English(EN) The Analyst in the Prompt: Role, Retrieval, and Memory Biases in LLM Financial Analysis

大型语言模型金融分析显示出用户上下文的偏差，而不仅仅是证据选择的偏差

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-04 04:00

一篇新的arXiv论文研究了大型语言模型（LLMs）在分析金融文件时如何受到用户上下文（如角色提示和记忆）的影响。研究人员发现，证据的解释，而不是证据的选择，是不同LLM上下文中得出不同结论的主要驱动因素。虽然像将用户心态设定为投资者画像和分离基于证据的输出等缓解策略取得了一定的成功，但它们并未完全消除这些偏差，并且在不同模型之间的有效性差异很大。 AI

影响强调了在金融等高风险领域进行可靠的大型语言模型评估的必要性，以确保可靠的决策。

排序理由该集群包含一篇详细介绍大型语言模型行为研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍大型语言模型行为研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Ahmed Asaad, Amr Mohamed, Yang Zhang, Omneya Abdelsalam · 2026-09-04 04:00

提示中的分析师：LLM金融分析中的角色、检索和记忆偏差

arXiv:2609.03218v1 Announce Type: new Abstract: Large Language Models (LLMs) increasingly use user context such as memory, profiles, and role prompts to personalize their responses. This personalization can affect evidence-based judgment: the same evidence may lead to different c…

本文如何被排名

报道来源 [1]

提示中的分析师：LLM金融分析中的角色、检索和记忆偏差

相关实体

相关话题