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。
#financial-reporting
财务报告
Fin-RATE：大语言模型在跨周期和跨实体财务分析中的失败表现
Fin-RATE 显示 LLM 在纵向追踪上的准确率骤降 18.60%，真正的瓶颈是检索流程，而非模型本身。
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。
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。
FinAuditing：大语言模型在真实 SEC XBRL 审计任务中得分低于 14%
FinAuditing 显示，顶级 LLM 在真实 SEC XBRL 文件的金融数学验证上仅得 13.86%，这限定了 AI 会计工具无法独立自动化的范围。
TAT-LLM：微调7B LLaMA 2在金融问答上超越GPT-4
TAT-LLM将LLaMA 2 7B微调至FinQA上64.60%的EM，略胜GPT-4的63.91%：提取-推理-执行流水线让小模型完成表格算术。
MultiHiertt：跨多层级财务报表的数值推理基准测试
MultiHiertt 显示模型在 10,440 个财务问答对上 F1 为 38%，人类为 87%，跨表格问题上再降 15 个点。
ConvFinQA：模型落后专家21个百分点（68.9%）
ConvFinQA最佳模型得分为68.9%的执行准确率，而人类专家为89.4%——这一21个百分点的差距仍是多轮账本对话面临的挑战。
TAT-QA：针对财务年报推理的混合表格-文本问答基准
TAT-QA 的表格-文本混合问题表明，金融 AI 的瓶颈是证据定位，而非算术。到 2024 年，微调后的 7B 大模型达到了 83% F1。
FinQA：衡量 AI 对财务报告数值推理能力的基准测试
FinQA 发现神经模型在财报数学上得分 61%，人类专家则为 91%，在三步及以上推理程序上更骤降至 22%。
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 用 16 种 AI 方案测试了 10,231 个真实 SEC 文件问题：共享向量存储 RAG 只答对 19%，可见检索并非瓶颈。
PHANTOM (NeurIPS 2025)：衡量金融文档中的大语言模型幻觉检测
PHANTOM（NeurIPS 2025）衡量 LLM 在真实数据上的幻觉检测。Qwen3-30B 以 F1=0.882 领先，但 7B 模型近乎随机猜测。