LLM的财务推理是否可信？基于长周期报表的真实世界测试

# 大语言模型的金融推理可信吗？对长时域陈述的真实世界测试
来源：https://arxiv.org/abs/2607.28661
作者：Xinke Tong (https://arxiv.org/search/cs?searchtype=author&query=Tong,+X), Xuanming Zhang (https://arxiv.org/search/cs?searchtype=author&query=Zhang,+X), Tianyi Tang (https://arxiv.org/search/cs?searchtype=author&query=Tang,+T), An Yang (https://arxiv.org/search/cs?searchtype=author&query=Yang,+A), Jiatu Hu (https://arxiv.org/search/cs?searchtype=author&query=Hu,+J), Guojie Lin (https://arxiv.org/search/cs?searchtype=author&query=Lin,+G), Zhenzhen Shi (https://arxiv.org/search/cs?searchtype=author&query=Shi,+Z), Lingfeng Zeng (https://arxiv.org/search/cs?searchtype=author&query=Zeng,+L), Boyu Yang (https://arxiv.org/search/cs?searchtype=author&query=Yang,+B), Bing Zhao (https://arxiv.org/search/cs?searchtype=author&query=Zhao,+B), Hu Wei (https://arxiv.org/search/cs?searchtype=author&query=Wei,+H), Lin Qu (https://arxiv.org/search/cs?searchtype=author&query=Qu,+L), Dayiheng Liu (https://arxiv.org/search/cs?searchtype=author&query=Liu,+D)

查看 PDF (https://arxiv.org/pdf/2607.28661)

> 摘要：大语言模型（LLMs）是否具备真正的结构性推理能力，还是仅仅依赖于表面层面的模式匹配？金融领域要求数值精度和长上下文中的多步逻辑推理，是理想的测试平台。现有基准测试未能反映真实世界工业场景的复杂度，它们主要依赖选择题或基于裁剪表格的单跳问答，忽视了错综复杂的跨报表动态关系和时间去累计。为弥补这一差距，我们提出了 FinIndices——一个在未裁剪财务报表（最长 32K tokens）上评估数据处理保真度的大规模基准测试。FinIndices 利用带有对抗性陷阱的自动化合成流水线，涵盖单指数计算和表格指数制表，以测试复杂的领域、时间维度及口径推理。我们的评估揭示了大语言模型的两个严重缺陷。第一是“知识瓶颈”：尽管模型在预训练期间记住了公式，其模式匹配仍然脆弱。移除显式公式提示会导致性能崩溃（例如，Gemini-3.1-Pro 在表格任务上从 70.70% 降至 38.22%），暴露出时间去累计和存量-流量口径错配方面的致命缺陷。第二是“结构瓶颈”：生成多指标、多周期表格所需的高强度认知负荷会不断消耗推理能力。在结构压力下，原本能完美执行独立推导的大语言模型会退化为浅层启发式策略，例如抓取错误的相邻列，或用机械的字面算术替代深层会计调整。最后，监督微调（SFT）在零提示条件下带来了显著提升（单指数任务 +8.54%，表格任务 +3.82%），验证了以数据为中心的对齐方式能够部分恢复结构化逻辑。

## 提交历史

来自：Xinke Tong [查看邮箱](https://arxiv.org/show-email/3e6f09c2/2607.28661) **[v1]** 2026年7月22日（周三）06:53:07 UTC（2,233 KB）