为8.35分，工具调用能力平均得分为71.3分，均低于当前领先的Gemma 4 E4B。这些结果均为厂商自测，尚未经过第三方独立复现。
与Anthropic和OpenAI推出的云端金融服务解决方案不同，PFN采取的是分发小型专用模型、由客户在本地运行的策略。这一模式虽然牺牲了部分绝对性能上限，但满足了特定行业对数据主权的刚性需求。PFN在模型卡片中明确标注，目前验证仅针对日语，且存在幻觉风险。未来，PFN计划继续研发更具竞争力的金融专用模型，以缩小与国际领先开源模型之间的差距。