FinGpt v2的结果出来一周后，陈博士提出了一个林晨之前没想过的事。
写论文。
这是在陈博士的办公室里。林晨刚汇报完FinGpt的商业化方案，正在收笔记本电脑，陈博士突然冒出了这三个字。
写论文？林晨把电脑包放在一边。
对，投顶会。陈博士靠在自己的椅子上，双手交叉放在桌上。金融场景超通用34%的结果，放在学术圈也是有竞争力的。数据质量策略和LoRA微调的方法论有足够的创新性，写成论文投出去没有问题。
林晨重新坐下来。他没想过发论文——做FinGpt的初衷是解决金融部门的实际需求，不是写文章。学术界的规则他不完全懂。但陈博士在学术圈发过十几篇顶会论文，他既然说了有足够的创新性，林晨就不会怀疑这一点。
写什么方向？
方向我已经想好了。陈博士拿起马克笔，在白板上写了几行字。数据质量在金融大模型微调中的作用。三个核心论点——第一，金融大模型的性能瓶颈不在参数量，在数据质量。用五万条精选数据的效果远超用五十万条未清洗的数据。第二，金融领域评测需要专业化评测集，通用评测集无法反映金融场景下的真实能力差异。第三，通过LoRA加数据质量优化的方法，在13b上实现了34%的超越通用模型效果，证明了领域微调的技术可行性。
您来写主要部分，陈博士又补了一句，你写技术细节和实验。我做一作，你做二作。
为什么您是一作？
论文的方向和框架是我定的，技术实现是你做的。一作定方向，二作执行——学术界的惯例。陈博士看着他，你有意见吗？
没有。我不在乎谁是一作，我在乎论文能不能发出去。
接下来的三周，林晨的夜晚被论文占满了。
白天照常上班——带团队、推进商业化对接、处理日常管理。晚上八点之后才开始写论文。论文从零开始写起，每天写一部分，第二天发给陈博士看反馈，第三天再改。
论文的标题最后定的是《FinGpt: Financial domain Adaptation of Large Language models via high-quality data curation》——通过高质量数据策划实现大语言模型的金融领域适配。
写作的难度比他想象的要大得多。学术论文有严格的语言规范——不是写技术文档那种怎么做，而是我们发现了什么、证明了什么、跟现有方法的区别是什么。摘要要在一段内概括全部贡献，引言要说清楚动机和意义，相关工作要引用几十篇前人的论文来定位自己的贡献，方法部分要写清楚每一个技术细节以便别人复现。
陈博士写了论文的框架、相关工作综述和结论。林晨写方法描述和实验分析。两个人来回改了七稿。
第七稿改完的那天晚上，林晨把pdF从头到尾看了一遍。七页正文，三十八条引用，四张实验结果表格。每一个数字他都核对过至少三遍——训练参数、评测指标、显着性检验的p值，一个都不能出错。
投哪个会？他把最终稿发给陈博士。
AcL。自然语言处理领域的顶会。今年六月底截稿。
AcL——计算语言学学会年会。自然语言处理领域最权威的几个会议之一，跟NeurIpS、IcmL同属于ccF-A类。如果这篇论文被接收，意味着他们的工作会得到全球学术界的正式认可。
林晨在截稿前一天的凌晨提交了论文。上传pdF、填写作者信息、勾选领域类别——系统返回了一个六位数的投稿编号，发到了他的邮箱。
他盯着那个编号看了一会儿。这篇论文凝聚了团队两个多月的心血，但它现在只是一串数字，躺在几万份投稿中间。三个月后审稿结果会出来——接收、修改或拒稿，概率各占一部分。
他把投稿确认邮件转发给陈博士，加了三个字：已提交。
等吧。陈博士回。审稿周期大约三个月。这段时间别盯着审稿系统死等，该做什么做什么。
林晨没有再管论文的事。
但投稿的消息还是传开了。不知道是谁最先在团队内部群里提了一句林总和陈博投了AcL，然后群里就炸了一次。张雨第一个发消息：林总投了AcL？！哪篇？陈铭替林晨回答了：FinGpt的论文，林总二作。
太牛了！一个刚入职两个月的新人发了一个欢呼的表情。
还在审，不一定能中。林晨打字很快。不用太期待。
张雨没有放过这个话题。她回了林晨一条私信：审稿意见出来后我可以帮忙看回复意见。我之前发过三篇AcL，对审稿人的关注点和回复策略比较熟。
林晨把这句话记在了心里。好。到时候找你。
三个月后的一天晚上，他正在书房里做投资系统的月度复盘，手机震了一下。
陈博士的微信。正文只有两行字，第一行是截图的缩略图——论文接收邮件的截图，第二行是三个大字：论文中了。
他把图片点开放大。邮件的开头是dear Authors, we are pleased to inform you that your paper... has been accepted to AcL 2025.
林晨盯着那个AcL 2025看了很久。
中了。他的第一篇顶会论文。二作，但论文上的实验数据和核心发现都是他自己写的。从两年前连AcL是什么都不知道，到现在名字出现在AcL的作者列表上。
他给陈博士回了一条：谢谢陈博。
谢什么，实验是你做的。要谢就谢你自己。
论文接收的消息再次传开之后，团队群里的反应比投稿的时候更大了。不是因为论文本身——论文的内容大多数人都参与过——而是因为作者列表上的致谢部分。虽然致谢只有一句话感谢t厂大模型应用部全体同事的支持，但每个人都知道那句话指的就是自己。
晚上回到家。苏婉看到他进门时的表情，从沙发上坐起来了一点。
发生什么好事了？
论文中了。AcL。
那个顶会？
苏婉站起来走过来，抱了他一下。很短的拥抱，大概两三秒，然后退开来看着他。恭喜。这是你第一次发顶会论文。
也是从零开始。林晨说。
苏婉的嘴角弯了一下。你所有的事都是从零开始的。
林晨想了想。她说得没错。学AI是从零开始，做投资系统是从零开始，学大模型是从零开始，发论文也是从零开始。他人生中所有重要的东西，都是在三十五岁之后从零开始学的。
他在笔记本上写了一行：
FinGpt论文被AcL 2025接收。不是终点，但证明了这条路是对的。下一步：不是写论文，是做产品。让模型在实战中产生价值。
然后翻到了下一页。
论文发表后的第二周，陈博士在部门周会上提了一个新议题：要不要在Github上开源FinGpt的训练代码和方法实现？模型权重不公开——那是公司的资产——但数据清洗的方法、LoRA的参数配置和评测集的设计框架可以开源，既能为公司和团队持续积累学术影响力，也能吸引更多的合作者和应用者。
团队讨论后意见不一。有人说开源方法等于给竞争对手送弹药，有人说开源的收益远大于风险——学术影响力会带来更好的招聘、更多的合作机会和更广泛的行业认可。
林晨的意见是开源。他在会议上说了一句：我们这篇论文的核心贡献不是方法本身，而是用实验证明了数据质量优先这条路线是对的。开源代码让更多人复现和验证，反而会放大这个贡献的价值。
张雨附议：我已经在Github上看到有人在试图复现我们的实验了。与其让别人盲猜参数，不如我们把参考实现公开出来。质量更高，也减少误导。
陈博士最后拍了板——开源。训练代码和评测框架在Github公开，数据清洗脚本附带详细的使用文档。模型权重和训练数据不公开。
开源的pR由张雨负责。她在Github上创建了FinGpt的官方仓库，REAdmE写了将近两千字的英文介绍——从项目动机到技术路线到实验结果，每一个细节都对得上论文里的数据。
仓库上线第一周，Star数破了两千。Issue区里有人问参数细节，有人报bug，有人问能不能支持中文以外的金融场景。张雨一条条回复，林晨偶尔上去看一眼——看到那些来自全球各地的开发者在讨论他团队的开源代码，有一种跟发论文不一样的满足感。
知乎上也有人在讨论这件事。有人发帖标题是国内大厂终于有人认真做开源了——FinGpt训练代码公开，下面评论说这才是工程师该做的事，用代码说话。
林晨把那条帖子转到了团队群。
然后继续写FinGpt的商业化方案。