优势： 市场覆盖广：涉及多个金融市场，如股、港股、美股、基金、债券等等 功能丰富：支持查询、分析、对比、解读、建议多等等，包含在选股票、诊股票、看行情、看新闻等股民常用功能方面表现较好。
回答内容丰富
通过动态折线图、动态双柱图、K线图等图表增强 WhatsApp 号码数据 可视化能力，还有多种投资数据。 不足： 整体界面：itink是基于问财上直接套用，对比传统引擎，用户体验还未跟上 分析较浅显：分析的深度还不太够，无法取代专业投顾。 偏向于技术分析：在回答个股的问题时，两个模型均注重于估值、技术、资金流向，对基本面内容的回答较少。
回答准确率偏低：针对用户的提问，偶尔出现答非所问的情况，联系上下文的能力不强。有些问题的逻辑框架不顺畅。
总体来说
入商业化收费阶段，虽然在投顾方面有了一定的 内部知识库与外部知识库 帮助，但是吸引用户去购买更深层次服务的吸引力不够，还需更加努力。特别是在竞争对手也逐步进入商业化阶段的背景下，要积极重视提高模型准确率、内容丰富度和用户体验等方面。 金融模型落地挑战 模型的幻觉问题。由于数据质量问题、训练方式问题、缺乏外部知识校验等原因，可能导致大模型易生成与事实不符的内容，在金融这样对精度要求较高的领域，这种错误可能带来严重后果。
成本问题
金融大模型需要进行大量数据的训练和长时间的实验，因此开 twd 目录 发大模型需要长期战略发展规划，需要投入高性能设备、庞大的算力资源PU、GPU）、电力资源、长期的无回报资金以及专业的技术人员支持等，这使得该技术在开发阶段就存在很高的准入门槛。 安全合规要求高，数据泄漏、数据隐私问题。金融行业有很多数据的安全管理规范、技术标准，但在大模型时代，他们在模型训练、推理中到底起到了什么作用，哪些数据要进行脱敏化处理，需要结合大模型的应用场景和用户需求形成行业最佳实践。如何在保证安全的同时利用数据训练模型，是行业要面对的挑战，数据泄露的风险比行业深度信息缺失还要严重。
