GRPOが金融アドバイスで商用LLMを圧倒、CATE評価で実証

金融アドバイス生成は、数値推論と専門知識、そして的確な判断が求められる高度なタスクです。この課題に対し、強化学習手法「GRPO」を用いたオープンウェイトLLMのファインチューニングが、既存の商用LLMを大きく凌駕する成果を出しました。特に、LLM-as-a-judge評価に加え、因果推論に基づくCATE評価を導入することで、商用LLMの約2倍の粗利益向上効果とリスク低減が確認され、真のビジネス価値を捉える評価手法の重要性が示されました。