DeepFinance 基准：AI 能否尽调一亿美元级交易？

DeepFinance 是一个面向私募股权（PE）与投行（IB）真实业务的超长程基准，包含 21 项端到端任务，人类专业人员平均完成一项需 27.1 小时。每项任务配有平均 19 份文件的数据室，并按平均 84 条专家撰写的评分细则打分，覆盖输出质量、工作流程与商业判断三个维度。 研究团队用各模型原生的 agent 框架评测了 22 个模型配置。成绩最好的是开启最大推理的 GPT-6 Astra，满足 57.6% 的评分细则，且排名前四的配置在统计上无法区分。评测揭示了两类典型失败：模型会用错误的输入算出正确的数字，也能找到影响决策的关键证据却不据此行动。 与以往聚焦文档检索和数值正确性的金融评测不同，DeepFinance 考察的是在相互冲突的信息源之间做取舍、设立合理假设并保持全流程可审计的能力，这正是 PE 与投行工作的核心。