新基准用幻觉审计评估金融智能体，领先者排名因此下滑。
资讯摘要
论文提出 AgenticFinBench，一个包含 230 个真实金融任务的基准，覆盖 8 个类别、2 种语言和 4 个复杂度等级，并配套无参考答案的评估框架，结合问题专属评分标准与两阶段声明审计来检测幻觉。作者在 18 种智能体配置上实验报告：审计幻觉会使基线领先者得分下降 7.58 分并跌至第四；工具框架差异对证据落地的影响大于模型差异；质量分从直接检索的 89.44 降至最复杂任务的 79.18。
要点速读
- 基准含 230 个真实金融任务，覆盖 8 类、2 种语言、4 个复杂度等级。
- 评估框架用问题专属评分标准加两阶段声明审计，检测智能体轨迹中缺失且被外部证据否定的声明。
- 18 种配置实验显示：幻觉审计使基线领先者降 7.58 分并跌至第四；框架差异对证据落地的影响（28.6%）大于模型差异（8.8%）。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。