授信語言模型 ACE-3-Bank-Credit 完成微調驗證：準確率提升至 78%

2026年10月2日上午8:30:00

APMIC 授信領域語言模型 ACE-3-Bank-Credit 經固定評測集驗證，回答準確率由 60% 提升至 78%，回覆內容也更加精簡、切中重點，展現領域資料訓練對專業場景應用的具體成效。

APMIC 近期完成授信領域語言模型 ACE-3-Bank-Credit 的訓練與驗證。我們以授信專案相關規範為基礎，透過監督式微調（Supervised Fine-Tuning, SFT），讓模型更貼近金融機構授信業務的實際知識需求與問答情境。

經固定評測集驗證，訓練後模型的回答準確率由 60% 提升至 78%，回覆內容也更加精簡、切中重點，展現領域資料訓練對專業場景應用的具體成效。

答對題數提升三成，訓練成效顯著

為確保訓練成效可被客觀衡量，我們先以一份 50 題的授信領域評測集，比較候選模型的原始回答準確率，並選用原始表現優於 GPT-OSS-120B 的 ACE-3-Bank 模型作為訓練基礎。

完成授信領域資料 SFT 訓練後，產出 ACE-3-Bank-Credit 模型，並以相同 50 題再次評測，得到以下結果：

標題為「ACE-3-Bank-Credit 微調前後準確率比較」，表格比較三個模型的答對題數與準確率。GPT-OSS-120B 答對 26/50 題，�準確率 52%；ACE-3-Bank 訓練前答對 30/50 題，準確率 60%；ACE-3-Bank-Credit（粗體標示）答對 39/50 題，準確率 78%。

作為訓練基礎的 ACE-3-Bank 模型，在原始評測集上的準確率為 60%，已優於 GPT-OSS-120B 的 52%。完成 SFT 後，ACE-3-Bank-Credit 的準確率進一步提升至 78%，較訓練前提升 18 個百分點，答對題數也由 30 題增加至 39 題，增幅達三成。評測結果顯示，導入授信領域資料進行訓練後，模型在固定評測集上的回答準確率明顯提升。

除了答得更準，ACE-3-Bank-Credit 也答得更精練。訓練前的模型容易產生冗長的回覆，耗用較多輸出 token；完成 SFT 後，模型能更聚焦於題目重點，以精簡的方式提供正確答覆。對實務導入而言，這有助於使用者更快取得關鍵資訊，同時降低運算資源的耗用。

左右並列的對話截圖，比較模型對同一問題的回答：「依據『中小企業加速投資專案貸款要點』，本貸款之總額度共計多少元？」左側標題為「訓練前：回覆冗長，未切中要害」，ACE-3-Bank 模型給出冗長且籠統的說明，未提供具體金額，並反問使用者更多資訊。右側標題為「訓練後：精準備答，直擊重點」，微調後的 ACE-3-Bank-Credit 模型以一句話回答：本貸款總額度為新臺幣五千四百億元。

專為授信而生：用真實規範訓練出的模型

本次模型訓練以 9 份 JSONL 格式的授信法規資料為基礎，將內容整理並生成問答資料後進行監督式微調，使模型更能掌握授信專案貸款的相關知識，並以符合業務情境的方式回應問題。

模型的領域知識範圍涵蓋以下 9 份訓練資料：

中小企業加速投資貸款要點修正規定
中小企業加速投資貸款應行配合事項修正規定
辦理中小企業加速投資貸款融資實務問題 Q&A
歡迎台商回台投資專案貸款要點
承貸銀行辦理歡迎臺商回臺投資專案貸款應行注意事項
根留台灣企業加速投資專案貸款要點
承貸銀行辦理根留臺灣企業加速投資專案貸款應行注意事項
中小微企業多元發展專案貸款要點
中小微企業多元發展專案貸款要點問與答

讓 AI 成為授信業務的得力助手

ACE-3-Bank-Credit 的訓練成果顯示，透過精準的領域資料整理與監督式微調，語言模型不僅能在專業金融場景中大幅提升回答品質，回覆也更精簡有效率，為授信業務的知識查詢、內部訓練與客戶服務提供更可靠的支援。

APMIC 將持續優化金融領域模型，協助金融機構以更安全、可控的方式導入 AI，提升服務品質與組織效率。若您對 ACE-3-Bank-Credit 或模型客製化有興趣，歡迎與我們聯繫。