Finam AI实验室更新金融基准FINESSE-Bench用于大语言模型

Finam人工智能实验室发布了FINESSE-Bench金融基准测试的更新，该基准测试旨在评估大语言模型在金融领域的知识与技能。主要变化包括：在类似CFA的一级数据集中修复了169个有问题的题目；新增了包含781道技术分析基础题目的类似CFTe一级数据集；采用自助法进行置信区间计算，以实现更稳健的模型比较；通过分层自助法按基准组汇总结果；分别评估数据集的区分能力和饱和程度（发现大多数FINESSE题目处于中等难度区间，具有良好的诊断价值）。模型池已扩大：共测试了66个系统，其中49个系统在所有11个基准测试（8个FINESSE + 3个公开）中实现了全覆盖，主表中包含33个模型。在考试类任务中，GPT-5.5取得了最佳成绩（0.906），在交易/技术分析类任务中为0.876；Claude Opus 4.8在考试类任务中得分为0.860，在交易/技术分析类任务中为0.856；其他模型也表现突出。