# 让模型表达计算，让程序执行：财报与数学的交接方法

模块 2026-10-19.boundary.1；整理 2026-10-19；证据状态 active
可执行计算能帮助复算数值；取数、题意、口径和最终解释仍要各自核验。
现今编辑解释，不是历史快照；实际覆盖比例未知。


## 这是什么方法

PoT让模型表达变量和计算程序，外部解释器负责运算。原论文固定v4表2比较同一Codex底层模型的不同提示/执行系统，不是重新训练后的金融岗位成绩。

CoT（思维链）用文字逐步推理；PoT（程序化思考）把可计算步骤写成程序。FinQA是财报问答测试，GSM8K是小学多步数值题；这些题集不是完整财务岗位或研究级证明。
来源：[Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)

## 具体做到哪里

FinQA的1,147道财报问答中，CoT为40.4%、PoT为64.5%；GSM8K多步题也有同论文的比较。这些结果来自历史code-davinci-002、少样本贪心解码设置，FinQA的CoT采用相对容差0.001；详细配置和条件比较由下方案例链接进入。

这些是限定题集的答案指标，未证明资料取数、真实报告整体验收、审核人时或客户交付。解释器能算对一个错误输入，所以计算与原文对账必须分开。
来源：[Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)

## 拿到一份财报后怎样使用

先锁定指标、报告和期间，再让AI列数值、单位和具体出处。由人核对公式后，计算工具执行，并保留可复算输入；最终解释必须与原文和计算一致。

相近FinanceBench结果显示资料处理配置会改变问答表现，但不是两个年份的增长曲线。找不到原文或口径不同就停止交付，而不是补一个看似合理的数字。
来源：[FinanceBench固定首稿](https://arxiv.org/html/2311.11944v1)

## 一个小例子和一个重要失败

下方案例用两份构造资料说明重述：同口径收入增长20%，误用旧分母会得到25%；利润率变化另用百分点。数字只用来解释检查方法，未执行AI任务。

把季度收入当全年收入、把不同币种混用或编造引用，即使程序运行成功，仍是不合格产物。这个方法不授权投资交易，也不证明完整财务工作的覆盖率。


## 从一个答案到一份完整工作簿

精选GDPval固定revision 11e7900cdcac61bc4daf59e65feb238acda98fbf中的7b08cd4d-df60-41ae-9102-8aaa49306ba2。它要求把虚构巡演不同来源收入与成本整理成损益表，参考工作簿包含巡演经理记录、预扣假设和制作公司费用三个表。

这份会计材料只作为产物与验收设计参考：交付要能检查来源分列、期间、币种及公式一致。本站读过题目、59项rubric和工作簿表头，未运行模型；没有发现明确再分发许可，因此仅链接原材料，不复制文件或评分细则。
来源：[GDPval v2公开材料：虚构巡演损益表](https://huggingface.co/datasets/openai/gdpval/blob/11e7900cdcac61bc4daf59e65feb238acda98fbf/README.md)

## 本轮方法补充：证据支持到哪里

JobBench重视多来源专业推理和偏好导向选题。对F01只支持核对来源、期间、单位和冲突的相邻方法；没有直接验证本案例。评分协议冲突尚未解决，本页不引用榜单数值，也不据此改变实际工作比例。

原有案例与场景边界保留；新材料不改变已记录的现场实验结果，也不替代人的最终接收。
来源：[JobBench：专业证据推理与委派偏好](https://arxiv.org/html/2605.26329v1)

## 案例中的条件比较
- [F01案例中的条件比较](/changes?task=F01&domain=finance&at=2026-10#phase-conditions)
- [M01案例中的条件比较](/changes?task=M01&domain=math&at=2026-10#phase-conditions)

## 回到具体任务
- [财报计算：把取数、运算、对账分别验收](/changes?task=F01&domain=finance&at=2026-10)
- [数值推导：先确定你要验收哪种正确](/changes?task=M01&domain=math&at=2026-10)

## 版本、日期与原文定位
- [Program of Thoughts：外部计算接口（v4）](https://arxiv.org/html/2211.12588v4)；引用版本公开2023-10-23；阅读2026-10-15；固定v4页首：2023-10-23；不把v4表格倒填v1；§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
- [FinQA固定首稿](https://arxiv.org/html/2109.00122v1)；引用版本公开2021-09-01；阅读2026-10-14；页面标示发布日期或固定预印本v1页首日期；§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)；引用版本公开2023-11-20；阅读2026-10-15；页面标示发布日期或固定预印本v1页首日期；§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
- [GDPval v2公开材料：虚构巡演损益表](https://huggingface.co/datasets/openai/gdpval/blob/11e7900cdcac61bc4daf59e65feb238acda98fbf/README.md)；引用版本公开2026-02-10；阅读2026-10-16；2026-02-10是固定revision发布日期，单项任务首次公开时间未知；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)；引用版本公开2026-05-25；阅读2026-10-19；arXiv固定v1公开日期；§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。