DeepFinance 超长周期金融基准正式发布，用于评估 AI 完成投行私募全流程任务

Julius Research 推出的 DeepFinance，是业内首个面向高端金融场景的超长周期金融工作基准，专门用来检验大模型智能体能不能从头到尾做完一笔真实的私募、投行交易任务，整套基准包含 21 份匿名交易案例，单份任务原本需要人类专业人员平均花 27.1 小时才能做完，每一道任务都会按照 84 项细分标准打分，不只是简单考计算题或者问答，更看重假设来源、可审计性、专业判断这些实务环节。之前大部分金融 AI 评测都是短任务、静态题目，很难测出长时间连续工作里模型会不会跑偏、漏掉关键风控点，这也是团队做这套基准最核心的原因；如果只是做零散文档问答，很容易高估 AI 在真实交易尽调、估值、承销里的实际能力，而这笔基准把长链路、多步骤、需要持续做专业判断的金融工作原样复刻出来，方便研发方和金融机构横向对比各个大模型的真实水平。整套评测有固定的执行流程，首先加载对应的匿名交易任务素材，接着让 AI 智能体独立走完资料检索、数据整理、估值建模、假设校验、产出可审计文档的完整链路，之后按照预设的 84 条标准逐项核验输出结果，最后汇总得分并且记录失败环节，用来定位模型短板。从首轮测试结果来看，一共测了 16 种模型配置，最高分仅仅拿到 54.8%，出错集中在专业判断、参数选取、假设核验环节，单纯算数的失误反而不多，说明现在的金融智能体距离稳定落地在真实交易业务还有不小距离，后续机构可以借助 DeepFinance 持续跟踪金融大模型在长周期复杂任务上的迭代进度。

基准核心参数清单

• ✅ 任务数量：21 个匿名 PE、IB 真实交易任务
• ✅ 单任务人力耗时：平均 27.1 小时
• ✅ 打分维度：每项任务一共 84 条可核验评判标准
• ✅ 评测重点：端到端尽调、估值建模、假设溯源、结果可审计
• ✅ 首轮最高得分：54.8%
• ✅ 主要薄弱点：业务判断、参数选择、假设合理性校验

使用步骤

1. 获取 DeepFinance 基准任务包，加载全部匿名交易素材与评判细则
2. 接入待测试的 AI 智能体，允许工具调用、文档读取、表格建模能力
3. 启动长周期任务，让模型独立完成全套金融工作，不做人工中途干预
4. 根据 84 项标准逐条自动 + 人工复核输出内容
5. 统计总分，并且标记所有不满足审计、假设错误、逻辑断裂的位置
6. 和其他模型结果对比，形成金融长链路智能体的评测报告

它和普通金融评测的区别

【相关 FAQ】

问题 1：DeepFinance 超长周期金融工作基准主要用来测什么？

回答 1：DeepFinance 超长周期金融工作基准主要用来测试 AI 智能体完成投行、私募这类超长链路金融实务任务的能力，不是简单测试金融选择题，重点看模型长时间工作后，输出的估值、尽调材料能不能溯源、可审计，以及专业判断是否靠谱。

问题 2：使用 DeepFinance 超长周期金融工作基准做评测的时候，需要人工中途介入吗？

回答 2：标准流程下使用 DeepFinance 超长周期金融工作基准做评测，不允许人工中途介入，需要让 AI 独立跑完全部任务，这样才能真实反映超长周期下模型会不会出现逻辑跑偏、假设出错的问题。

问题 3：DeepFinance 超长周期金融工作基准首轮测试最高分只有 54.8%，代表什么？

回答 3：DeepFinance 超长周期金融工作基准首轮测出 54.8% 的最高分，说明当下最好的大模型，在完整模拟一笔大额交易的长周期金融工作时，还达不到合格的专业标准，短板集中在业务判断和假设校验，而不是基础计算。

【参考资料】

[2026-11-05]（Julius Research releases DeepFinance and the best model scores 54.8% on 27-hour deal work）RuntimeWire

[2026-11-05]（DeepFinance: Can AI diligence a $100MM deal?）Julius Research 官网

【免责声明】

本文内容仅为公开资讯整理，不构成任何投资建议、金融业务指导或者技术落地担保；DeepFinance 超长周期金融工作基准的评测结果只代表特定条件下的模型表现，不能直接等同于该 AI 在真实金融业务场景的可用水平，金融机构落地相关工具时，请自行做好风控、审计与合规校验。