标签
FilingLoop 推出了一个用于企业信息披露审查与修订的交互式基准和自演进大语言模型智能体框架,以 380 项美国证券交易委员会(SEC)IPO 审查任务为基础,采用需求级评估,通过无需更新模型权重的程序性学习,将需求满足率从 24.28% 提升至 27.96%。
该研究评估了 Llama-3 8B、Qwen-2.5 14B 和 Llama-3.3 70B 等 LLM 在从 SEC 10-K 文件中提取财务数据时的表现,发现将模型规模与文档结构复杂度对齐可在零样本设置下获得高准确率,从而缓解量化金融数据集中超过 70% 公司面临的缺失数据偏差问题。
哈佛大学、MIT等实验室的一篇新论文介绍了FINSKILLOPS,这是一种方法,使金融AI代理能够持续从SEC文件错误中学习,同时使用回归测试来保持正确性并安全更新技能。
论文提出了一种免训练且免对齐的企业智能方法,使用确定性稀疏种子向量来分析SEC文件,无需大型语言模型即可实现高效的文档比较和语义事件检测。
一个由 LLM 辅助的 agent 仅在与生成该规则的 120 家公司样本进行验证后,就发布了一条关于 SEC 8-K 文件时间戳的错误规则;作者撤回了该论断,并主张必须利用假设生成闭环之外的数据来验证 agent 的输出。
本文报道了近期SEC备案中披露的AI相关交易、投资和公告,涉及Microsoft、NVIDIA、CIBC等公司,显示AI在各个领域的角色正在扩大。
Filing Studio的MCP工具能够将LLM输出中的金融数据追溯到SEC文件,从而提高金融应用的可信度,并通过使用JSON而非HTML来节省token。
Chamath发现通过SEC财报文件中热词频率的变化可以预判概念是否即将退潮,例如DEI在2020-2022年达到顶峰后下滑,而AI自2022年底持续上升,目前几乎每家大公司财报都在提及。
本文提出一个基于大语言模型(LLM)的两阶段系统,利用包含119种事件类型的三层分类法,从SEC 8-K文件中提取可溯事件标签,并具备约束与可审计机制。该系统在近30万份文件上进行了评估,在高质标签上展现出高精确度,并支持区分经济意义上不同事件的事件研究。
一个实用的解决方案,使用AnySearch让本地AI代理高效查询多个专业来源(CVE、SEC申报),返回结构化JSON/Markdown,避免速率限制和破损的SDK。
来自斯坦福大学、加州大学和南京大学的研究人员发布了SEFD数据集,包含来自SEC文件的152B个词元,转换为保留布局的MultiMarkdown格式,保持表格结构用于LLM训练,且与Common Crawl的重叠很小。
开源了一组用于 Codex 平台的买方研报 skill,可从 SEC 官方拉取原始文件进行分析,支持多种投资研究框架。
介绍Equibles,一个自托管开源MCP服务器,为本地LLM提供实时美国金融数据,包括SEC文件、内幕交易和经济指标。