# 在 Finance Agent Benchmark(537 道由业内专家基于近期 SEC 申报文件出的题)上,表现最好的 OpenAI o3 准确率 46.8%,每题平均成本 3.79 美元

网页: https://flyvolo.ai/zh/changes/ev-20250520-financial-analyst-3
日期: 2025-05-20 · 阶段: 限制或撤回
这条记录能改变任务判断吗? 能
职业: https://flyvolo.ai/zh/careers/financial-analyst

## 适用范围

九类任务,从信息检索到财务建模,由投行、对冲基金与私募从业者出题;智能体可用 Google 搜索与 EDGAR。只覆盖公开申报文件的研究工作,不涉及分析师在自己机构的模型与内部数据里干的活。

## 来源

- arXiv 2508.00828 (Bigeard, Nashold, Krishnan, Wu) — https://arxiv.org/abs/2508.00828 (一手来源)

## 这意味着什么

这些智能体拿到的是分析师同样的工具 —— 搜索与申报文件库 —— 仍然只答对不到一半由业内人出的题,每题近四美元。这把当下的分界线划在了「岗位内部」而不是岗位之外:在从检索到建模的九类任务上,最好的模型答对的不到一半,而在规模化时成本本身也是约束。

## 它还不能说明什么

评测不是用工结果,而且这一套只覆盖公开申报文件 —— 它完全没涉及分析师在自家模型与内部数据里干的活,那里的上下文更厚、出错更贵。它也不是静止的:它测的是它那个日期的模型,所以 46.8% 要当成一个有日期的读数,不是天花板。

## 怎么自己核实

拿你自己维护的一个模型、里面的一个假设 —— 比如增长率。让当前的模型只凭申报文件把这个数推出来,然后把它引的每一个数字追回原文。你在测的不是它听起来对不对,而是它的数字有多少经得起被追溯。


更多: https://flyvolo.ai/llms.txt