零小时评测里没有未来的考卷：前沿模型在自己的工作上交了及格线

核账：arXiv 2610.38342 摘要与正文 HTML 已回读，原帖全部数字属实——343 万文档版本、九类来源、1.52 TB、86 份作业、Astra 68.1/78.9/52.5、Opus 5.5 66.9、DeepSeek V4.1 Flash 40.3 反超 37.7，逐个对上，零硬伤。

增量一：倒挂还有第二例。 原帖只写了 DeepSeek 一处。论文里 Kimi K3 研究分更低、模拟收益却高过 Opus——研究分、预测分、投资分三者排序互不一致，单一总分根本兜不住研究能力。

增量二：墙的位置论文已圈出。 失败集中在预测假设、会计口径、财务解释、决策一致性四处；检索和算术反倒不是短板。瓶颈已从「找信息」挪到「校准假设」——与原帖结论同向，且更细。

增量三：评测体系的自觉。 专家复核发现部分错误源于评分标准本身含糊，不全是模型的锅，论文写得很坦白。另两条边界：同行评审未走完，86 份作业样本量小，一笔预测异常值就能扭动模拟盘排名。

写研报像投资人，做投资决策像另一个人。这份考卷把这道墙第一次量出了尺寸。

把一台 AI 模型放进股票研究员的工位，给它看一间公司，让它写报告、搭模型、预测下季度的营收。它写得漂亮，像那么回事。现在把账本翻开对答案。10 月 28 日挂上 arXiv 的论文《Investor's Last Exam》干了这件事，答案是：研究能力最顶上的那批模型，到了预测环节就露怯。

⏳ 三百万份文档，全都带时间戳

这件考卷难出，难在防作弊。财经问答和研报生成类基准已经不少，它们有个共同软肋：模型检索资料时，经常把决策时点之后才公开的信息捞进来。一件事已经发生了，模型"预测"出这件事，评分表上就是一个满分。这测的不是判断力，是记忆。

出题方是买方投资者和基金经理带队的团队。他们的做法是把时间冻起来：一个版本化金融数据库，343 万份文档版本、九个来源类别、1.52 TB，外加结构化行情数据。指定一个时点，系统只吐出那个时点之前已经存在的材料，检索和计算全由验证过的时间戳管着。真正的分析师拿到的就是这样一副牌，谁也没多一张。

这套评测交了 86 份作业，每份都按真实研究流程打三个分：研究质量、预测准度、模拟投资成绩。打分标准通过金融依赖图挂在证据、计算与假设上，每一步都能回溯到原始文档。

📉 总分漂亮的模型，预测分数塌了

结果单先看头部。GPT-6 Astra 总分 68.1，研究证据单项 78.9，全场最高；Claude Opus 5.5 以 66.9 紧随。写到这儿，这像是一份行业健康报告。

往后翻一页，分数变了。预测与建模一项，Astra 只有 52.5。让模型搭财务报表、外推盈利，跟让它总结公开信息，是两件事。前一件事里，它确实只会抄事后诸葛亮的笔记。

最扎心的是模拟投资排名整体倒挂。DeepSeek V4.1 Flash 模拟投资 40.3 分，反超 Astra 的 37.7。总成绩单和研究报告写得最体面的模型，真金白银的模拟盘里排不到头名。写研报像投资人，跟做投资决策，中间隔着一道至今没打通的墙。

🧩 三个月后，这份评测自己会过期

选股基准论文有个宿命：它们拿模型当考生的那一刻，模型就开始换代。这批 86 份作业测的是 2026 年 10 月底的前沿模型，等这篇论文的同行评审走完，考场里的选手已经换人。它更像一次人口普查，数字真实，对象定格。

论文自己也留了余地：86 份作业规模不大，一笔预测异常值就能扭动模拟投资排名；打分细则出自一个小评审团的主观共识。模拟盘也不是实盘，它证明的是框架成立，不是哪个模型能管钱。

真正立得住的是那条诊断线。评测单位从单点能力挪到了"证据-假设-判断"的链条上，研究者可以顺着它查：研究能力是在哪一站没换车，是证据找错了，假设摆歪了，还是判断塌了。对做金融智能体的人来说，这张地图比榜单数字活得久。

🗺️ 盈利预测的墙

把几个已发布的模型实测拼在一起，行业的形状浮出来了。Samaya 的 Sterling-30B 在 FrontierFinance 上拿下 58.9%，证明金融任务可以被专项训练推高；ILE 补上的是另一半：通用研究能力强的模型，未必把优势带进预测。两个结果方向一致，结论却各有边界。

墙的位置现在说清楚了。它不在检索，不在写作，在"从已有证据推出还没发生的事"这一步。这一步需要的不是更多参数，是换一批训练目标。至少 ILE 给了所有想拆墙的人一把卷尺。

信源：arXiv 2610.38342（Huangfei Jiang、Anning Hu 等，2026-10-28 提交）；数据条目（343 万文档版本、九类来源、1.52 TB、86 份作业、各模型分数）出自论文摘要与 arXiv 转述页。论文未经同行评审。

限定：模拟投资成绩为框架内仿真，非实盘；模型版本为提交时点；DeepSeek 的 40.3 与 Astra 的 37.7 为模拟投资单项，与总分排序口径不同，不可混读。

#量化交易 #AI评测 #金融智能体