最近，荷兰的社会住房机构Woonstad Rotterdam成功利用大型语言模型（LLM）预测房屋租金价值，这一创新方法为房地产评估领域提供了新的思路。本文介绍了该机构如何通过细调LLM来实现这一目标，以及过程中的关键步骤和技术细节。 在荷兰，房屋租金受到一套复杂的规则限制，这些规则基于房屋的各种属性和质量指标，确定了每套房屋允许的最高租金。这套系统被称为“woningwaardering”，即“房屋估值”，通过给房屋打分的方式来计算租金上限。具体而言，房屋根据其属性和质量获得一定数量的积分，最高租金与积分成正比。 Woonstad Rotterdam的工作受到了Ed Donner的启发，后者曾成功地细调Llama-3.1–8B模型来预测亚马逊产品的价格。同样，Woonstad Rotterdam尝试利用类似的方法来预测房屋的积分值，而不是依赖传统的评估工具。 该机构拥有约60,000套社会住房的数据，这是实施这项研究的重要基础。首先，他们使用了自己的开放源代码工具pyspark-testframework进行了数据质量检查，确保了所用数据的准确性。接下来，团队选择了一个合适的大型语言模型进行细调。这个模型需要具备处理复杂文本描述的能力，以准确预测房屋的积分值。 细调过程中，团队采用了多层次的方法，包括： 数据准备：整理并清洗房屋的详细描述和属性信息，确保数据的一致性和完整性。 模型选择：选择了Llama-3.1–8B模型作为基础，因为它在处理自然语言任务方面表现出色。 训练过程：使用标记好的房屋积分数据对模型进行训练，使其能够从房屋描述中提取关键信息并预测积分值。 性能评估：通过交叉验证和基准测试，评估模型的预测准确性。 最终，该模型在测试集上表现优秀，能够在大多数情况下准确预测房屋的积分值。这一成果不仅为Woonstad Rotterdam降低了运营成本，提高了工作效率，也为其他社会住房机构提供了一个有效工具，可以更好地管理房屋租金。 业内专家普遍认为，这种方法代表了房地产评估领域的一项突破，展示了大型语言模型在解决实际问题中的潜力。同时，Woonstad Rotterdam作为荷兰最大的社会住房机构之一，一直在推动技术创新，改善居民的生活质量。其开放源代码的做法也得到了社区的积极反馈，为其他机构提供了有益的参考。 总的来看，这项研究成功地将大型语言模型应用于一个具体的现实场景，不仅提升了房屋估值的效率和准确性，也为未来的进一步应用奠定了基础。Woonstad Rotterdam的这次创新，无疑将推动整个行业的科技进步。