LLM 的财务推理可信吗？对长期陈述的现实测试

大语言模型（LLM）是否具有真正的结构推理，或者仅仅依赖于表面级模式匹配？金融领域需要长期上下文中的数值精度和多步骤逻辑，是一个理想的测试平台。现有的基准无法捕捉现实世界的工业复杂性，主要依赖于多项选择问题或对裁剪表的单跳 QA，而忽略了复杂的跨语句动态和时间累积。为了弥补这一差距，我们引入了 FinIndices，这是一个大规模基准，用于评估未经裁剪的财务报表（最多 32K 词元）的数据处理保真度。 FinIndices 利用带有对抗性陷阱的自动合成管道，包含单索引计算和表索引制表来测试复杂的域、时间和口径推理。我们的评估揭示了两个严重的 LLM 漏洞。首先，“知识瓶颈”：尽管在 预训练 期间记住了公式，但模型表现出脆弱的模式匹配。删除显式公式提示会导致性能崩溃（例如，Gemini-3.1-Pro 在表任务上从 70.70% 下降到 38.22%），暴露出时间累积和库存流口径不匹配的致命缺陷。其次，“结构瓶颈”：生成多度量、多周期表的强烈认知负荷会主动消耗推理能力。在结构压力下，完美地执行孤立推导的 LLM 回归到浅层启发式，例如获取不正确的相邻列或用惰性文字算术替换深度会计调整。最后，受监督的 微调 (SFT) 产生了可观的零提示增益（+8.54% Single，+3.82% Table），验证了可以通过以数据为中心的对齐来部分恢复结构化逻辑。