Navi 在 12 万页金融文档推理任务上超越前沿 AI 模型

Navi 是 Parsewise 推出的面向企业文档处理的 AI 智能体工作空间，在 12 万页规模的金融文档推理测试里，整体表现超过了多家前沿 AI 实验室的主流大模型，它的核心优势不是单纯把超大文本塞进上下文窗口，而是一套专门针对长文档、多文档交叉核验的结构化推理架构，金融场景里经常会遇到财报、协议、底稿、Excel 表格、扫描件混在一起的情况，普通大模型很容易丢信息、跨文档算错数据，Navi 就是针对这个痛点做优化，依靠自研提取引擎搭配基础大模型，把海量文档做拆解、关联、溯源，完成数值核对、条款比对、交叉校验这类金融刚需推理任务。

核心能力特点

1. 超大文档承载能力
2. 可溯源推理输出
3. 兼容多格式文件

Navi 支持一次性处理上万页级别的文档，官方指标单轮最高可处理 25000 页，在本次评测里把文档规模拉到 12 万页，覆盖大量分散的金融资料，全程维持文档之间的关联关系，不会因为文档总量变大丢失细节。

每一条结论都绑定原文页码、段落来源，金融机构做尽调、LP 报表核对、风控复核的时候，能直接定位原始依据，解决黑盒推理没法审计的问题，这也是金融场景最看重的一点。

支持 PDF、Word、PPT、Excel、扫描图片等投行、资管常用文件格式，不用提前人工转格式、拆文档，直接批量上传。

任务执行流程

第一步，批量上传全部金融文档，系统自动做文档解析、表格识别、文本提取，把非结构化内容转为结构化索引；

第二步，用户用自然语言提出金融类问题，比如核对多份财报里的资本账户、分红、净值差异，Navi 自动生成专属提取智能体；

第三步，智能体跨全部文档检索、做多步数值推理、交叉比对，标记不同文档之间的数据冲突点；

第四步，输出带溯源引用的结论，还可以导出结构化结果，也支持用户继续追问、复核异常数据。

和普通长文本大模型的区别

普通大模型大多依靠超长上下文窗口一次性加载全部文本，文档量越大，推理准确率下滑明显，成本也很高；Navi 是结构化索引 + 智能体分步推理的组合方案，不依赖单一超大上下文，在十万页级别的金融文档任务上，准确率超过前沿模型，同时保留结果可追溯的能力，适合私募、投行、保险风控这类需要深度文档尽调的业务。

【相关 FAQ】

问题 1：Navi 是什么 AI，为什么适合 12 万页金融文档推理？

回答 1：Navi 是 Parsewise 的对话式 AI 智能体工作空间，主打企业复杂文档推理，针对金融文档里表格多、数据需要跨文档核对的特点设计，能处理 12 万页这类超大文档集，推理结果自带原文溯源，适配金融尽调、报表核对场景。

问题 2：Navi 在 12 万页金融文档推理里超过了哪些前沿 AI？

回答 2：在 Databricks OfficeQA 这类金融文档基准测试里，这套引擎的准确率超过 GPT-5.5、Fable 5 等前沿模型，在 12 万页的大规模金融文档任务上，整体推理表现优于主流前沿 AI 实验室方案。

问题 3：Navi 做 12 万页金融文档推理，会不会出现数据找不到、算错的情况？

回答 3：Navi 依靠结构化索引和多智能体分步核验，相比普通长上下文模型，跨文档数据冲突识别能力更强，同时每一个结论都标注来源页面，方便人工复核，降低金融场景里计算错误的风险。

【参考资料】

[2026-09-09]（Navi 更新：支持自建应用、决策路径查看）Parsewise 官网

[2026-06-30]（Parsewise 引擎在 OfficeQA 基准取得 SOTA 结果）Parsewise 官网

[2026-03-23]（Navi：Parsewise 数据引擎全新交互界面）Parsewise 官网

【免责声明】

本文内容仅为技术信息科普，不构成投资、金融业务落地建议，相关评测结果基于特定基准和测试条件，实际使用效果会受文档质量、文件格式、业务提问方式影响，模型能力和评测数据以官方最新公告为准。