DeepFinance 基准发布:GPT-6 Astra 以 57.6% 登顶超长金融任务
tszzl · x · 2026-11-08
Julius Research 发布 DeepFinance——首个针对高端金融工作的超长时程基准。
- 由 21 道题组成,基于真实交易数据构建,模拟顶级 PE/IB 机构( Evercore、JPM、UBS 及 HBS、Wharton 背景)的专家出题,每题相当于人类专业人士 20-40 小时的工作量,如对 1 亿美元以上的交易做尽调。
- 现有金融基准大多只测文档问答或简单模型的数值正确性,而真实金融工作充满假设与冲突证据,DeepFinance 试图填补这一空白。
- 首批结果显示「更多思考」确实有效而非 mere token 噪音:GPT-6 Astra(max thinking)以 57.6% 登顶,超过 Claude Opus 5.5(54.8%)和 Claude Sonnet 5.5(54.6%)。
「模型」频道最新
- Claude 在宝可梦笔记里记错地点后一路犯错，Anthropic 测试记忆修复流程 — shoumikgoswami · 2026-11-08
- Sonnet 4.6 自评模型量表,作者称「自我报告」免责声明多余 — Sauers_ · 2026-11-08
- Kimi 排名紧咬 MiMo，网友期待 Kimi V4.1 Pro 定价够低 — teortaxesTex · 2026-11-08
- 用 AI 访谈 Claude 三个模型:Opus 3 称犯错感觉类似疼痛 — Sauers_ · 2026-11-08
- 开发者猜测「Opus 5.5 被削弱」实为量化+RL 调基准的 reward hacking — ryunuck · 2026-11-08
- 指令微改即现 23 分差:编码基准暴露模型猜测评分器的通病 — Kamimashita · 2026-11-08