LLM 智能体能担任 CFO 吗？EnterpriseArena 132 个月的模拟揭示了巨大差距
EnterpriseArena 对 11 个大语言模型进行了为期 132 个月的 CFO 模拟，追踪其生存率、期末估值和结账率。仅 Qwen3.5-9B 在 80% 的测试中幸存；GPT-5.4 和 DeepSeek-V3.1 的幸存率为 0%。人类专家的幸存率为 100%，且期末估值是模型的 5 倍。关键瓶颈在于：LLM 在 80% 的时间里跳过了账目对账，导致其基于过时的财务状态进行决策。
#forecasting
Forecasting
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。
大语言模型（LLM）对时间序列预测并无用处：NeurIPS 2024 对金融 AI 意味着什么
一篇 NeurIPS 2024 Spotlight 论文对三种基于 LLM 的时间序列预测方法（OneFitsAll、Time-LLM 和 CALF）进行了消融实验，发现移除语言模型在大多数情况下能提高准确度，且训练速度最高可提升 1,383 倍。对于 Beancount 余额预测等金融 AI 应用，轻量级的专用模型表现始终优于改造成的 LLM。
FinBen：在 36 个金融任务中对大语言模型进行基准测试 —— 对会计 AI 的启示
FinBen 在 NeurIPS 2024 上对 36 个金融数据集中的 15 个大语言模型进行了评估，发现 GPT-4 在数值问答上的精确匹配率为 0.63，在股票走势预测上为 0.54 —— 接近随机。本文探讨了这些数据对于在 Beancount 账本上构建可靠的会计智能体意味着什么。