新基准 Investor's Last Exam 显示 GPT-6 Astra 等模型无法将研究能力转化为预测表现

arXiv 发布的 Investor's Last Exam (ILE) 基准由买方投资者主导，旨在评估 AI Agent 在不接触未来信息的前提下进行股票研究的完整流程。该基准包含跨越 343 万文档版本的版本化金融数据库、围绕专业分析师交付物构建的任务分类体系，以及通过财务依赖图链接评分标准与假设的专家框架。测试覆盖 86 项任务，联合评估研究质量、预测准确性和模拟投资表现。结果显示，GPT-6 Astra 和 Claude Opus 5.5 以 68.1 分和 66.9 分领先整体排名，但 Astra 在“预测与建模”细分项仅得 52.5 分。

核心证据在于模型表现的结构化差异：尽管顶尖模型能完成基础研究与数据检索，却难以将分析优势转化为准确的预测结果和投资判断。ILE 通过将评估单位从孤立的能力点转向“证据—假设—判断”链条，揭示了当前 SOTA 模型在因果推理和决策闭环中的具体失效环节。这种诊断性设计允许研究者定位分析优势为何无法迁移至最终的投资产出。

事实层面，该基准验证了现有大模型在纯金融预测任务上的局限性；推断层面，这意味着直接部署 Agent 进行实盘投资仍面临巨大的可靠性鸿沟，需针对决策链路的特定断点进行专项训练；猜测层面，若行业继续忽视这种“研究强、预测弱”的结构性缺陷，盲目追求通用智能体在金融领域的规模化应用，可能导致严重的资本配置风险。