金融 AI 的第一能力不是预测，是过滤

先看两条都「像金融」的新闻。一条是地缘政治：某位政治人物坚持要拿下一块地方，标题里有国家、有冲突、有权力。另一条也是地缘政治：同一个人威胁对主要贸易对手加税，美股当天大跌。没亏过钱的模型很容易把两条都标成相关。做过美股宏观的人会把第一条放一边——当时没人当真定价；第二条会直接改风险偏好。

再看更日常的对照。下面的账号按「该怎么读」起的假名，公司名是真的，帖文和数字是编的，只用来对照。

今天的大模型像一个不知疲倦、什么都读过、但没亏过钱的研究员。写代码、翻译、做摘要，它都能先交一版。于是真正难的变成两头：问什么问题，以及结果信不信。过滤是最先碰到、也最容易做假的那一层。这一关过不了，后面写得越顺，噪音加得越快。

一条材料进不进今天必看，其实只问两件事。跟谁的决策有关：不是像不像金融，而是对此时此地做 AI、半导体的人，它是相关而且值得看、相关但无聊，还是根本无关。噪音怎么折：同一个号，有的帖是一手，有的是水文；有的号已经替你筛过，有的号默认只能当传闻。信噪比不是把账号分成三六九等，是这个号该怎么读。

相关：不是题材，是决策

通用模型擅长按题材归堆：标题里有关税、芯片、AI、央行，就往「金融相关」靠。人的判断更窄。对做宏观的人有用，和对看半导体的人有用，不是一回事。一家小公司上市，财务上当然相关，宏观的人可能完全不想看。提示词写成「这是不是财经新闻」，模型会留下它；改成「相关而且值得看 / 相关但无聊 / 无关」，分数会上去一截——不是模型变聪明了，是题终于问到点子上了。

光改提示词还不够。能写进提示词的，只是人说得出口的那部分。真正决定「今天这条留不留」的，往往是亏过钱才有的感觉：这类标题以前怎么被定价，这个人什么时候在报信，什么时候在表演。

信噪比：不是名气，是读法

我们给真实账号写过一批很短的备注。不像论文，更像值班时跟同事说的那句话。四种最常用的读法：

十年前大家买现成的情绪分，卖到第二十家，这个因子就死了。死掉的不是「从文字里找信号」，是「买别人的铲子」。同一批帖，用别人的权重挖不到金子。信噪比也是这样：行业标配会把粉丝多、传得广、写得像研报的东西抬上去；我们正好相反——先问这个人会不会浪费你的时间，再问他这次有没有新东西。

按「权威、题材、传得广」来排，会留下名人玩笑、没确认的传闻、同一条卖方笔记的转发，同时把粉丝少、但已经核对过的一手压掉。按我们的规矩：留下会改价格的事实，传闻先搁着，重复的并掉，水文丢掉，粉丝少但核实过的一手照样进必看。

研究本来就是试错。一个想法从提出到看到像样的结果，过去按周算，现在按小时算。实验多了十倍，看起来相关、讲得通的故事也多了十倍，市场上真正有用的增量并没有变多。所以每一个「发现」为真的机会，其实是在变小。

大模型还多了两层麻烦。一层是它极会事后编故事：你丢给它任何一条热点，它都能很快讲出一套听起来有道理的金融解释。过去「讲不出道理」还能当过滤器，现在这个过滤器坏了。还有信息量的，是这个解释写在看见结果之前，还是之后。另一层是它记得太多历史。它「知道」某些年份后来发生了什么。只要让它参与「这条重不重要」，它给你的可能不是判断，是记忆。演示里不会报错，真用的时候才会收费。

所以不能让写出结果的同一个系统，再给自己打分。过滤得先做成一套跟文笔无关的考题。

后面还有提问、核对、把流程跑起来这些本事，当然重要。实现变便宜之后，会问好问题的人和会把关的人会更值钱。但那是后半场。相关和噪音这两关不过，提问是在更大的垃圾堆里提问，核对是在给噪音盖章。

• 财报问答 / 找文件 现成的年报考卷 会读年报，不管这条该不该进今天必看。
• 新闻情绪 一句话偏多还是偏空 心情好坏，不等于对看 NVIDIA 的人有用。
• 金融推文情绪 标这只股票会涨还是会跌 还是分类；答不了这是事实、传闻还是玩笑，是原发还是复读。
• 通用推文考卷 题怎么出、分怎么算，可以学 考的是仇恨和表情符号，指导不了半导体早报。

现成尺子看不见的错最贵：漏掉后来被定价的传闻；把旧闻当新；把转发当成又来了一个人，系统以为「很多人都在说」，其实是同一个人被复制了多次；把水文送进必看。这不是总分多一个点少一个点，是看盘的人还会不会信你。

先定输入长什么样。不是一段洗干净的正文，是一条完整的材料：原文、谁发的、什么时候、是原发还是回复、引用、转发，外加一句人写的读法。没有作者、没有时间、没有引用关系，模型只是在做阅读理解，不是在帮你决定今天看什么。

冻住什么，比换哪个模型重要。一套能反复考的卷子，至少要冻住：哪些账号、截到哪一天、标准答案、以及上一节那张错误表。账号名单是为了防止「换一批更吵的号，分数就变了」；截到哪一天，是为了不让人和模型看见后来发生了什么。标准答案要留争议通道：外包标的看起来整齐，常常是错的；模型和现有标签对不上的，才送到人重标——对不上，要么真难，要么原来就标错了。

• 用来打分的那批材料只能碰一次，而且模型够不着。 模型和它能调用的工具都不能读到这批材料。根据对答案的结果回头改规则，每一步都合规，拼起来就是作弊。
• 读法和错法先写下来。 这个号该怎么读、什么样的错最贵，必须在看见模型输出之前定好。事后补的解释，无论多精彩，按零分。
• 换一家模型还能得到同样的结论。 同一家公司的两个模型会犯一样的错，彼此同意不算数。关键结论至少要在不同公司的模型上，或者「规矩加上模型」上站得住。

做到这一步，「我觉得这个号很吵」就变成能对的题：在冻住的账号和日期上，模型会不会做对那四道题；把账号规矩关掉之后，不该留的和该留却丢的会不会明显变多。后一个对比，才是降噪有没有用。

为什么要自己出卷，不要刷公开榜

有一组公开数字可以直接借来说明。2026 年年中，一家大型宏观基金和一家模型实验室做过一次实验：让最强的通用模型做同样的分拣——这篇文章值不值得读、这份央行文件有没有方向、这封邮件从哪开始是套话。随便问一句，差不多是掷硬币；加上专家写的提示词，到七十多分，还是过不了八十。用他们自己的人标过的数据，去微调一个开源模型，准确率过了八十四，用起来便宜了一个数量级。

这组数字说的不是「小模型更好」，是差别在你自己的东西上。大家用差不多的模型、差不多的公开数据、差不多的助手框架，「独立发现」从出生起就是亲的。公开模型没有你们给账号写的那句备注，也不知道你们把哪类渠道打听当传闻、把哪类名人当噪音。卷子如果做成又一套年报问答，测完还是全行业都会的读写；只有做成自己的过滤题，才会逼出别人抄不走的能力。

所以我们要做的，不是再刷一轮情绪分类。是一套自己的过滤考题：在我们看的范围内，用我们的读法，决定一条材料该不该占用注意力。相关和噪音是前两道。提问和核对，是下一场考试。

不全是模型能力。上面说的事，其实叠了三层。混着考，你会分不清：到底是模型变聪明了，还是提示词写得好，还是规矩把错路堵死了。

所以这套卷子要拆开打分。系统规矩单独考：关掉规矩，错会不会爆。提示词单独考：同一模型，有没有「我们看什么」、有没有账号备注。模型能力只看第三层：规矩和提示词都冻住，换模型、换训练，分数还会不会动。

你们给账号写的那句备注，两边都沾。写成系统规矩的部分（没确认当传闻、名人玩笑挡掉）不是模型能力；模型要不要读这句备注才能做对「同一人两条留哪条」，才是能力。降噪效果也要拆：规矩开和关比一次，提示词有和无比一次，不同模型再比一次。只报一个总分，分不清药在哪一端。

一张考题长什么样

每道题必须带齐这些，缺一样就不算过滤题，只是阅读理解：

我们看什么（例如只看 AI、半导体、算力）；截到哪一天哪一小时，题面和模型都看不见这之后的事；谁发的，外加一句人写的读法；原文，以及它是原发、回复、引用还是转发。然后人对四道题给标准答案：跟我们有关吗（值得看 / 无聊 / 无关）；是事实、传闻、观点还是玩笑；说到谁；进不进今天必看（进 / 先看着 / 不进）。另外标一下：这道题若答错，算哪类贵错——不该留的留了，还是该留的丢了。

先不要上万道垃圾题。对照题 80 到 120 道就够开考：一半是成对出现的（同一人两条、同一件事两种说法），一半是单条。账号名单冻住。训练、调参、考卷三份拆开。模型和现有答案对不上的，才送到人重标。

分怎么算

四道题分开报，不合成一个虚高的总分。必看这一题单独看。不该留的留了、该留的丢了，两列单记，不跟四道题平均。同一套题打三次：裸模型；加上范围和账号备注的提示词；再加上系统规矩。只有第二次到第三次还在涨的，才能说模型更会判断；第一次到第二次涨的，是题面写清楚了；第三次比第二次稳的，是规矩在干活。

换一批更吵的账号，分数若大变，说明卷子绑在特定网上，还没冻好。换一家公司的模型，结论若翻面，说明还不是能力，是运气。