DiligenceBench 测公募研究 agent，Muse Spark 1.1 拿到 57.4%
karinanguyen · x · 2026-07-22
DiligenceBench 发布：评估 AI 是否能做公募股票研究
这篇工作提出了一个新的基准 DiligenceBench，用来衡量 AI agent 能否完成真实的公募股票研究任务。
- 图表结果显示，Meta Muse Spark 1.1 在 finance harness 上拿到 57.4%，领先于 GLM 5.2、Sonnet 4.6 和 GPT-5.6 Sol。
- 作者发现，强模型更依赖通用工具来释放执行能力；而弱模型则更需要带有明确行业约束的、领域化的脚手架。
- 以 Inkling 为例，普通 sandbox 只把成绩从 20.9% 提到 22.5%，但 finance harness 直接拉到 32.8%，其中最大的提升来自事实准确性。
- 该 harness 还重塑了价格-性能曲线：多数模型在更便宜的同时也更强，说明评测与工具层设计本身会显著改变模型排序。
「创投」频道最新
- 手握超 1300 亿美元现金的 AI 公司 IPO，为后来者立下离谱先例 — signulll · 2026-10-27
- 泡沫之辩：盈利企业也难逃泡沫破裂，韩台经常账户盈余引质疑 — PAstynome · 2026-10-27
- Anthropic前6月亏损807亿美元，两客户贡献约五分之一收入 — tekbog · 2026-10-27
- 印度技术创作者月入 15 万卢比背后：收入极不稳定劝退 — cneuralnetwork · 2026-10-27
- Tenstorrent 融资 15 亿美元，估值 62 亿较去年翻倍以上 — Beth_Kindig · 2026-10-27
- Firecrawl 推 a16z Speedrun 创始人专属福利,并披露 7500 万美元 B 轮 — devdigest · 2026-10-27