# 金融 · 资料与专业交付：AI任务边界证据

版本 2026-10-19.boundary.1；截至 2026-10-19；整理 2026-10-19

全模块16个代表任务切片；当前聚焦1个F01；不是完整职业清单或任务覆盖比例。
主轴按原始材料公开日期；实验/上线时点另列。历史空白仅表示本次未收录证据；后来的质疑不偷偷改写早期结果。
任务定义、验收和术语是今天整理的对照框架；历史筛选只约束证据公开时间，不代表这些说明在当时已经存在。
实际覆盖比例：未知（null）

# F01 财报计算：把取数、运算、对账分别验收：试点准备材料

模块 2026-10-19.boundary.1；方法整理 2026-10-19
证据状态 active；实际覆盖比例未知（null）
这是准备模板，不启动执行。

让AI找数和写公式，让程序计算；你核对财年、单位、口径和原文。计算正确仍可能引用错数据。
适配：公开财报问答支持数值步骤的方法参考；真实报表、研究报告和投资决定需各自验收。

## 交接与验收
1. 确认指标和资料（人决定）：锁定报告版本、财年、币种和指标定义。
   产物：指标口径与允许资料
   门槛：明确同比/环比及可比口径
   编辑安排：本步骤是本站为交付和接收提出的组织安排；没有本地逐步成功率。

2. 提取数值与出处（AI草拟）：从给定资料列数值、单位和段落；找不到不猜。
   产物：带页码/段落的取数表
   门槛：每个数回到原文、财年/单位一致
   编辑安排：本步骤是本站为交付和接收提出的组织安排；没有本地逐步成功率。
   - 适用条件：相近问答中资料配置影响结果；没有验证本工作逐数核验；https://arxiv.org/html/2311.11944v1；FinanceBench指定配置实验
   - 背景/方法：相邻方法启示，未验证本站案例；原有现场研究及其条件保留。；https://arxiv.org/html/2605.26329v1；§2.1–2.3；附录E；§3.1
3. 表达并执行公式（程序执行）：核对公式后由计算工具执行，保留输入与过程。
   产物：公式、计算输入与结果
   门槛：程序结果可复算，异常输入另列
   编辑安排：本步骤是本站为交付和接收提出的组织安排；没有本地逐步成功率。
   - 有限直接支持：直接支持限定财报问答中外部程序计算的比较；不能扩大到取数与全报表；https://arxiv.org/html/2211.12588v4；v4 表2 FinQA Codex少样本贪心
4. 对账后解释（人核验）：核对原文、公式和文字解释一致，再接收草稿。
   产物：带引用解释与异常清单
   门槛：没有来源或口径不一致时不交付
   编辑安排：本步骤是本站为交付和接收提出的组织安排；没有本地逐步成功率。
   - 背景/方法：工作簿产物和rubric提示完整交付检查范围；不是本例成绩；https://huggingface.co/datasets/openai/gdpval/blob/11e7900cdcac61bc4daf59e65feb238acda98fbf/README.md；固定revision，任务7b08cd4d…

## 人工构造、未执行AI任务的产物格式
【虚构数字与报告，人工构造；未执行AI任务】
输入为两份资料A/B。报告A原列2024收入1200万元、营业利润120万元；报告B附注重述2024收入1250万元、营业利润125万元，并列2025收入1500万元、营业利润180万元。全部为同币种、同合并范围的示例假设。
指标 | 比较输入与出处 | 公式 | 结果与检查
收入增长 | 2024重述1250[B附注2]；2025为1500[B表1] | (1500-1250)/1250 | 20%；不能误用A的1200算成25%
2024营业利润率 | 125/1250[B附注2] | 125/1250 | 10%
2025营业利润率 | 180/1500[B表1] | 180/1500 | 12%
利润率变化 | 12%与10% | 12%-10% | 增加2个百分点，不是增加2%
每行另填：真实文件版本、页码/表/脚注、期间、币种/单位、口径是否重述、核验人。实际材料没有对应数字时写未找到，不能沿用此例。
A/B报告、数字和页码全是构造。20%、25%、2个百分点仅为示例复算，不是模型成绩、真实公司或未来预测。

## 失败与接管
- 把季度收入与全年收入相除：运算能执行，但比较口径不同。停止交付，核对期间后重新取数
- 给出正确公式，却引用不存在的页码：计算可靠性不能证明资料真实性。逐个回到允许原文；无对应内容则写未找到
- 忽略附注重述，仍用旧报告的分母：跨报告运算无错，却比较了不同口径。保留原值与重述值及出处；按目标口径重算并解释差异
- 把利润率增加2个百分点写成增长2%：比例的差值与相对变化是不同指标。写明公式与单位，核对文字解释再交付
- 材料期间或单位冲突，却直接合成结论：局部结果不足以证明完整交付合格。保留完整人时及原始依据，停止扩大委派并由人复核

## 限定试点
范围：两份允许使用的财报或同一报告的两期数据；锁定重述/合并范围，准备一张短指标表及出处/异常清单
基线：记录人独立取数/计算/引用核验所需时间和相同质量要求
验收：
- 逐个数值/期间/单位能回到真实原文
- 公式与程序输入、结果可复算
- 引用、解释与异常列表一致
分别记录人时：活动人时：资料准备；活动人时：人工取数核验；活动人时：公式检查；活动人时：引用对账；活动人时：返工；活动人时：提示、交互与监督；活动人时：接管与适用的维护；另记：机器运行、等待及端到端历时；重叠活动不重复累计；若等待占用本人，注明计量约定
停止：来源无法核对、口径变更、异常被遗漏时，暂停解释与交付

## 回执（实际发生后再填）
任务/版本/资料与环境：____
已授权范围与工具配置：____
实际输入/产物路径：____
全部尝试与逐项验收：____
最终接收/拒绝与接管：____
基线/准备/核验/返工人时：____
未知与未验证项：____
提示/交互/监督/接管/适用维护的活动人时；机器运行/等待/端到端历时及重叠计量约定：____
未经实际执行和逐项验收，状态保持未验证；默认本地保存，不上传。

## 条件比较
- PoT同模型系统比较（部分覆盖）：FinQA财报问答1,147测试题；非真实组织完整报表
  设置：Codex少样本贪心；CoT vs Python执行
  答案指标：40.4% → 64.5%
  限制：不是财报全流程通过率；CoT相对容差0.001；未匹配全部成本
- 资料处理方式比较（相近问答）：150题财务问答；公开问题集
  设置：同GPT4-Turbo：全360份文件共享检索库 vs 预先给定相关财报的长上下文；超限截断
  正确答案计数：同论文实验窗口配置29/150 vs 118/150
  限制：配置差异，不是两个年份能力进步；取数仍须核验
- 专业推理与委派偏好（adjacent：方法相邻，不是本任务完成率）：多文件专业产物；作者实验；本站没有参与者或任务复跑
  设置：偏好用于选题；固定协议、材料和judge后评产物
  本页不摘录分数；不与现有现场研究合并：测专业推理能力，没有测员工实际省时或岗位替代
  限制：相邻方法启示，未验证本站案例；原有现场研究及其条件保留。

## 原始材料
- [FinQA固定首稿](https://arxiv.org/html/2109.00122v1)；所引用版本公开2021-09-01；阅读2026-10-14；状态active；§3任务；§4.4数据切分；§6设置（BERT-base/top3）与§6.1表2（RoBERTa-large）。；65.05%为FinQANet执行准确率；91.16%专家参照不作同样本同预算受控增长比较
- [FinanceBench固定首稿](https://arxiv.org/html/2311.11944v1)；所引用版本公开2023-11-20；阅读2026-10-15；状态active；§4配置及§4.1标注；§5表2（Shared Vector Store与Long Context）。 Appendix B（测试月份）。；150题公开子集；29/150与118/150是同论文实验窗口中的不同流程，不能画成时间进步
- [Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)；所引用版本公开2023-10-23；阅读2026-10-15；状态active；§2.2；§3.1数据/实现/指标；§3.2表2；同底层模型改变提示与执行流程；未匹配完整延迟/预算；不是端到端财务工作通过率
- [GDPval v2公开材料：虚构巡演损益表](https://huggingface.co/datasets/openai/gdpval/blob/11e7900cdcac61bc4daf59e65feb238acda98fbf/README.md)；所引用版本公开2026-02-10；阅读2026-10-16；状态active；task_id 7b08cd4d-df60-41ae-9102-8aaa49306ba2；参考工作簿与rubric；会计产物与F01相邻，非真实上市公司财报；许可未明确，不复制材料或rubric；本站未执行
- [JobBench：专业证据推理与委派偏好](https://arxiv.org/html/2605.26329v1)；所引用版本公开2026-05-25；阅读2026-10-19；状态active；§2.1–2.3；附录E；§3.1；偏好用于选题；基准没有测量员工采用、满意度或净省时。


## F01 从财报取数并计算指标
输入：财报表格/文字、财年与问题
交付：数值、公式和页码依据
人负责：核对单位、财年、重述与会计口径
证据适配：FinQA、FinanceBench的限定公开问题；企业私有报表效果未知
验收：每个输入能定位原文；公式可复算；财年/币种一致

### 公开 2021-09-01 数字回答开始附可执行推理程序
证据类型：限定评测；方式：限定输入下由系统执行
当前引用状态：BF01 active · 当前可引用（不等于现场验证）。
FinQA共8281个专家标注问题，其中1147题为测试集。FinQANet（RoBERTa-large）检索文字与表格并生成可执行计算程序，测试执行准确率65.05%。
AI参与动作：检索财报数字并生成可执行计算程序；指定1147题测试集执行准确率65.05%。
配置：固定首稿的1147题测试集、规则表格布局；BERT-base检索器取排名前3条事实，RoBERTa-large程序生成编码器。
指标：1147题测试集执行答案准确率；不是8281题全量测量或通用财报分析通过率
事件/运行：精确日期未披露
日期依据：按该条支持材料的公开日期进入时间轴；不是实验统一发生日
意义：取数、公式和计算可分别核对；这条路径早于通用生成式Agent。
比较：任务/配置或指标不同，不计算统一增长率
限制：不是65%的财务工作自动化；专家参照与模型不是同预算增长序列。
- [FinQA固定首稿](https://arxiv.org/html/2109.00122v1)：§3任务；§4.4数据切分；§6设置（BERT-base/top3）与§6.1表2（RoBERTa-large）。；公开2021-09-01；当前状态 active · 当前可引用（不等于现场验证）；65.05%为FinQANet执行准确率；91.16%专家参照不作同样本同预算受控增长比较

### 公开 2023-10-23 把财报问答的计算交给Python
证据类型：限定评测；方式：人机协作
当前引用状态：BF06 active · 当前可引用（不等于现场验证）。
FinQA测试1,147题；表2同一Codex底层模型的少样本贪心结果为CoT 40.4%、PoT 64.5%。
AI参与动作：模型表达变量/计算程序，Python执行；人仍需核对真实财报的取数与口径。
配置：code-davinci-002；Python3.8/SymPy；按数据集使用4–8示例；比较不同提示/执行系统
指标：财报问答答案指标；CoT使用相对容差0.001，非完整报告验收
事件/运行：精确日期未披露
日期依据：按所引用固定版本的公开日进入；不是首次发现或运行日
意义：可计算步骤有外部执行接口，但正确运算仍可能基于错误取数。
比较：只解释这一来源/任务/配置；不与其他题集连成增长曲线
限制：历史模型和限定问答；不是现场报表流程、审查人时或岗位覆盖。
- [Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)：§2.2；§3.1数据/实现/指标；§3.2表2；公开2023-10-23；当前状态 active · 当前可引用（不等于现场验证）；同底层模型改变提示与执行流程；未匹配完整延迟/预算；不是端到端财务工作通过率

### 公开 2023-11-20 检索方式决定财报问答可靠性
证据类型：限定评测；方式：限定输入下由系统执行
当前引用状态：BF02 active · 当前可引用（不等于现场验证）。
FinanceBench公开150题中，GPT-4-Turbo共享向量库29/150答对；整份财报长上下文118/150答对。
AI参与动作：模型从财报回答问题；同150题的正确数因资料流程不同为29或118。
配置：同一论文不同配置；长文档超限时截断至约95k–100k tokens
指标：人工核对的正确回答数；包含逻辑与计算依据检查
事件/运行：2023年11月测试；Appendix B仅给月份，具体日期未知；不是整月连续测量
日期依据：按该条支持材料的公开日期进入时间轴；不是实验统一发生日
意义：这组实验中，同一模型因资料处理方式不同表现悬殊；实际使用时仍要核对材料、页码与口径。
比较：同一150题的配置差异可比较；不能当历史增长
限制：这是同论文、同实验窗口中的配置比较，不是两次时间节点的增长。
- [FinanceBench固定首稿](https://arxiv.org/html/2311.11944v1)：§4配置及§4.1标注；§5表2（Shared Vector Store与Long Context）。 Appendix B（测试月份）。；公开2023-11-20；当前状态 active · 当前可引用（不等于现场验证）；150题公开子集；29/150与118/150是同论文实验窗口中的不同流程，不能画成时间进步

## 术语速查
财报取数 / 可执行推理：从表格和文字找到数字、财年和单位，再生成可运行公式；算对答案不等于财务解释全部正确。
Agent框架 / 验收项：框架提供模型可调用的工具与流程；验收项逐条检查来源、数字、解释等要求。
宏平均 / 多数票：先计算每道题满足验收项的比例，再给每题同等权重平均；三个模型多数票不是专业人士审定。
CRM / 样本外净收益：CRM保存客户工作记录；样本外用未参与开发的数据检验，净收益还需扣除交易和运营成本。

## 方法与材料
覆盖的含义：在指定输入、环境和验收下，材料支持AI参与哪些动作；未知比例保持null。
速度的含义：证据节点之间的日历间隔、流程交接变化；指标/样本/预算不一致时，不计算能力增长率或外推一年三年。
综述用于发现任务和原始文献；每条公开主张引用原始论文/官方记录。转载及同一文献家族不累计成独立验证。
目的性选择三个领域的代表任务，不是穷尽检索或无偏职业采样；基础时间轴于2026-10-14核对，本次精选补充与证据截止2026-10-15，固定论文优先，不把动态榜排名倒填历史。
- [FinQA固定首稿](https://arxiv.org/html/2109.00122v1)；公开2021-09-01；阅读2026-10-14；当前状态 active · 当前可引用（不等于现场验证）；§3任务；§4.4数据切分；§6设置（BERT-base/top3）与§6.1表2（RoBERTa-large）。；65.05%为FinQANet执行准确率；91.16%专家参照不作同样本同预算受控增长比较
- [FinanceBench固定首稿](https://arxiv.org/html/2311.11944v1)；公开2023-11-20；阅读2026-10-15；当前状态 active · 当前可引用（不等于现场验证）；§4配置及§4.1标注；§5表2（Shared Vector Store与Long Context）。 Appendix B（测试月份）。；150题公开子集；29/150与118/150是同论文实验窗口中的不同流程，不能画成时间进步
- [金融NLP系统综述](https://arxiv.org/html/2504.07274v1)；公开2025-04-09；阅读2026-10-14；当前状态 active · 当前可引用（不等于现场验证）；§2筛选；§3任务；§7.1指标与§7.2危机期间；374候选/221金融任务论文；论文数不是能力分/真实交易净收益
- [Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)；公开2023-10-23；阅读2026-10-15；当前状态 active · 当前可引用（不等于现场验证）；§2.2；§3.1数据/实现/指标；§3.2表2；同底层模型改变提示与执行流程；未匹配完整延迟/预算；不是端到端财务工作通过率
- [GDPval v2公开材料：虚构巡演损益表](https://huggingface.co/datasets/openai/gdpval/blob/11e7900cdcac61bc4daf59e65feb238acda98fbf/README.md)；公开2026-02-10；阅读2026-10-16；当前状态 active · 当前可引用（不等于现场验证）；task_id 7b08cd4d-df60-41ae-9102-8aaa49306ba2；参考工作簿与rubric；会计产物与F01相邻，非真实上市公司财报；许可未明确，不复制材料或rubric；本站未执行
- [JobBench：专业证据推理与委派偏好](https://arxiv.org/html/2605.26329v1)；公开2026-05-25；阅读2026-10-19；当前状态 active · 当前可引用（不等于现场验证）；§2.1–2.3；附录E；§3.1；偏好用于选题；基准没有测量员工采用、满意度或净省时。