房地產

    微調理解您市場、物件類型和買家偏好的 AI 模型

    The Challenge

    房地產行業產出大量非結構化文字——物件清單、租賃協議、估價報告、市場分析、驗屋報告和租戶通訊。從這些資料中提取可操作的情報需要理解物件特定術語(資本化率、淨營運收入、總可出租面積、先建後租)、當地市場知識(社區名稱、分區指定、可比物件),以及區分增值機會和穩定資產的細微語言。

    通用 AI 工具產出的物件描述聽起來通用,在租賃摘要中遺漏關鍵交易要點,並生成缺乏仲介和投資者依賴的特定資料點和當地脈絡的市場報告。物件清單描述需要突出對特定物件類型和市場重要的功能——銷售 A 級辦公大樓的功能與銷售郊區零售中心的功能不同。通用模型無法做出這些區分,因為它們缺乏對房地產特定語言模式和交易評估框架的訓練。

    The Solution

    Ertas 讓房地產公司能以自有的物件組合資料、歷史物件清單和市場報告微調模型。產出的模型會學到公司專注領域的術語、估值語言和市場脈絡,無論是東南部的多戶住宅、中西部的工業物件,還是都市綜合開發案。在 Ertas Studio 中,團隊以表現最好的物件描述、最準確的租賃摘要和評價最高的市場報告進行訓練,讓模型寫出最優秀分析師和仲介的風格。

    一個微調模型就能支援工作流程中的多個環節。它會依每種物件類型和市場撰寫突顯合適賣點的物件描述;從複雜的多租戶協議中摘要租賃條款,把租金表、遞增條款和租戶裝修補貼整理成結構化資料;也能依公司既有的框架和術語,替投資備忘錄起草市場分析章節。訓練在 Ertas 的雲端 GPU 上執行,因此訓練範例需要上傳到 Ertas。訓練完成後,模型可從 Hub 下載並在公司自己的伺服器上執行,日常傳給它的交易資料都留在公司內部。

    Key Features

    Studio

    物件語言訓練

    在 Studio 中以貴公司的物件描述、租賃摘要和市場報告訓練模型。可從 Llama 3.1 8B 或 Qwen 2.5 7B 等開放模型起步,平行執行多個訓練並互相比較。模型會學到您的品牌語氣、各類物件的專業重點和市場術語。

    Studio

    在 Data Craft 中整理租賃範例

    在 Studio 的引導式資料集建構工具 Data Craft 中建立和審核訓練範例。把一段租賃條款貼成 USER 回合,把正確的摘要寫成 ASSISTANT 回合,再由資深摘要人員逐筆核准後用於訓練。

    Hub

    一個模型,在內部執行

    Hub 列出您訓練好的模型。可匯出為 GGUF 搭配 Ollama 或 LM Studio,或匯出完整的 safetensors 搭配 vLLM,在您自己的伺服器上用同一個模型完成物件文案、租賃摘要和市場分析起草。

    Hub

    推論時交易資料保持私密

    匯出後,模型在您掌控的基礎設施上執行,傳給它的物件資訊、租金清冊和租約內容都留在您這裡。訓練資料需要上傳到 Ertas 才能在雲端 GPU 上訓練,因此請先剔除交易團隊不願外流的內容,不再需要的資料集也可以隨時刪除。

    Example Workflow

    一家商業不動產仲介公司管理 200 個上架物件,每月處理 50 份新租約。行銷團隊蒐集了 5,000 份高成效的物件描述(以互動數據衡量)和 3,000 份已完成的租賃摘要,刪除租戶聯絡資料和受保密協議約束的內容後,以 JSONL 格式上傳到 Ertas Studio。資深摘要人員在 Data Craft 中抽查租賃範例並核准。團隊微調出一個模型,能以公司的品牌語氣撰寫物件描述,並依標準的 35 欄位範本完成租賃摘要。他們平行訓練兩個基礎模型,用一組模型沒看過的保留物件和租約比較兩者,再把表現較好的訓練匯出為 GGUF,在內部伺服器上以 Ollama 執行。仲介輸入物件資訊,取得一份可修改的描述草稿;法務助理貼上租約內容,取得結構化摘要,異常條款會被標示出來交由律師審閱。擴大使用範圍之前,團隊會對照自己的基準追蹤編修時間和摘要錯誤。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.