BigFinanceBench：面向金融研究智能体的工作流锚定基准

仅当另一位分析师可以审计财务研究答案的生成方式时，财务研究答案才与决策相关：选择了哪个来源、使用了哪个期间和会计定义、做出了哪些假设以及如何进行计算。现有的财务基准主要评估孤立的子技能或最终答案，而导致可审计的推导本身未能得到充分衡量。我们引入了 BigFinanceBench，这是一个由 928 项专家编写的开放式金融研究任务基准，其中每个项目将一个真实参考答案与一个点加权评分标准配对，该评分评分标准将推导分解为独立可检查的步骤。 BigFinanceBench 以工作流程为基础，因为它评估完整的推导而不仅仅是最终的输出。该基准涵盖 36,241 个评分标准，支持整个分析师工作流程中的部分信用评估和故障定位。通过评估十个当前的前沿和开放权重代理，我们发现了巨大的空间：最好的系统仅达到 58.8% 的评分标准，最终答案的准确性是推导质量的有用但有损的代理，并且模型能力在整个财务工作流程中变化不均匀。