基于大语言模型的公司文本分析显示出显著的模型分歧

arXiv上发表的一项新研究强调，不同的（LLM）在解释和量化公司文本方面存在显著差异。研究人员发现，来自不同供应商的七个LLM在分析S&P 500公司财报电话会议记录中的情绪、管理层清晰度和其他因素时，一致性较低（平均排名相关性为0.52）。这种分歧表明，LLM生成的度量标准高度依赖于模型，并且可能显著改变对公司披露和市场认知的后续推断。该研究建议跨多个供应商验证LLM派生的变量，以确保可靠性。 AI

影响 由于存在显著的模型特定偏差，强调了在金融分析中仔细验证LLM生成数据的重要性。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了LLM性能的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Litmaps
• LLM
• ScienceCast
• scite Smart Citations
• S&P 500

• 论文
• 其他

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