2026 年 10 月 23 日，大宗商品垂直大模型 ETAQ 正式发布。
弘则面向大宗商品领域提供专业模型服务，让企业在自己的平台及相关应用中调用 ETAQ，获得具有行业壁垒的专业能力。
现阶段，通过 ETAQ 模型接口，可接入的能力覆盖各品种的供需、价格驱动、产业传导与深度分析，支持企业围绕自身业务需求与数据，进一步分析市场变化对采购成本、库存风险和经营利润的影响，为投资和生产经营提供支持。
围绕行业模型的研发，我们将十余年积累的数据、产业知识与分析方法，用于专业语料加工、微调和模型能力评测，投研团队提炼产业关系、分析方法与评价标准，AI 工程团队制定训练方案、完成工程设计，持续推进 ETAQ 的迭代升级。让专业能力通过模型接口，服务于更多企业的实际业务。
下文对 ETAQ 的介绍，分别从模型专业能力、调用以及模型检验升级展开。
01 面向真实研究场景，提供专业能力
通用大模型的理解、推理与生成能力，为商品研究提供了新的工具。但面对具体的产业变化，模型还需要获得相关数据、研究方法与适用条件，并知道如何将它们结合起来。ETAQ 的专业能力建设，着眼于让模型在具体任务中调用研究积累，依据产业关系组织分析，再用当前信息检验判断。
以甲醇装置的运行变化为例：某家厂商的装置出现问题，需要评估它对产出的影响。如果相关研究点评尚未出现，分析仍需要依据装置产能、当前负荷，以及装置、厂商与区域供应之间的关系展开，形成有依据的评估。
这涉及一项完整的研究任务。需要把事件对应到具体装置，取得相关数据，明确影响时段与测算假设，再将结果放回供应结构中评估。从装置负荷的变化，到对应的产出损失，再到整体供应受到的影响，几个步骤相互衔接，每一步都需要依据。
为支持这样的分析，ETAQ 的架构将产业关系、研究方法与数据工具共同组织起来。语义检索根据问题含义定位相关材料，知识图谱沿着装置、企业、区域与指标之间的关系，补充事实和适用条件；研究框架提供分析路径，Skill 则承载具体任务的步骤、工具与检查要求。接下来根据问题组合所需能力，查询数据、执行分析并核验结果，让研究方法实际参与任务处理。
这些方法的价值，来自长期商品研究实战中的积累与修正。弘则从历史图表中提取指标关系，从报告中整理研究框架，再交由各品种研究员审核、反复修改。过去用于观察市场、解释行情的研究成果，也由此成为模型能够继续使用的材料与方法。
需要注意的是，图表里的指标并列只能提供关系线索，报告中的结论也有特定的市场背景。哪些关系值得保留、在什么条件下适用、哪些判断需要重新检验，都要经过专业审核。整理的重点，是保留分析依据与成立条件，让历史经验能够用于新问题。实际分析时，仍需结合当前数据，检查这些经验是否适用。
数据与方法经过这样的整理后，再与模型推理、工具执行相结合，才能支持具体分析场景。ETAQ 向企业开放的，是这套不断积累和更新的专业能力，让企业已有的应用，能够运用弘则的积累，开展商品分析、形成结果，持续服务后续的业务。
02 接入自有系统，赋能业务流程
有了专业模型能力，还需要让它进入日常使用的平台和流程。通过模型接口，各类应用可以向 ETAQ 提交研究问题与必要背景，由 ETAQ 组织指标查询、资料检索与分析，再将结果返回原有应用。
ETAQ 提供兼容常见大模型调用协议的文本接口，支持逐段返回内容，也支持一次性返回完整结果。业务侧可根据实际需要，确定模型参与哪些环节、分析结果如何使用；开发团队也可根据现有系统进行适配，将专业分析嵌入已有界面。
从品种跟踪、行情分析到结论生成，这些能力可以服务不同的分析任务；结合采购、库存和成本数据，进一步评估市场变化对具体业务的影响。企业按权限提供相关数据与业务背景，让分析贴近自身需要，并由专业人员复核用于决策的关键数据、假设与结论。
在弘则目前的 AI 产品体系中，ETAQ 专注于专业模型能力的建设与开放，为不同应用提供能力支持。ETAi（商品领域 AI 对话终端ETAi详情）与 ETAgent（主观量化交易系统，组织智能体任务与工作流程ETAgent详情）则作为可直接用自然语言对话、自主运行 Agent 任务的产品，共享成果积累，通过不同的交付方式满足工作场景需求。
因此，ETAQ 交付的是可通过接口调用的模型能力，接入方可以据此组织自己的业务应用，并完成相应的界面、交互与集成。
03 行业训练与专业评测，支撑模型持续升级
当模型进入日常业务，持续更新也成为长期使用的重要条件。
ETAQ 的持续升级，首先依托弘则日常开展的市场跟踪与研究。分析师对产业变化的跟踪、对原有判断的验证与修正，都可以为模型改进提供材料。在此基础上，投研团队负责整理和审核行业经验，AI 工程团队通过训练与评测，推动模型更好地迭代商品市场能力。
用于行业训练时，研究材料会被整理成模型可学习的专业示范：围绕一个具体问题，说明当时已知的信息、分析过程、判断依据与适用条件。投研团队审核后的示范，以及经授权、整理的应用反馈，为模型学习如何完成真实任务提供材料。
专业示范的下一步是通过训练让模型学习如何运用。ETAQ 的行业微调路线结合监督微调（SFT）与 LoRA 低秩适配：SFT 用专业示范训练模型，让它学习如何分析问题、使用证据和说明判断依据；LoRA 则保留基础模型的原有参数，只训练少量新增参数，降低行业训练所需的资源投入。
训练帮助模型学习研究方法，而分析当前市场时，还需要通过 ETA 获取指标数据并检索最新信息。两者结合后，ETAQ 才能运用积累的能力，分析正在发生的变化。
模型训练是否有效，要看模型能否更好地完成商品领域中具体的任务。目前，弘则已开发面向大宗商品研究的模型评测系统，从数据、框架与结论三个维度检验回答：数据是否有据可查，分析是否抓住主要矛盾、说明因果传导，结论是否交代适用条件与风险。通过多模型交叉评价与专业复核，让模型改进具备可以检查、可以比较的依据。
同步，评价也被落到具体业务中。面对相互矛盾的市场信号，模型能否解释分歧；分析经营问题时，能否考虑采购、库存与成本的约束，都关系到研究结果是否有用。ETAQ 的评测围绕具体品种与任务展开，发现的问题再用于修订训练材料与方案，让后续改进始终贴近行业需要。
因此，ETAQ 的建设不只是一次性增加商品知识，而是持续改进对市场和业务的理解。弘则将长期研究积累与模型研发相结合，通过训练与评测不断完善专业能力，让企业能够在自己的平台和应用中运用这些积累，开展研究、分析业务问题。
随着 ETAQ 持续迭代，我们希望让多年形成的研究经验服务于更广泛的实际工作，为商品市场中的判断与决策提供专业支持。
弘则研究，中国金融市场独立的智能投研机构，2015 年成立，研究业务聚焦宏观经济、政策分析、大宗商品、利率汇率及资产配置。
研究团队经验可追溯二十余年前，构建宏微结合的实战分析框架；11 年来深度服务 1000 余家产业龙头与金融机构，业务遍及亚洲、中东、欧美及澳洲。
技术团队 2018 年起自研 ETA 智能投研平台，沉淀 5 万余图表、10 万余指标，2026 年以此为底座，建立大宗商品领域专属的 AI 基础设施，形成「数据+智能+人」三位一体的 AI 运作体系。其中，企业决策能力的统一组织层 ETAxon，把商品业务场景与投研逻辑转译成可被大模型精准调用的决策力，并聚合出商品垂直大模型 ETAQ，主观量化交易系统 ETAgent 与 AI 对话终端 ETAi，作为交互系统，将专家判断力与 AI 深度融合，为机构提供系统性的投研分析与业务决策服务。
