通过要全对：蚂蚁给金融 Agent 定了复跑次数和 Strict-Pass

通过要全对：蚂蚁给金融 Agent 定了复跑次数和 Strict-Pass

蚂蚁百灵在 2026 年 8 月 28 日发布金融增强模型 Ling-3.0-flash-Fin。它沿用 Ling-3.0-flash 的架构，总参数 124B，每次推理激活 5.1B。能力对比图里的分项分数没有写进文字。下面只保留评测说明、案例里写明的操作次数，以及作者自己标出的边界。

默认采样，以及哪些分不是自己测的

除特别说明外，所有基准的采样都是 temperature=1、top_p=0.95。temperature 控制随机程度，1 比常见的低温采样更散；top_p=0.95 表示每步只在累计概率前 95% 的词里抽。所有模型的推理强度都开到最高档。

各基准的框架并不相同，读分时不能当成同一套题：

• FinFIRST 是蚂蚁集团和中金公司一起做的金融搜索基准。模型统一走 ReAct 框架。ReAct 是推理和行动交替：先想一步，再调工具，再根据结果想下一步。工具是 Web Search、Visit 和 Python。原文写基准即将开源，没有给出题目数量。
• FinSearchComp Verified 是 FinSearchComp 的内部专家验证版，145 道 T2/T3 题，参考答案经过金融专业人士审核和修订。同样用带上述三种工具的 ReAct。评审模型是 gpt-5-2025-08-07。
• FinCRAFT 是内部基准，测的是端到端金融研究与投资分析能否做完。原文没有给题量和通过定义。
• Finance Agent v1.1 和 v2 用官方评测框架和公开数据集的一部分。口径是 Strict-Pass：一道题的全部分项标准都满足，才算这道题通过。v1.1 取 10 次运行的平均，v2 取 20 次，用来压单次波动。
• APEX-Agents 用官方框架，但分数来源混在一起：Claude-Opus-5、GPT-5.6、GLM-5.2、Kimi-K3 用 Mercor 公布的分数；MiniMax-M3 和 Hy3 用官方公布的分数；其余模型是内部测试。对照表因此不是同一次实验。
• SpreadsheetBench V1 和 V2 都走 Claude Code 评测框架。V1 最多 120 轮交互，V2 最多 300 轮，单次任务超时 3 小时。环境是 Claude Code 2.1.173 和 LibreOffice 25.8.7，默认 Skill 打开，Search 关掉。这一项里 Ling-3.0-flash-Fin 的 temperature 改成 0.6，和前面的默认 1 不同。
• τ³-Banking 直接采用 Artificial Analysis 公布的分数，不是这次内部重跑。

通用能力用的是 AA Intelligence Index v4.1.1。相对 Ling-3.0-flash 的 38 分，金融持续训练后是 41 分。原文没有给出这个指数的子项和权重。

搜索：结果、过程、证据分开看

FinFIRST 全称 Financial Information Retrieval, Sourcing and Traceability，评的是金融信息检索、来源和可追溯。50 余名金融专业人士参与设计。它从三层打分：结果是否准确完整，研究口径和计算是否合理，关键数据和结论能否回到权威原始资料。文中只说综合得分超过一些更大的旗舰模型，同等尺寸里竞争力突出，尤其会先找官方、一手和高可信资料。没有列出具体分数。

演示案例要求梳理 Google 全平台月度 Token 处理量的四次首次披露，并算各阶段增量。模型做了 23 次工具调用，最后落到 Google I/O、Alphabet 财报电话会、Google Cloud 公告、SEC 文件和 CEO 博客。路径被写成：先广找权威源，再辨析口径，锁定首次披露，统一数据，再算区间。这是一条轨迹说明，不是 FinFIRST 的通过率。

研究推理和表格：通过定义比分数更硬

Finance Agent Bench 把检索、公告分析、财务数据核验和多步计算放在同一题里。正文只说较小激活参数下仍有竞争力，没有给出 Strict-Pass 的百分点。

Spire 案例里，模型用 55 次工具调用核对 10-K、业绩公告和 8-K，识别 Storage 转为终止经营后的口径变化，把原 Midstream 盈利拆开，并沿 Adjusted、Other 和 GAAP 三条路径交叉勾稽。它确认持续经营业务的历史盈利为 1780 万美元，并写明这个数不能直接当后续预测基线。这是单案例的核对结果，不能当成基准均分。

表格侧，SpreadsheetBench V1 看真实工作簿里的单元格、公式和格式；V2 加上生成、调试、可视化和多 Sheet 工作流。正文的结论是「有基础」，并写明还要加强复杂跨表依赖、异常恢复和端到端交付。没有给出 V1/V2 得分。

Google 2026 年二季报的演示更具体：一份 7 张工作表、5000 余个公式的 Excel，把 2026 Q2E 预测换成 2026 Q2 实际披露。三类操作是匹配预测与实际并切换公式、还原单季并同步跨表依赖、检查循环引用和配平后更新 Summary。最终工作簿要保留原结构和可编辑性。演示说明写了：只展示这条轨迹，不代表全量能力，也不构成投资建议。

研报和 LBO：演示不是榜

研报两例也是材料整理，不是打分。Micron 一例把战略客户协议和约 1000 亿美元剩余履约义务放回多年合同，区分未来履约约束和当期收入。NVIDIA 一例里 Hyperscale 与 ACIE 规模接近，环比增速分别是 12% 和 31%，模型据此写边际增长可能转向 AI 云、主权 AI、企业和工业客户。这两个百分比是案例里的披露数字，不是模型得分。

完整链路用的是 APEX-Agents 里的 Planet Fitness 杠杆收购场景，在当前工具环境里复现：调未来经营费用假设，算不同情景的投资回报，并在原工作簿做敏感性分析。模型沿经营费用、EBITDA、自由现金流、债务偿还和 IRR 理公式依赖。表格工具刷新不了部分公式时，改用 Python 重建计算，再和基准结果交叉核验。原文没有给出这道复现题的对错判定。

边界

作者写明：这是第一个金融增强版本，关键假设、估值和投资结论仍要专业人员复核，输出不构成投资建议。下一步是补任务数据、过程校验和结果追溯，并考虑在更大规模底座上做金融增强。图中的模型对照分没有进入正文，不能从「较强竞争力」再拆出百分点。

出处：蚂蚁，蚂蚁百灵（页面未署个人作者），Ling-3.0-flash-Fin：面向真实金融工作流的开放模型，2026-08-28，https://developer.ant-ling.com/zh-CN/blogs/ling-3.0-flash-fin