一个新的基准 BizFinBench.v2 被开发出来，用于评估金融应用中的大语言模型 (LLM)，使用了来自中国和美国股市的真实用户查询-响应数据。该基准包含 28,860 个问题，涵盖八项离线任务和两项在线任务。初步实验表明，GPT-5 的准确率仅为 61.5%，未能达到 84.8% 的实际业务要求。在商业模型中，DeepSeek-R1 展现了更高的投资效能，而错误分析则突出了当前大语言模型存在的持续性局限。 AI
影响 强调了在金融等专业领域对更强大可靠的大语言模型评估的需求，可能推动更准确、更可靠的金融人工智能工具的开发。
排序理由 该集群是关于一篇介绍大语言模型基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
