IPO Finance Agent：突破長文件檢索，提升 IPO 盡職調查效能

Finance Agent v2（由 Vals AI 開發）長期被當作評估 Anthropic Claude 與 OpenAI ChatGPT 等前沿語言模型在金融任務上表現的基準。然而，它僅聚焦於上市公司定期報告（SEC 10‑K、10‑Q），且使用的檢索方式僅是簡單的分段抓取，無法因應 IPO 盡職調查的特殊需求。

IPO 盡職調查的挑戰

SEC S‑1 招股說明書的內容遠較定期報告龐大，結合歷史財務報表、公司治理、會計處理、資金募集敘述以及承銷風險揭露等多元資訊，文件長度往往超過數百頁。原本的 Finance Agent v2 在處理 SpaceX S‑1 時，因文件過長根本無法產出任何回應。

IPO Finance Agent 的兩大改進

為了解決上述問題，研究者提出 IPO Finance Agent，從兩個方向延伸原框架：

• 任務領域：從定期報告擴展至 IPO 盡職調查，並建立 1,000 題 IPO‑diligence 問題集，公開 70 題（SpaceX S‑1）供 reproducibility 使用。
• 檢索架構：採用上下文檢索（contextual retrieval），即在長文件中動態定位相關段落，符合產業實務的文件檢索流程。

自動化評估管線

團隊還設計了 evaluator‑optimizer pipeline，先從模型答案抽取事實，再自動生成評分標準，最後由大型語言模型（LLM）迭代修正缺漏、幻覺與冗餘，僅在人類專家審核最終稿。

實驗結果

在 1,000 題測試集上，表現最佳的模型 Zhipu GLM‑5.2 正確率達 79.8%。成本效益最高的 Xiaomi MiMo‑2.5 Pro 以每次查詢 0.05 美元取得 77.2% 正確率，顯著優於 Finance Agent v2 領先者 Google Gemini 3.5 Flash（57.9%，每次查詢 2.51 美元）以及 MiniMax M3（48.3%，每次查詢 0.32 美元）。

資源開放

相關程式碼與資料已於 GitHub 釋出，網址為 https://github.com/benstaf/ipoagent，方便研究社群進一步驗證與延伸。

延伸閱讀

• SEFD：以 MultiMarkdown 重建 SEC EDGAR 檔案的版面忠實語料庫
• 「TypewriterLM」：首款以 1913 年前英語語料與詞彙限定指令微調的歷史語言模型全解析
• UAF 統一音訊前端大模型：一次性整合 VAD、說話者辨識與 ASR 的全雙工語音系統

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。