FinRAGBench-V：金融领域带视觉引用的多模态 RAG
FinRAGBench-V发现，顶级模型在金融页面上仅达到20–61%的块级引用召回率。多模态检索比纯文本高出近50个百分点。
#finance
金融
LLM 置信度与校准：研究现状深度综述
GPT-4语言化置信度的AUROC仅为约62.7%，勉强高于随机。不确定性感知的金融智能体需要比这更好的校准。
FinTrace：针对金融任务的 LLM 工具调用轨迹级评估
FinTrace显示，前沿LLM能选对金融工具（F1约0.9），但在使用结果上仅得3.23/5，这正是写回智能体崩溃的环节。
OmniEval：金融领域全方位 RAG 评估基准
OmniEval 给最佳 RAG 系统在 5 类金融任务上的数值准确率评分为 36%，因此账本智能体在写入分录前需要验证。
FinDER：真实分析师查询揭示金融 RAG 中 74% 的召回率差距
FinDER的5,703个真实分析师查询显示，顶级RAG仅召回10-K证据的25.95%。应先规范化缩写，再更换嵌入模型。
迷失在中间：大语言模型中的位置偏差及其对金融 AI 的影响
当答案位于上下文中段时，LLM 得分最多会低 20 分，因此金融 RAG 流程应把最佳段落放在最前或最后。
AnoLLM：针对金融数据表格式异常检测的 LLM 微调
AnoLLM 通过用 LLM 负对数似然为行打分，在混合类型欺诈数据上超越经典基线，但在纯数值表格上并未带来额外优势。
DocFinQA：基于完整 SEC 申报文件的长文本财务推理
DocFinQA 将 FinQA 的 700 词段落换成完整 SEC 文件，上下文长度增加到 175 倍，使 GPT-4 在长文档上的准确率几乎减半。
TheAgentCompany：在真实企业任务中评估大语言模型智能体
TheAgentCompany 在模拟内网中评测了 175 项企业任务，最佳模型 Gemini-2.5-Pro 仅完成 30%，每项任务成本 4 美元。
InvestorBench：Qwen2.5-72B以46.15%的CR登顶股票交易
InvestorBench：Qwen2.5-72B以46.15%的CR引领股票交易；金融调优的Palmyra-Fin在股票上适得其反——规模胜过领域微调。
单代理：在相同预算下，多跳任务上等于多智能体系统
在相同的思考预算下，单代理LLM在多跳推理上等同于或超越多智能体系统——更倾向于简单的金融代理设计。
M3MAD-Bench：多智能体辩论在不同领域和模态下真的有效吗？
M3MAD-Bench 发现集体妄想驱动了 65% 的多智能体辩论失败，对抗性辩论最多使准确率下降 12.8%。