10:34
官方账号arXiv cs.LG@Mingguang Chen, Bo Qu
推荐理由：InvestPhilBench揭示了AI在投资程序推理上的真实水平：Claude虽高分，但程序推理准确率仅0.77。别只看总分。
InvestPhilBench
共 1 条相关 AI 资讯
6月25日
10:34
InvestPhilBench基准包含118个投资原则卡、25个决策框架卡和243个QA问题（197开发/46测试）。它引入BASP评分管道（五个指标）和GRA门级准确率。在四个模型上的开发集测试显示BASP复合分饱和（Claude L4=0.932），但GRA暴露了程序缺陷（前沿L4 GRA约0.77，L7 GRA 0.57-0.62）。在100个专家标注黄金集上，自动化BASP与人类参考相关性Pearson r=0.72。复合评分奖励流畅文本，隐藏了程序差距。