面向金融问答中的事实错误与合规风险，设计检索增强与推理对齐相结合的方案。构建约1.2万条问答对的金融知识库，在实验室GPU环境对比三种基线的准确率与幻觉率，并引入证据溯源提升可解释性。与统计方向同学协作统一标注口径并完成显著性检验，撰写研究计划书投递顶会。实验显示幻觉率相对基线下降约18%（固定测试集口径），形成可解释性分析报告，为金融场景可信生成提供参考。

在校园竞赛中组织三人小组模拟两家机构联合建模，采用差分隐私加噪与安全聚合，在公开脱敏信贷数据集上完成本地训练与参数汇总。负责任务分工、进度检查与结果复盘，用AUC和KS评估并做消融对比，同时梳理通信开销与隐私预算的权衡。最终在竞赛测试集上AUC较单机构基线提升约6%，输出方案文档与演示材料，获校级竞赛二等奖，锻炼了跨学科协作与工程落地意识。