请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
论文正式发表那天，林晨的GoogleSchor页面变了。
之前那个页面上只有两篇文章——一篇是知乎专栏转发到arXiv的技术报告，引用数3；另一篇是跟陈博士合作的内部技术白皮书，引用数0。现在第三行多了一行粗体字：FGPT:FancialDoaAdaptationofLargeLanguageModelsviaHigh-QualityDataCuration.ACL2025。
会议名称后面那个小标记——一个对勾符号——表示这篇论文被正式收录了。
林晨在中午吃饭的时候随手刷了一下Schor页面。第一天，3条引用。第二天，7条。到了第三天下午再看的时候——15条。大部分引用来自金融AI领域的研究者，有人在retedwork里提到了他们的数据质量策略，有人复现了LoRA的微调参数，有人用他们的论点论证金融场景需要专门的评测集。
他把引用页面截了一张图，发到了团队群里。
大家的成果正在被学术界看到。
群里炸了第三次。陈铭回了一个竖大拇指的表情，张雨回了一串代码——那是她在GitHub上发现的一个开源项目，标题是FGPTReprodu，有人在根据论文复现他们的实验流程。
已经有人在复现了。张雨加了一个感叹号。
一周后的部门周会上，陈博士在议程最后加了一项。他平时在周会上总结工作只会说大家辛苦了，继续加油，那天他多说了一句话：这个部门刚成立两个多月，已经有一篇ACL论文了。这在T厂的历史上是第一次。
话很短，说完就切换了下一页PPT，好像什么都没发生一样。
但林晨坐在后排，看到陈博士嘴角动了一点点——不是笑，是克制着的满意。
学术圈的反应比工业界更慢，但更持续。论文正式发表后一个月，引用数突破了50。有人从新加坡国立发邮件来问数据集的细节，有人从伦敦的金融机构发邮件来讨论商业化授权，还有人从国内某家头部券商发邮件问模型权重能不能开源。
林晨每封邮件都看了，挑了几封重要的亲自回复。对学术界问细节的，他让陈铭整理了技术补充文档发过去。对商业授权的，他转给了公司法务和商务团队处理。对问开源权重的，统一回复模型权重属于公司资产，暂不公开，但论文中的方法可以复现。
知乎上也热闹了一阵。论文的预印本链接被一个十万粉丝的技术大V转发了，评论数几个小时内破了两百。林晨看了一眼评论——有人说工业界终于有人认真做金融大模型了，有人说数据质量比参数量更重要的观点终于有实验支撑了，也有人质疑34%的提升在真实场景下能维持多少。
他在团队会议上专门提到了那些质疑。
质疑是正常的，他说，因为学术实验和真实场景之间确实有差距。实验室里的34%是理想条件下的结果——干净的评测集、标准的问答格式、没有对抗性输入。但真实的金融客户提问方式五花八门，有些问题写得像散文，有些问题夹杂了五六个子问题。我们在实验室里拿了34%，不意味着在产品里能拿到34%。
那我们怎么办？一个刚转正的工程师问。
先把产品做出来。上线后收集一个月的真实数据，再重新评估。到时候第二篇论文的内容就是FGPT在实战中的效果——不是在实验室里有多好，而是在客户手里有多好。
他想起自己之前在知乎上写过的一句话：技术只有用到产品里，被用户用起来，才算完成了它的使命。论文是一种完成，但不是最后一步。
晚上，苏婉在客厅看手机。
你的论文引用又涨了，她说，语气不像是汇报，更像在陈述一个已知的事实。现在五十三了。
你什么时候学会盯GoogleSchor了？
你教我的。她放下手机，抬头笑了一下。我就是偶尔查一下你名字。你现在是有顶会论文的AI工程师
听起来像个头衔。
比头衔好听。苏婉把手放在沙发扶手上，头衔是别人给的。论文是你自己写的。
林晨想了想，她说得对。论文跟晋升不一样，不是任何人给你的奖赏。是你自己发现问题、找到答案、用严格的实验证明它——然后用同行评审的方式让全世界检验它。跟投资系统是一个道理：没有人告诉你怎么做，你自己摸索。
他在笔记本上写了一段：