大语言模型 审稿人可靠吗？财务文件中错误检测的基准

确保财务文件的准确性对于经济分析、监管合规和企业决策至关重要。多项研究表明，大语言模型 (LLM) 在许多财务任务中表现良好，例如股票价格变动和财务分析。然而，还有一个关键任务尚未探索：LLM 识别财务文档中错误的能力。在本文中，我们介绍了 \textbf{FinED-Bench}，这是第一个公开的 \textbf{Bench} 标记，用于跨三个认知复杂度级别的 \textbf{Fin}ancial \textbf{E}rror \textbf{D} 检测。 FinED-Bench 涵盖了 9 个现实世界的金融场景，并包含 2025 年报告的 900 多个文档，这些文档是现有语言模型无法看到的。我们详细介绍了基准构建过程，并在此任务上评估了几个先进的 LLM（例如 GPT-4o、Qwen3-14B），这需要金融领域知识和推理能力。实验结果表明，当前的 LLM 仍然难以完成这项任务，特别是在高复杂性的情况下。此外，有监督的 微调 可以显着提高较弱的 LLM 在此任务上的性能。我们的数据和代码可在 https://github.com/hedyHe/FinED-Bench 获取。