对于金融智能体，严格通过是比局部完成更优的度量标准

金融智能体可以检索正确的文件，正确计算模型的大部分内容，但仍然可能失败，因为一个损坏的公式会使交付物无效。Ling-3.0-flash-Fin版本使用严格通过规则描述了金融智能体v1.1和v2的结果：任务只有在满足所有评分标准时才通过。为了减少运行间的噪声，报告的v1.1分数平均10次运行，v2平均20次。这对于长期智能体来说，比跨步骤平均部分得分更有用。例如，在杠杆收购工作流中，运营费用影响EBITDA、自由现金流、债务偿还和IRR。如果债务时间表或敏感性分析表与基本假设脱节，那么看似合理的最终IRR是毫无价值的。在生产评估中，智能体记分卡可以报告：重复运行的完整任务通过率；状态首次无效的阶段；智能体是否检测到自身失败；对公式和文件结构的工件级检查；需要人工修复的运行百分比；安全交接是否保留了证据和中间状态。发布的演示不是独立验证，财务结论仍需专业审查。但严格通过指出了正确的一点：智能体的可靠性取决于其最薄弱的必要步骤。