OpenAI在一份客户案例中披露,金融研究软件公司Hebbia在Matrix里测试了GPT-6 Astra预发布版,让它找齐研究所需的来源类型,再按投行简报生成原生PowerPoint。据Hebbia披露,Astra在来源类型覆盖上领先受测最佳替代模型13.6个百分点,引用的摘录有99.5%与问题相关;它满足了97.9%的适用演示要求,在这一项上领先受测最佳替代模型14.4个百分点。

这组结果支持一个有限的判断:在Hebbia的测试里,Astra能把更多类型的资料带进研究,也更能按要求给出一份像样的初稿。但投行能省下多少工夫,要看复核者能否从一页PPT倒查到有权访问的原表,按同一口径把客户集中度重算一遍。已公开的分数没有测到这一步。

Hebbia的预发布测试测到了什么

Hebbia在2026年8月至9月用相同的金融研究案例和评分标准测试各模型,标准由领域专家对照源文件编写或审核。Astra在遵循简报和呈现质量两项上均居首,但案例没有披露样本量、对照模型名称与版本,也没有给出逐项成绩。读者无法判断优势是否集中在少数题型,也无法从公开信息拆出模型、检索配置和制稿流程各自的贡献。

案例里那宗涉及约2,000份文件的工业软件并购是一个假设场景,并非已经完成的交易。受访者所说的节省工时也是预期。简报达标率能说明初稿有多符合要求,不能当成财务数字正确率,也不能换算成从初稿到签发省了多少时间。

一页客户集中度,能点回原文还不够

客户集中度看似只是用某个客户的收入除以总收入,真正容易出错的是分子和分母的口径。模型找到了收入表和合同,说明它覆盖了所需的资料类型,却不代表它找到了修订版收入表或合同补充条款。一段摘录即使与客户有关,也可能来自上一报告期,或只覆盖某条业务线;把它放进脚注,并不能支持整家公司当期的收入占比。

<svg viewBox='0 0 760 208' width='100%' height='208' role='img' aria-label='客户集中度从查找资料到授权复核的四道关'>
<rect x='1' y='1' width='758' height='206' rx='8' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='28' y='38' fill='#b25a3a' font-size='20' font-weight='700'>客户集中度的四道关</text>
<line x1='28' y1='54' x2='732' y2='54' stroke='#e2dccf' stroke-width='1'/>
<rect x='28' y='83' width='154' height='96' rx='6' fill='#ffffff' stroke='#e2dccf'/>
<rect x='211' y='83' width='154' height='96' rx='6' fill='#ffffff' stroke='#e2dccf'/>
<rect x='394' y='83' width='154' height='96' rx='6' fill='#ffffff' stroke='#e2dccf'/>
<rect x='577' y='83' width='154' height='96' rx='6' fill='#ffffff' stroke='#b25a3a'/>
<polygon points='193,126 202,131 193,136' fill='#7a7266'/>
<polygon points='376,126 385,131 376,136' fill='#7a7266'/>
<polygon points='559,126 568,131 559,136' fill='#7a7266'/>
<text x='105' y='122' text-anchor='middle' fill='#2c2822' font-size='16' font-weight='700'>找齐资料</text>
<text x='105' y='149' text-anchor='middle' fill='#7a7266' font-size='13'>收入表与修订件</text>
<text x='288' y='122' text-anchor='middle' fill='#2c2822' font-size='16' font-weight='700'>核对引用</text>
<text x='288' y='149' text-anchor='middle' fill='#7a7266' font-size='13'>原文能否支持结论</text>
<text x='471' y='122' text-anchor='middle' fill='#2c2822' font-size='16' font-weight='700'>重算占比</text>
<text x='471' y='149' text-anchor='middle' fill='#7a7266' font-size='13'>期间与分母一致</text>
<text x='654' y='122' text-anchor='middle' fill='#b25a3a' font-size='16' font-weight='700'>交付后复核</text>
<text x='654' y='149' text-anchor='middle' fill='#7a7266' font-size='13'>授权用户可查原表</text>
</svg>

Hebbia在2024年介绍Matrix时,引用还附在表格式研究结果的单元格里;这次案例展示了幻灯片脚注也能回到原始材料。证据换了载体,复核也就多了一道关。公开案例没有验证文件导出、转发或编辑之后,脚注能否继续把获准访问的复核者带回支持该数字的原表。对接手审稿的项目负责人而言,能打开某份文件和能定位到正确期间、正确行列,是两种不同的交付质量。

投行选工具,该把复核和返工也计时

做出PowerPoint已不足以区分这类产品。Matrix从私有资料尽调切入;Rogo称Felix能按幻灯片批注改稿,并把幻灯片链接到申报文件页面等来源,但其公开说明没有验证导出后链接的表现。偏外部研究的AlphaSense把SuperAnalyst模板制稿和PowerPoint插件标为测试版,财务数据引用仍在逐步推出。研究段落能点回出处,不能据此认定表格中的数字也能逐项倒查。

BankerToolBench报告称,78%的受访银行家把错误过多列为现有投行AI的局限,66%提到需要大量人工复核。这是问卷结果,不是模型输出错误率,也不构成厂商排名(来源:openreview.net)。

投行采购时可以用同一份资料包、同一截止日和机构模板做对照,放入修订收入表、彼此冲突的期间和缺失的附件,看系统能否找出反证、说明取舍,或在证据不足时留空。各家获准接入的独有数据另做一轮,免得把资料库的优势记成模型的准确率。计时从生成初稿开始,直到复核者重算关键数字、修正错误并拿到可编辑的签发版本;如果省下的排版时间又花在补脚注和重查原表上,试用就该把这笔账记进去。