# FinVector-Market-4B verbessert Finanzaufgaben nach LoRA-Anpassung deutlich

> Das Modell steigert den Exact-Match-Wert bei FinQA von 14,7 % auf 40 % und erzielt nach kurzem LoRA-Fine-Tuning auch bei anderen Aufgaben höhere Genauigkeiten.

Oossa · 2026-10-08 · https://oossa.com/de/finvector-market-4b-shows-large-gains-on-financial-tasks-after-lora-adaptation

Ein Forschungsteam unter Leitung von Alina Khaybullina hat FinVector-Market-4B vorgestellt. Das Modell basiert auf Qwen3.5‑4B und wurde mit rank-16-LoRA anhand von 22.000 Finanzbeispielen angepasst. In der Studie vergleichen die Forschenden das Basismodell und die angepasste Version anhand eines Benchmarks mit 600 Beispielen und Prompts mit JSON-Schema. Wird nur das Schema vorgegeben, steigt die Gültigkeit der JSON-Ausgabe beim Basismodell von 0 % auf 91,3 %. Bei identischen, expliziten Prompts erhöht das angepasste Modell die Exact-Match-Genauigkeit bei FinQA von 14,7 % auf 40,0 % und die Korrektheit von Taschenrechner-Ausdrücken von 48,0 % auf 82,7 %.

## Die Fakten

- FinVector-Market-4B passt Qwen/Qwen3.5‑4B mit rank-16-LoRA anhand von 22.000 Beispielen an
- Veröffentlicht am 2026-10-08

## Warum es wichtig ist

Die Verbesserungen deuten darauf hin, dass ein kleines, gezieltes Fine-Tuning allgemeine Modelle für Fachleute im Finanzbereich deutlich nützlicher machen kann.

## Quellen und Referenzen

1. [FinVector-Market-4B: A Controlled Study of LoRA Adaptation for Structured Financial Tasks](https://arxiv.org/abs/2610.08882) – arXiv cs.LG, 2026-10-08

Zuletzt aktualisiert: 2026-10-08