# FinanceBench：为什么基于向量存储的 RAG 在真实财务文档上表现不佳

FinanceBench 的出现正值各大企业级 AI 厂商竞相宣称其系统能够“根据你的财务文档回答问题”之际。这篇来自 Patronus AI 的论文利用真实的 SEC 备案文件和精心策划的开卷问题，对这些说法进行了严峻的测试。对于任何正在构建财务 AI 的人来说，结果都令人不安。



## 论文概览

Islam 等人推出了 *FinanceBench：一种新型财务问答基准测试* (arXiv:2311.11944)，这是一个包含 10,231 个关于上市公司的测试套件，问题源自真实的 SEC 备案文件——包括 10-K 年度报告、10-Q 季度报告、8-K 现况报告和业绩说明会转录。与早期的财务问答数据集（如 FinQA、TAT-QA）不同，后者提供的是预先提取的表格和段落，而 FinanceBench 要求系统在回答之前必须从完整文档中检索证据。这才是真实的场景。这些问题被设计成在事实上毫无歧义，正如作者所言，这是“最低性能标准”。

团队评估了涵盖 GPT-4-Turbo、Llama2 和 Claude2 的 16 种配置，涉及四种检索策略：闭卷（无检索）、共享向量存储、单文档向量存储，以及输入整个相关页面的长上下文提示。人工标注员手动审查了 150 个开源案例中的全部 2,400 条回答。

## 核心观点

- **检索不是瓶颈。** 即使给 GPT-4-Turbo 提供金标准段落（包含答案的确切页面），准确率也只能达到 85%。长上下文提示（自动输入正确页面）的分数为 79%。完美的检索只能带来 6 个百分点的提升。
- **向量存储 RAG 才是真正的难题。** 使用单文档向量存储的 GPT-4-Turbo：50% 正确，39% 拒绝回答。在跨公司的共享向量存储下：19% 正确，68% 拒绝回答。那条“81% 的失败率”的新闻头条就出自这种共享存储配置——而这正是大多数企业演示中实际使用的配置。
- **模型的失败方式各异。** Llama2 产生严重幻觉（54–70% 错误）；GPT-4-Turbo 则倾向于拒绝回答（39–68% 的拒绝而非错误回答）。在生产环境中，这两种失败模式都是不可接受的，但它们所代表的风险并不等同。
- **66% 的问题需要数值推理。** 增长率、利润率、同比差异。这是模型最容易出错的地方——计算错误、单位混淆、正负号错误。
- **长上下文几乎能解决问题。** Claude2 长上下文：76% 正确。GPT-4-Turbo 长上下文：79%。这是目前最实用的数据，通过跳过检索并直接输入整个相关页面来实现。
- **即使有金标准也会出错。** 在拥有完美证据的情况下，上限是 85% 而非 100%。15% 的失败纯粹是推理失败，与检索组件无关。

## 哪些结论成立，哪些存疑

该基准测试的设计是合理的。坚持使用真实文档而非预先提取的片段是正确的方法论选择——它测试了部署中真正重要的能力。对 2,400 条回复的人工评估虽然成本高昂，但极具可信度。

我发现不太有说服力的是根据 n=150 的样本得出排名。在这样的样本量下，Claude2 长上下文 (76%) 和 GPT-4-Turbo 长上下文 (79%) 之间的差异在统计上没有意义，但论文将其呈现为一种排名。完整的 10,231 个问题的基准测试虽然存在，但并未公开评分，这限制了独立复现的可能性。

金标准的结果也是最重要却最缺乏分析的发现。如果模型在手握正确页面的情况下仍有 15% 的失败率，那么问题在于推理和算术，而非检索。论文将计算器工具和思维链 (Chain-of-Thought) 标记为未来的研究方向——这些实验本应成为本文的核心，而非脚注。

该基准测试还承认其目标是“最低性能”：包含明确答案的单文档问题。跨文档推理、多年趋势分析和公司间对比均被排除在外。引用 79% 长上下文准确率的论文很少会提到这一限制条件。

## 为什么这对财务 AI 至关重要

Beancount 的回写 (write-back) 使用场景几乎可以直接映射到 FinanceBench 的失败模式。一个检索交易条目并检查金额是否与银行对账单相符的智能体，正在执行与该基准测试相同的“检索后计算”任务。金标准上限（即使有完美上下文也只有 85%）是相关的设计约束：即使智能体找到了正确的分类账条目，仍有很大可能性会算错对比结果、混淆正负号或读错单位。

Llama2 与 GPT-4 的失败差异对于智能体架构至关重要。拒绝回答是可以补救的（路由到人工审核）；而提交到分类账的幻觉匹配则是灾难性的。这表明，与其追求自信的幻觉，不如选择保守的拒绝行为，哪怕这会降低表面上的成功率。

长上下文优势（79% 对比 50%）在账目应用中实际上令人沮丧。多年的 Beancount 文件太大，无法完整输入。在密集的数值文档上解决检索问题——而不仅仅是文本检索——仍然是一个悬而未决的难题。

## 延伸阅读

- **FinQA: A Dataset of Numerical Reasoning over Financial Data** (Chen et al., EMNLP 2021, arXiv:2109.00122) —— FinanceBench 明确改进的前置基准测试；对于理解在需要真实文档检索之前该领域取得了哪些成果非常有用。
- **DocFinQA: A Long-Context Financial Reasoning Dataset** (Reddy et al., ACL 2024) —— 扩展了 FinanceBench，增加了更难的多跳问题，要求在单个备案文件内进行跨章节推理。
- **PAL: Program-Aided Language Models** (Gao et al., arXiv:2211.10435, ICML 2023) —— 将算术运算卸载给 Python 解释器，直接解决 FinanceBench 中 66% 失败于数值推理的问题。
