FinVector-Market-4B：金融结构化任务LoRA适配的受控研究

FinVector-Market-4B 将 Qwen/Qwen3.5-4B 与 22,000 个示例语料库上的 16 级 LoRA 相结合，用于结构化金融任务。我们在隐式和显式 JSON 模式合约下，在相同的 600 个示例基准上评估基本模型和改编模型。仅提供架构即可将基本模型 JSON 有效性从 0% 提高到 91.3%。在匹配的显式提示下，FinQA 答案精确匹配的冻结分数从 14.7% 提高到 40.0%，计算器表达式正确性的冻结分数从 48.0% 提高到 82.7%，场景分支标签一致性的冻结分数从 20.1% 提高到 89.5%，含义方向一致性的冻结分数从 52.4% 提高到 87.2%。事后政策评分审计显示，所报告的宏观 F1 下降反映了标签集的变化；使用相同的三个目标类，基本目标为 77.4%，适配器为 83.1%。归档重叠和计算器目标不一致符合基准的概括性主张。结果表明，紧凑的金融领域适应可以在匹配的提示下产生超出输出格式学习的大量特定于任务的收益，其收益受到评估的任务分配和提示契约的限制。