让 AI 像金融分析师相似搜索和分析数据，到底有多难？现时的大模子诚然能回应基础金融常识，在 CFA 考试中取得高分，但靠近真确的金融场景，它们的进展究竟奈何？
为了回应这个问题，字节进步 Seed 团队辘集哥伦比亚大学商学院推出了 FinSearchComp，这是首个统统开源的金融搜索与推理基准测试。该基准包含 635 个金融人人悉心联想的问题，掩饰人人和大中华两个市集，并在多个主流模子产物上进行了全面评测。
评测效果令东说念主深念念：
在大派别据集上，进展最佳的 Grok 4 ( web ) 准确率达到 68.9%，但仍逾期东说念主类人人 6.1 个百分点。在大中华区数据集上，豆包 ( web ) 诚然开头其他模子，但与东说念主类人人 88.3% 的准确率比较，差距特别 34 个百分点。
这些数字清爽地标明，即使是开头进的 AI 系统，在惩处复杂金融分析任务时仍有很大进步空间。
该基准测试发布后取得了业界的庸俗询查，马斯克也珍重并转发。
学界人人们觉得，这进一步突显了金融 AI 才气评估在现时本事发展阶段的进军性和履行道理道理。
三类任务，递进式难度联想
金融分析是锻练 AI 才气的绝佳试金石。分析师的平日职责触及大都复杂的信息搜索和整合，从及时市集数据到历史财务裸露，从头闻事件到监管文献，这些任务不仅条目时效性和精确性，还需要跨源信息整合和专科判断。
例如来说，看似简便的"查询 IBM 最新收盘价"需要快速获取并考据最新数据；"检索星巴克 2020 年 9 月的总钞票"需要准确定位时分点并领会管帐准则；而"识别 2010 年以来标普 500 单月最大涨幅"则需要跨越多个时期进行数据惩处。
这些任务展现了金融搜索奈何迷惑时效性、精确性和把柄整合，使其成为评估 AI 是否能支抓履行高风险决议的自然试验场。一个过时的数据、一个口径破绽的数据、 一个非官方信息源的数据，都可能导致最终的决议诞妄。而完成这些，有依赖模子对搜索以及金融器具的使用。
FinSearchComp 的琢磨团队悉心联想了三类迫临分析师平日职责的任务，难度逐级递加。
时效性数据获取任务条目获取逐日或日内变化的数据，如最新股价、汇率、黄金价钱等，这类任务强调数据时效性搜索、多信息源判断。
简便历史查询任务需要查找固定时分点的事实，比如某公司 2024 财年的研发支拨或 TTM 收入，谬误挑战在于对王人论说老例（财年、TTM、季度等单元），并确保单元和货币的一致性。
最具挑战性的是复杂历史侦查任务，它条目进行多期团员或详尽分析。例如"夙昔 10 年标普 500 单月最大跌幅是哪个月"这么的问题，需要跨越永劫分跨度检索数据、退换公司手脚影响、轨范化单元，并进行多步推理而不出错。
这种递进式的任务联想不仅响应了金融分析职责经由的本色复杂性，也为细粒度的破绽分析提供了可能。
官方数据源、行业人人保证数据可靠性
为确保基准的质地和可靠性，FinSearchComp 的构建得到了字节进步 Xpert 平台的有劲守旧。
Xpert 是字节进步旗下的人人级数据职业平台，竭力于将九行八业人人的深度常识和丰富教学转动为高质地 AI 教师数据。该平台积存了数千名经过严格筛选的人人，包括来自 985/211 院校的硕博士学者以及领有 2-10 年丰富实战教学的各行业人人。在 FinSearchComp 名堂中，Xpert 平台提供了 70 位金融人人的专科支抓，包括 50 位标注人人和 20 位资深审核人人。这些人人均具有金融硕士以上学位，来自花旗、摩根大通、德相识银行、野村证券、中信证券、华泰证券等有名机构。
在数据源遴荐上，悉数谜底均来自大度可靠的渠说念，包括上市公司官方裸露、政府和监管机构网站以及专科金融数据库。团队袭取多源交叉考据要道确保数据可靠性并摈斥歧义。例如，他们会将两个不同官方网站的数据进行交叉援用，或将专科金融数据库的数据与官方网站进行考据。
为了摈斥歧义，团队在问题中明确施展界说轨范（如静态市盈率 vs 市盈率 TTM），将谜底配置为数值限度或界说容差精度，并尽可能幸免容易产生追想退换的筹划。每个问题和谜底都经过盲审机制的多重考据，由其别人人孤独求解并比对效果。通盘数据集构建过程耗时约 240 小时人人工时，充分保证了专科性和准确性。
评测发现：搜索才气是谬误，金融插件有匡助，但还远远不够
开头是任务难度的递进性得到考据，悉数模子的进展都从 T1 到 T3 单调递减，解释基准如的确测试越来越复杂的搜索和推理才气。T3 任务需要跨异构源和时分段的多跳检索、时分推理、细粒度实体证实以及部分或打破把柄的合营，迫使系统进行筹划、考据和详尽，而不单是是检索。
地域特征也很赫然。好意思国模子在大派别据集上开头，中国模子在大中华区数据集上进展更好。琢磨团队觉得这主要归因于模子才气、以及产物所用器具的地区性，这些成分共同进步了"主场"性能
最引东说念主肃穆的是搜索才气的谬误作用。
配备聚集搜索功能的模子在三个任务上诀别取得 40.8、29.0 和 8.1 个百分点的众多进步。莫得搜索功能的模子在时效性任务上一律得分为 0，因为它们无法检索现时金融数据。即使在 T2 和 T3 任务上，无搜索模子诚然能取得非零但很低的分数，这主要依赖于预教师时的参数驰念，但这些驰念时时过时或不准确。
此外，金融插件的价值也得到充分体现。在元宝平台上使用金融插件的 DeepSeek R1 比在 DeepSeek 官方网站上的版块进展进步了 31.9 个百分点。轨范聚集搜索功能可能产生过时的金融数据或无法检索最新信息，而专用金融插件提供对简便及时数据的径直看望，使模子能够生成更准确的纲目并减少破绽的可能性。
这个基准不仅测试了 AI 的搜索才气，更进军的是揭示了构建可靠金融决议支抓系统所需的谬误才气差距。
据统计，好意思国约有 37 万金融专科东说念主士，人人可能特别 100 万金融分析师每天都在实行这些信息检索任务。个东说念主分析师每天实行 10-30 次简便历史查询，每次平均需要 5-10 分钟；而复杂历史侦查诚然频率较低，但每次时时需要 15-60 分钟。
诚然轨范化模板和自动化器具照旧存在，但约有一半的信息检索手脚仍然需要手动数据网罗和重写模版开发。如若 AI 能够准确成这些任务，分析师不错进一步自动化这些经由，显耀进步合座分娩力。
此次评测也点明了一个履行：最强的 AI 在金融搜索上也只可合格。大略咱们需要的不单是一个 FinSearchComp，而是多个这么的行业级评测，构建起金融 AI 的好意思满"驾照考试体系"，让更多的金融 AI 产物来参与并解释我方的可靠性。毕竟，在 AI 能够精确完成这些任务之前，谁敢让它从 copilot 形成 pilot？
Arxiv 运动：https://arxiv.org/abs/2509.13160
Github 运动：https://randomtutu.github.io/FinSearchComp/
Xpert 人人平台榜单运动：https://xpert.bytedance.com/leaderboard
（本文封面由 AI 生成）
一键三连「点赞」「转发」「戒备心」
接待在评述区留住你的目的！
— 完 —
� � 年度科技风向标「2025 东说念主工智能年度榜单」评比报名开启啦！咱们正在寻找 AI+ 期间领航者 点击了解笃定
❤️� � 企业、产物、东说念主物 3 大维度，共开发了 5 类奖项，接待企业报名参与 � �
一键珍重 � � 点亮星标
科技前沿进展逐日见MK体育官网