Blame for Model_Card_ZH.md

---

language:
- en
license: other
license_name: s2-mas-controlled-research-v1.2
license_link: https://huggingface.co/ya9919/fin-laya-3-rounds/blob/main/LICENSE
base_model: convaiinnovations/laya
base_model_relation: finetune
tags:
- s2-mas
- financial-one-shot
- decision-model
---


# FinL · three-round comparator (native PyTorch)

## 模型命名与实验标签

本仓库为 **FinL 三轮比较版本**，采用原生 Laya/PyTorch 格式。主要模型 **FinL** 指向[完整六轮 checkpoint](https://huggingface.co/ya9919/FinL)。对应的早期 MLX 格式仍位于 [fin-laya-mlx-3-rounds](https://huggingface.co/ya9919/fin-laya-mlx-3-rounds)。

<!-- consumptionqa-examples:start -->
## 测试集QA示例

以下4条QA摘录取自已有消费决策测试集，保留原始英文题干、选项和记录中的参考答案。完整家庭画像及原始标识不公开。答案对应原测试记录中的家庭，示例用于展示任务与标签格式；重新推理时需提供家庭状态。

[下载JSON示例](qa_examples.json)。

### 1. 已激活信用卡使用

Does your household use credit cards? Exclude cards that have not been activated.

- `1` — Yes
- `2` — No

**参考答案：** `2` — No

### 2. 活期存款账户

Does your household currently have a renminbi demand-deposit account?

- `1` — Yes
- `2` — No

**参考答案：** `1` — Yes

### 3. 股票交易账户

Does your household currently have a stock trading account?

- `1` — Yes
- `2` — No

**参考答案：** `2` — No

### 4. 未到期定期存款

Does your household currently have any renminbi time deposits that have not yet matured?

- `1` — Yes
- `2` — No

**参考答案：** `2` — No

<!-- consumptionqa-examples:end -->

## 项目背景

S²-MAS 是面向社会规模的多智能体仿真框架，用于研究异质家庭在条件变化下的决策如何汇总为人口层面的结果。它将**5 亿条构造家庭 persona 资源**、可复用场景、可训练决策模型与持续更新的世界状态连接起来。FinL 在其中提供可复用的决策策略：根据家庭状态、问题和完整候选选项进行评分，使同一决策接口能够服务不同任务。

论文中的配对条件应用实际评估了 **1,200 万个独立合成家庭 agent、共 2,400 万次选择**；24 个月扩展则跟踪 10,000 户家庭在收入、必要支出与银行 offer 变化下的状态。应用结果说明家庭资源如何改变消费响应：持续降收消耗现金储备并推迟购置，持续增收则同时支持现金储备与购置；偿付反馈进一步影响后续 offer，从而将个体选择接到消费、现金与支付的时间路径。

## 本仓库的模型角色与训练

本仓库提供**原生 FinL 3-round 金融 checkpoint**，约 421M 参数，采用 Laya 的 ModernBERT-large encoder 与选项评分 head。模型以 real-survey data 为监督，依次经过两次 SFT 和一次原生 RLCD，使用**每语言 1,721,623 条训练观测**。[MLX 运行版本](https://huggingface.co/ya9919/fin-laya-mlx-3-rounds)将同一训练 checkpoint 用于 FP16 部署；[6-round continuation](https://huggingface.co/ya9919/FinL)进一步扩展监督任务覆盖。

## 本版本的论文结果

| 测试口径 | 输入语言 | Backend / 精度 | QA 分母 | 问题版本 | Accuracy | Question-macro F1 |
|---|---|---|---:|---:|---:|---:|
| 共享金融问题 | 英语 | PyTorch BF16 | 240,458 | 119 | 74.5336% | 38.0164% |
| 扩展测试 | 英语 | PyTorch BF16 | 418,597 | 862 | 56.3657% | 19.2395% |

Accuracy 对 QA 记录等权计分；question-macro F1 先在每个问题版本内平均完整候选类别的 F1，再对问题版本等权平均。

在同一共享测试上，原始 Laya 的原生 BF16 accuracy 为 60.2080%、F1 为 29.5574%；3-round 金融训练提升至上表结果。证据见 Figure 5、Methods M4 与 M6。

## 部署速度

论文的单请求速度测量使用[FinL-bilingual checkpoint](https://huggingface.co/ya9919/fin-laya-multilingual-mlx)，条件为一张 NVIDIA A100 PCIe 40GB、FP16、batch size 与并发均为 1、三个固定中文案例。对应延迟、吞吐量与 Jev 比较见该版本卡片及 Methods M9。

## 模型文件与推理

本仓库包含模型权重、tokenizer和必要推理配置。原生 Laya / PyTorch 推理使用 BF16。 `predict_example.py` 使用独立合成的示例输入。

## 许可与论文

项目模型贡献适用[受限科研许可v1.2](LICENSE)。完整许可及保留的上游Apache-2.0权利见LICENSE。训练与评估记录不随模型发布。

[S²-MAS论文](https://github.com/KataDavidXD/s2-mas/blob/main/paper/S2_MAS_Paper.pdf) · [项目](https://github.com/KataDavidXD/s2-mas)

公开项目提供科学制图、决策模型训练与评测，以及独立合成配套数据生成脚本；GENESE／MAS 引擎实现保持私有。