eXtensible Business Reporting Language
PulseAugur coverage of eXtensible Business Reporting Language — every cluster mentioning eXtensible Business Reporting Language across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Equibles 在全面的股权研究中引领股市数据服务器
对股市MCP服务器的评测突出了Equibles作为全面的美国股权研究的首选，它提供了一个统一的连接，用于跨SEC文件、财报电话会议、财务基本面和所有权数据进行语义和关键词搜索。该评估基于2026年8月10日审查的文档，重点关注一项需要整合多个数据集的研究任务。虽然Equibles在混合搜索能力和详细数据点方面表现出色，但Massive等其他服务器因实时数据、EODHD因全球覆盖范围以及EdgarTools因特定的EDGAR工作流程而受到关注。
-
AuditFlow AI框架提高了财务报告验证的准确性
研究人员开发了AuditFlow，一个新颖的多代理框架，旨在利用AI增强结构化财务报告的验证。该系统通过整合US-GAAP分类法和XBRL申报数据来创建一个符号环境，使代理能够执行事实检索、分类法遍历和数字检查等复杂任务。AuditFlow在财务审计数据集上实现了82.09%的联合审计准确率，显著优于现有基线，并证明了其确定性验证组件的关键作用。
-
新的FinVerBench基准揭示了大型语言模型在财务报表验证方面存在困难
研究人员推出了一项名为FinVerBench的新基准，旨在评估大型语言模型在验证财务报表方面的准确性和校准能力。该基准由标普500公司提交的SEC文件构建，将错误分为算术、跨报表关联、同比和幅度扰动等类别。对十四个大型语言模型的初步评估显示出显著的挑战，许多模型在干净报表上表现出高误报率，并且召回率因渲染选择而异，这凸显了财务报表验证的复杂性远超简单的算术运算。
-
新的NORA方法解决了金融数据标注中的噪声标签问题
研究人员开发了一种名为NORA的新方法，以提高理解财务报告中数值数据的准确性。该方法解决了现有方法的局限性，例如手动填报产生的噪声标签，以及对报告时间、测量尺度和会计符号等关键属性的强调不足。NORA采用任务感知实例特定加权来减轻训练过程中错误标签的影响，并引入了邻域先验调整的KNN过滤技术，以便在真实世界的噪声数据集上进行更可靠的评估。