固定周报准备

# 固定周报准备

前沿版本：2026-10-16.1；场景：weekly-report
规划基准日：2026-10-13；下次复核：2027-01-13
首次整理/公开：2026-10-13；证据截止：2026-10-13；本次编辑：2026-10-13。规划锚点不代表新增情景当时已经存在。
证据状态：active


## 概念与例子：把周报拆成可复算数字、有出处的材料和业务解释

这里的工作要求用真实数据交付一份数字一致、能追溯出处并由团队接收的报告。固定计算、资料检索和业务解释的验收不同，应分别判断。

例如销售周报需要先确定退款是否扣除，再核对各地区之和与总额，最后解释异常。模型能够写出解释不代表口径已确认，也不能用金融文档评测的分数推算这一份周报的成功率。

- 技术可委派：在给定输入、工具与质量门槛下，执行部分可交给AI。
- 实际委派：组织已经接入流程并真实采用，和技术上能做不同。
- 净人时：同工作量同质量下，计入准备、复核、返工、接管和维护后的人员时间变化。

## 具体进展

### LaRA与LongMemEval分别测到什么

LaRA在2326道题、11个模型与小说、论文、财报语料上比较检索增强和长上下文。RAG设置使用600 token的分块、100 token重叠，结合GTE向量检索与BM25，取5块供模型回答。结果随任务、模型和材料长度变化；必须连同这些检索条件阅读，不能断言长窗口或检索总是更好。[LaRA](https://arxiv.org/abs/2502.09977)

同一GPT-4o、128k上下文行中，LaRA表2的推理题正确率为长上下文79.35%、RAG70.26%；无答案应拒答题则为长上下文56.34%、RAG67.33%。推理题含财报计算和人物关系，评判由GPT-4o判断答案正确性。这个例子说明两种方案在不同任务中各有优势，不是通用胜负。[LaRA](https://arxiv.org/abs/2502.09977)

LongMemEval用500题测试跨会话信息抽取、时间推理、事实更新与拒答。在LongMemEval_S约115k token历史、GPT-4o且未加CoN笔记步骤的条件下，图3b报告全历史输入为60.6%，直接给定相关会话的oracle为87.0%。这说明正确找到证据很重要；oracle已经移除检索难度，不是完整可部署系统的87%成功率。[LongMemEval](https://proceedings.iclr.cc/paper_files/paper/2025/file/d813d324dbf0598bbdc9c8e79740ed01-Paper-Conference.pdf)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[LaRA](https://arxiv.org/abs/2502.09977)、[LongMemEval](https://proceedings.iclr.cc/paper_files/paper/2025/file/d813d324dbf0598bbdc9c8e79740ed01-Paper-Conference.pdf)

### 金融检索和跨文件专业交付

FrontierFinance测试220道金融研究查询、11,543条验收项。8月论文中的56.0%是Samaya高努力内部系统；Claude Fable 5为49.2%、Kimi K3为46.4%，配Finance Agent v2、最多200工具调用/300秒。分数是逐题条款满足率的平均，不是整题通过率；9月28日运营方榜Fable5.1+同名Agent的55.9%是另一快照，不能当控制增长曲线。[FrontierFinance](https://arxiv.org/abs/2608.11683) [Samaya榜单](https://samaya.ai/benchmarks/frontier-finance)

BankerToolBench有100项初级投行业务任务，要求表格、幻灯片、备忘录数值与引用一致，主实验用OpenCode。九系统最佳仍近半条款未满足；21名投行人员对GPT-5.4或Opus4.6产物作172次评审，无人给“可直接发送”档。172次不是172份独立产物，0%也不是所有金融AI的通用交付率。[BankerToolBench](https://arxiv.org/html/2604.11304)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[FrontierFinance](https://arxiv.org/abs/2608.11683)、[Samaya榜单](https://samaya.ai/benchmarks/frontier-finance)、[BankerToolBench](https://arxiv.org/html/2604.11304)

### 同类工具在不同开发者任务中效果相反

Microsoft、Accenture与匿名Fortune100的三项企业现场随机试验，合并4867名开发者，随机提供代码补全助手，作者估计完成任务数量高26.08%（标准误10.3个百分点）。这不是每项任务都省时26%，也不是稳定的全行业增益。[企业开发者试验](https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535)

METR另让16名熟悉成熟仓库、对目标仓库平均约5年经验的维护者处理246个预先定义issue，随机允许或禁用AI。使用2025年2–6月工具前沿，主要是Cursor Pro与Claude3.5/3.7 Sonnet，完成时间增加19%。这是耗时指标，与完成任务数量不同；不适用于当前全部工具或新手任务。[真实仓库试验](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf)

相邻研究及其条件，尚未验证本场景的完成率或收益。
对应材料：[企业开发者试验](https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535)、[真实仓库试验](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf)

### 这些研究怎样影响本场景（编辑推断）

检索和记忆评测说明相关材料、事实更新与拒答会改变结果。对周报，应保留每个数字的来源与期间，不能只把全部文件放进长输入。

金融文档评测要求表格、幻灯片和备忘录一致。这为周报提供相邻验收思路：逐项核对图表和文字的数字与公式，但不能直接继承银行任务的分数。

开发者任务研究出现相反方向的人时结果，提醒周报也要记录准备、复核与返工；文字生成更快不等于整条流程省时。

本场景应用推断；研究没有直接测量这份工作，幅度保持未知。
对应材料：

## 时间线

- 2026-10-13（条件推断建立 / 预测基准）：使用指定研究与当前任务标准提出场景判断，不是业务测量日。
  日期依据：本场景初始判断记录
- 2027-10-13（一年情景 / 目标日期）：固定字段与口径下，归集、计算和图表草稿更可能交给AI；人员解释异常并确认接收。
  日期依据：从预测基准日起的一年检查点
- 2029-10-13（三年情景 / 目标日期）：若来源版本、事实撤销与跨文件核对可靠，可扩大成稿链；业务解释和接收仍由人负责。
  日期依据：三年新增条件推断，不是原论文已经验证的结果

## 工作意义

先做下方最小试点，保存全部尝试和独立验收，再决定扩大范围。人承担的口径、接受与例外处理要具体记录。

### 后续观察

方向为条件推断，幅度未知；地区/语言/工具/人群不同不直接迁移。三年是本站条件推断的检查点，没有来源论文直接验证这个时间跨度。

## 证明材料

### LaRA: Benchmarking Retrieval-Augmented Generation and Long-Context LLMs -- No Silver Bullet for LC or RAG Routing

[LaRA](https://arxiv.org/abs/2502.09977)；类别：研究预印本；状态：active
支持：指定GPT-4o/128k行的推理与拒答结果，以及RAG检索配置；任务不同有不同优势。 对本场景仅提供相邻验收参考。
定位：v2 §3.2（题型）、§3.4（答案判分）、§4.1（配置）、§4.2/表2（模型与结果）。
先确定问题类型与检索器，再比较各模型；不同条件不可拼成统一提升。
原始发布：2025-02-14；修订：2025-03-05；arXiv首稿记录
研究比较设置，不是金融业务部署或独立复验。
2026-10-14书目信息，非实验复验。

### LongMemEval

[LongMemEval](https://proceedings.iclr.cc/paper_files/paper/2025/file/d813d324dbf0598bbdc9c8e79740ed01-Paper-Conference.pdf)；类别：原始研究或机构项目说明；状态：active
支持：LongMemEval_S、GPT-4o、不加CoN时0.606/0.870对照及五类长期记忆能力。 对本场景仅提供相邻研究与验收参考。
定位：§3.4、图3b（印刷第6页）；相关数据与历史长度说明。
区分全历史输入与直接提供正确相关会话；oracle排除了检索困难。
原始发布：未知；修订：未提取；未从二进制资料猜测发布日期
作者评测结果；本页未重跑，不能把oracle当完整系统成绩。
2026-10-14书目信息，非实验复验。

### FrontierFinance: A Challenging Benchmark for Measuring Frontier Intelligence of Finance Agents

[FrontierFinance](https://arxiv.org/abs/2608.11683)；类别：研究预印本；状态：active
支持：指定系统与条款满足率，不是全任务成功率。 对本场景仅提供相邻研究与验收参考。
定位：§3.1（220题）；§5/§5.1（工具与宏平均评分）；表4（结果）。
先分清条款满足、整题通过、数值答案正确与可发送四种指标，再看配置。
原始发布：2026-08-12；修订：未提取；arXiv首稿记录
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
2026-10-14书目信息，非实验复验。

### FrontierFinance benchmark | Samaya

[Samaya榜单](https://samaya.ai/benchmarks/frontier-finance)；类别：原始研究或机构项目说明；状态：active
支持：另一快照55.9%，未确认同预算控制比较。 对本场景仅提供相邻研究与验收参考。
定位：运营方2026-09-28榜单指定模型/Finance Agent v2行。
先分清条款满足、整题通过、数值答案正确与可发送四种指标，再看配置。
原始发布：未知；修订：未提取；原页面未提取到可靠发布日期，保持未知
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
2026-10-14书目信息，非实验复验。

### BankerToolBench: Evaluating AI Agents in End-to-End Investment Banking Workflows

[BankerToolBench](https://arxiv.org/html/2604.11304)；类别：研究预印本；状态：active
支持：100投行任务、跨文件交付与指定产物人工评审。 对本场景仅提供相邻研究与验收参考。
定位：§3.1/§3.2（任务/环境）；§6.1（可直接发送档）；附录A.4（21人/172评审）。
先分清条款满足、整题通过、数值答案正确与可发送四种指标，再看配置。
原始发布：2026-04-13；修订：未提取；arXiv v1首稿记录
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
2026-10-14书目信息，非实验复验。

### 企业开发者试验

[企业开发者试验](https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535)；类别：期刊论文或文献摘要；状态：active
支持：三企业4867人代码补全试验的任务数量估计、标准误与人群差异。 对本场景仅提供相邻研究与验收参考。
定位：期刊Abstract；Article Information（在线日期）。
任务数量、耗时、相对趋势和整体人数是不同指标；先核对比较对象。
原始发布：2026-02-27；修订：未提取；期刊Published Online日期
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
2026-10-14书目信息，非实验复验。

### Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

[真实仓库试验](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf)；类别：现场随机试验：成熟仓库维护；状态：active
支持：熟悉目标仓库的维护者（该仓库平均约5年经验），指定工具下随机允许AI的耗时结果；对本场景仅为相邻验收参考。
定位：PDF第1页Abstract、第2页Introduction及试验任务定义。
任务数量、耗时、相对趋势和整体人数是不同指标；先核对比较对象。
原始发布：未知；修订：未提取；原始发表日期未提取，保留未知
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
2026-10-14书目信息，非实验复验。

本页整理：2026-10-14；事实范围：2026-10-13。场景适配与未来情景为编辑推断，实际三个份额保持未知。

## 适用范围与当前边界
授权表格、固定指标与模板，中文内部报表；无完整场景现场基线。
本站核对过一份固定计算产物的受限重放；完整资料整理、图表与成稿尚未做现场验证。
方向为条件推断，幅度未知；地区/语言/工具/人群不同不直接迁移。三年是本站条件推断的检查点，没有来源论文直接验证这个时间跨度。
实际技术可委派、实际委派和净人时变化：未知。

## 一年 2027-10-13
- 保守：仍以找资料、起草为主，人员逐项对数和确认统计期间。
- 基准：固定字段与口径下，归集、计算和图表草稿更可能交给AI；人员解释异常并确认接收。
- 上行：若同预算留出资料连续通过，可扩到跨文件草稿；遇到口径变化或缺出处立即交回核对。

## 三年 2029-10-13
- 保守：依然只有局部辅助；频繁版本变化可能抵消省下的写作时间。
- 基准：若来源版本、事实撤销与跨文件核对可靠，可扩大成稿链；业务解释和接收仍由人负责。
- 上行：若跨季度质量与净人时均改善，可让固定周报链持续运行并监测；异常、口径变更和对外决定仍需明确责任。

## 上调与下调
上调：
- 同预算独立留出的质量、依赖与最终状态通过
- 复核返工维护后的合格交付全成本改善
- 真实接收者持续接受，过程约束与恢复通过
下调：
- 资料冲突、来源撤回或独立验收失败
- 越权泄漏、重复副作用或状态不明
- 复核返工增加、接收失败或净成本不改善

## 工作重组
可能减少：授权表格归集、重复键与缺失值检查；固定指标计算、图表及初稿整理
仍需由人负责：统计期间与退款等业务口径确认；异常原因解释和接收者最终确认
可能新增：字段/来源版本维护与跨文件对数；记录返工和复核人时，监测数据漂移

## 最小试点

输入：
- 冻结的授权表格快照、字段词典、币种与统计期间口径
- 周报模板、指标定义与每项事实的来源页
- 同工作量同质量的人工基线与接收者
步骤：
- 核对字段、重复键、缺失值与统计期间，保留输入版本
- 按固定口径计算并从原数据独立复算，再生成图表
- 核对表格/图表/成稿中的数值与出处，解释和对外接收由责任人确认
验收：
- 分组汇总与总量一致，差异可以回溯到原始记录
- 图表单位、期间和周报数值一致，引用指向有效源页
- 事实与推断分开；接收者未实际确认时不报告现场完成
停止：关键证据/权限缺失或独立验收失败时，停依赖步骤，保留产物交回责任人。
负责人确认与现场动作要有真实记录；网页不是执行授权。

## 依据与任务
- /frontier/advances/ADV04.md?version=2026-10-16.1
- /frontier/advances/ADV05.md?version=2026-10-16.1
- /frontier/advances/ADV20.md?version=2026-10-16.1
- /frontier/advances/ADV24.md?version=2026-10-16.1
- /work-tasks/DATA-21823.md（任务版本单独从manifest读取）
- /work-tasks/DATA-21829.md（任务版本单独从manifest读取）

## 合成演算：不是实际预测

合成100h输出原型；工时/门槛/年份是人为输入，包络不是真实预测、概率区间或最坏界。当前/未来实际T、D、净人时未知。E不满足门槛仅为样例假设，不是永久人工职责。

先把同一工作量拆成步骤，预设各步骤的人工基线工时，再指定哪些步骤在此例中假设完整满足技术门槛。编号A–E只标步骤；步骤D与实际委派份额是两个对象。

本例技术满足比例T＝满足假设的步骤工时之和÷全部基线工时。若写成T＝Σwᵢqᵢ，wᵢ是该步骤占全部基线工时的比例，qᵢ在本例中由名单取0或1；它不是模型实测成功率。

实际委派份额还需要真实采用比例；净人时还需准备、复核、返工、接管和维护。在没有数据时，这两个量保持未知。

### 本例基线输入

- 步骤A：资料归集与规范化，20小时
- 步骤B：固定指标计算，20小时
- 步骤C：跨文件成稿，20小时
- 步骤D：独立证据核查，10小时
- 步骤E：业务解释与沟通，30小时
总基线：100小时。

### 假设与复算

**一年 2027-10-13**

- 保守：假设满足的步骤为B（固定指标计算）；20小时÷100小时＝20%。
- 基准：假设满足的步骤为A（资料归集与规范化）、B（固定指标计算）；40小时÷100小时＝40%。
- 上行：假设满足的步骤为A（资料归集与规范化）、B（固定指标计算）、C（跨文件成稿）；60小时÷100小时＝60%。

**三年 2029-10-13**

- 保守：假设满足的步骤为B（固定指标计算）；20小时÷100小时＝20%。
- 基准：假设满足的步骤为A（资料归集与规范化）、B（固定指标计算）、C（跨文件成稿）；60小时÷100小时＝60%。
- 上行：假设满足的步骤为A（资料归集与规范化）、B（固定指标计算）、C（跨文件成稿）、D（独立证据核查）；70小时÷100小时＝70%。

上述百分比来自人为指定的工时与门槛，不是未来发生概率、可信区间或实际职业AI化比例。

## 本地回执
记录实际输入/环境/配置/授权、产物路径、全部尝试、逐项验收、最终状态、人的介入和人时、未知与恢复。默认不上传，不生成成功率或个人能力分。

## 修订
2026-10-13 2026-10-13.1：基于现有研究建立初始推断，无实际百分比
2026-10-13 2026-10-13.2：补齐具体主张对应原始来源；条件判断和实际未知保持
2026-10-13 2026-10-13.3：公开修订时间与预测基准分离，补齐审核/输出一致性；条件推断与实际未知不变
2026-10-13 2026-10-13.4：按具体场景补齐输入、动作和独立验收；实际比例与净收益仍未知
2026-10-14 2026-10-14.1：补概念、证据推断链与日期口径，原预测基准与实际未知不变
2026-10-14 2026-10-14.6：按逐页原文审阅更正研究条件与定位，区分适配推断并补场景化一年/三年；基准日及实际未知不变
2026-10-14 2026-10-14.8：独立复核补LaRA任务对照、分开知识对象两个测试及其分母；情景基准与实际未知不变
2026-10-14 2026-10-14.12：按场景具体写明缩减/保留/新增工作；中文解释合成演算输入、变量与复算，不改变真实未知状态