深度分析
「代理式上下文壓縮」提升金融文本資訊忠實度：LLM 壓縮的決策效能分析
研究指出，大型語言模型在壓縮財報與電話會議文字時，常會遺失關鍵情境，使投資判斷翻轉。作者提出多候選壓縮與原文比對的代理式上下文壓縮流程，顯著降低決策翻轉率。實驗以 S&P 100 企業 2025 年第一至第三季的 10‑Q MD&A 以及盈餘說明會稿為樣本，顯示單一壓縮模型的翻轉率可達 20% 以上。
深度分析
研究指出，大型語言模型在壓縮財報與電話會議文字時，常會遺失關鍵情境，使投資判斷翻轉。作者提出多候選壓縮與原文比對的代理式上下文壓縮流程，顯著降低決策翻轉率。實驗以 S&P 100 企業 2025 年第一至第三季的 10‑Q MD&A 以及盈餘說明會稿為樣本，顯示單一壓縮模型的翻轉率可達 20% 以上。
深度分析
金融決策者面臨資訊過載，研究發現大型語言模型壓縮財報文本會改變投資判斷。作者提出資訊忠實度概念，並以多壓縮候選審核減少決策翻轉。實驗顯示，新的代理式壓縮方式可提升預測準確度。研究指出，去情境化與模型依賴是主要失真來源，未來若未解決，金融AI系統可能持續放大誤判風險。