PFN 开源金融小模型 PLaMo 3.0 Fin：8B 参数、日语推理链 + 工具调用，日本金融基准 55.8 超 Gemma 4 E4B 与 gpt-oss-20b，SFT 跑在自研 MN-Core 2 上

核心背景与行业痛点

银行、证券每天要处理大量询问分类、KYC 文件抽取、交易监控告警，全部交给大模型 API 成本高、延迟大，客户数据还往往不能出内网。日本 Preferred Networks（PFN）11 月 9 日开源的 PLaMo 3.0 Fin 瞄准的正是这个缝隙：一个 8B 的金融特化小模型，单张 GPU 就能在私有云或本地跑，定位是金融业务 Agent 的「核心模型」。这也是 PFN 本月第二次开源：11 月 5 日它刚放出 0.8B–31B 四个尺寸的翻译模型 PLaMo 3 Translate。

架构亮点与底层机制

PLaMo 3.0 Fin 以 PFN 与日本国立情报通信研究机构（NICT）合作的 PLaMo 3 NICT 8B Base 为基座，依次做了日语金融语料继续预训练、SFT 和 DPO。两个特点值得关注：一是回答前先用日语写推理过程，便于合规人员核对依据；二是支持 OpenAI 格式函数调用，DPO 专门把「多调/少调工具、参数错误、编造工具结果、重复调用」的回答作为负样本。SFT 跑在 PFN 自研 AI 芯片 MN-Core 2 上，官方称借助以编码 Agent 为核心的移植方法，不熟悉该芯片的工程师一周内就完成了含多板分布式训练的代码移植，训练速度与 GPU 环境相当。

权威 Benchmark 与实测跑分对比

以下均为 PFN 在自家环境用 vLLM 测得的官方/厂商口径，与公开榜单不可直接比较。日本金融知识基准 japanese-lm-fin-harness 平均分从基座的 48.0 升至 55.8，高于 Gemma 4 E4B（45.6）和 gpt-oss-20b（43.0），低于 Qwen3.5-9B（60.1）和 Ministral 3 14B（62.8）；多轮金融对话 pfmt-bench-fin-ja 得 8.35，接近 Qwen3.5-9B 的 8.53；PFN 自建的日语金融工具调用基准得 71.3，不及 Gemma 4 E4B（76.2）。第三方独立评测：官方未公布。

开发者实战落地与开箱指南

权重在 Hugging Face 的 pfnet/plamo-3-8b-fin-instruct，transformers 加载需 trust_remote_code，分词器依赖 numba；用 vLLM 0.32.0 以上可加 --reasoning-parser plamo3 和 --tool-call-parser plamo3，得到 OpenAI 兼容接口。不想自己部署，可在 PLaMo API / Chat 免费试用 beta 版 plamo-3.0-fin-beta（有额度上限）。官方建议一次只给模型少量工具（或先用工具搜索筛选），事实与数字要靠检索工具佐证并由人工复核；模型输出不构成投资建议。许可方面，年收入不足 10 亿日元的企业和个人可免费商用，但需登记。