论文正式发表那天，林晨的Google Scholar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：FinGpt: Financial domain Adaptation of Large Language models via high-quality data curation. AcL 2025。
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Scholar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related work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FinGpt Reproduction，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FinGpt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Google Scholar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：
学术认可：FinGpt论文被AcL 2025接收，一个月内引用破50。这是对团队工作的验证，不是终点。真正的验证在产品端——模型能否在客户手里产生价值。下一步：推进试点落地，收集真实数据。
写完，合上笔记本。
下一件事：不是写第二篇论文，是让第一篇论文里说的东西，在真实世界里跑起来。
论文发表带来的不只是学术引用。一个月后，陈博士把林晨推荐到了公司的技术委员会。这个委员会由各技术部门的资深专家和Fellow组成，每两周开一次会，讨论公司的技术战略方向和跨部门技术协同。
第一次参加会议，林晨坐在长桌倒数第二个位置。主持会议的是t厂的cto——一个在硅谷待了十几年的华人，说话中英文夹杂，但思路极快。他在会上提了一个议题：t厂的AI基础设施要不要全面转向大模型？
讨论了一个多小时。有人说大模型是趋势但投入太大，需要谨慎，有人说先用开源模型验证，再考虑自研。林晨一直没说话，直到cto点名问他：FinGpt团队的林晨，你们在做这一块，你怎么看？
不应该犹豫。林晨说，不是因为我做这个方向才这么讲——是因为窗口期不会等人。一年前我们讨论要不要做的时候，行业的领先者已经领先一年了。现在如果我们还在讨论要不要全面转，再过一年差距会变成两年。大模型不是一次普通的技术迭代，是代际更替。
散会后，cto在门口对他点了一下头，说了一句：有空来我办公室聊聊FinGpt的数据质量策略。
陈博士在走廊里等林晨。他说了一句话：你刚才说的那番话，会让一些人不舒服。但委员会需要这种声音。
林晨知道，从那天起，他在公司的影响力不再仅限于自己的部门。
引用数突破一百是在论文发表后的第二个月。
张雨在群里发了一条消息：FinGpt论文今天正式破百引！！！三个感叹号，她平时从不加感叹号，这次一口气加了三个。
林晨在obsidian里记了一行笔记：论文一百引。影响力在扩大。但更重要的是——下个月试点数据出来，我们得证明这些引用的内容在真实世界也成立。
然后他点开了陈铭发来的下一份文档——FinGpt v3微调计划。第一页写着目标：在v2的34%基础上，通过扩大精选数据规模和优化训练策略，争取在v3达到40%以上的金融场景领先。
他合上笔记本，打开终端。
新一阶段的工作，开始了。
晚上回到新家。苏婉在阳台上给植物浇水——她现在用的是他传感器数据的浇水方案，虽然嘴上从来不承认数据驱动这种说法。乐乐趴在地板上看一本从学校图书馆借来的恐龙科普书，乌龟慢慢趴在水缸的石头上缩着脖子在睡觉。
林晨没有急着进书房。他在苏婉旁边的躺椅上坐了一会儿，看夕阳一点点沉进鹏城湾的海平面上。
今天有个人从伦敦发邮件问我能不能合作。他说。
什么人？
一家金融机构的AI负责人。他们想做金融大模型，看了论文后想谈技术合作。我转给商务团队了。
你的论文影响这么远了？
不是论文影响远。是大模型这件事本身影响远——金融领域的垂直应用大家都在做，我们先发了一篇文章。他把头靠在椅背上。但文章只是第一步。第二步是做产品，第三步是规模化。
那你现在在第几步？
第二步刚开始。走稳了才能到第三步。
苏婉关了浇水壶，在旁边的躺椅上坐下来。两个人安静地看着海。
这是他最放松的一刻——不是论文被接收的瞬间，不是晋升宣布的瞬间，而是在阳台躺椅上跟苏婉并肩坐着、不需要谈论任何一个KpI的瞬间。