PulseAugur
中
实时 10:53:02
English(EN) Limited Marginal Benefit of Reasoning-Heavy LLM Deployment in ESG Narrative Scoring: A 4-Model Consensus Study on Japanese Listed Firms

推理密集型LLM在ESG评分方面相比更便宜的模型效益有限

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新近在arXiv上发表的研究表明，使用先进的、推理密集型的大型语言模型（LLMs）进行ESG叙事评分，相比计算量要求较低的模型，其边际效益有限。该研究分析了十家日本上市公司的相关数据，发现使用这些前沿模型的成本大约是使用三个推理关闭模型的共识成本的5.6倍，而评分结果的差异却很小。研究结果表明，对于基于跨度的ESG叙事评分，推理密集型LLM增加的运营成本并未带来实质性的改进结果。 AI

影响 该研究表明，对于ESG评分等特定应用，更简单、更便宜的LLM可能就足够了，这可能会影响AI采纳中的部署策略和成本效益分析。

排序理由 该集群包含一篇详细介绍LLM性能研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hiroyuki Kokubu ·

    Limited Marginal Benefit of Reasoning-Heavy LLM Deployment in ESG Narrative Scoring: A 4-Model Consensus Study on Japanese Listed Firms

    arXiv:2606.13693v1 Announce Type: cross Abstract: Automated scoring of ESG narrative disclosures with large language models (LLMs) is gaining traction, yet whether reasoning-heavy frontier models add value commensurate with their cost remains empirically unsettled. We evaluate th…

相关实体

相关话题