面向研究者的简洁摘要。每条内容均保留发布时间、作者或机构与原始来源， 并区分论文中报告的结果与我们的研究解读。
8 条已筛选动态
论文把公共 AI 基准视为配置研发注意力和资本的市场设计，分析公开样例与有限评分如何诱发针对性“挖榜”，并使基准信号随投资者依赖程度上升而被内生削弱。
Alex Chan；NBER、Harvard Business School AI Institute新意在于把 benchmark gaming 从模型评测问题提升为融资市场中的信息与机制设计问题：当分数直接影响资本流向，开发者优化公开基准本身就是均衡反应。论文提出“开发材料公开、投资性认证生成器后置”的设计原则；后续需要在真实融资、采购或模型选型数据中检验基准分数对资本配置的因果影响，当前理论结论不能直接等同于已有市场损失估计。
论文发布 ReguSim 与 ReguBench，将智能体的口头理由、尝试下单、执行层拦截和监控证据分开评估；实验显示可见规则虽减少违规尝试，却不能消除违规，且简单结构化监控基线可匹配或超过纯提示 LLM。
Yiyang Luo、Yihang Jiang、Qijun Xie、Liang Lan、Lin Willian Cong、Anyi Rao、Yunya Song；香港科技大学、香港浸会大学、南洋理工大学这项工作把金融智能体“会复述规则”与“行动受规则约束”明确分离，比单一合规得分更接近真实交易系统。它与此前强调自我进化金融智能体安全漂移的研究互补：风险不仅来自模型能力变化，也来自理由、执行接口和监控证据之间的错位。值得继续观察的是基准能否扩展到真实规则文本、动态监管变化和多智能体共谋情境。
论文对两只宽基市场基金的次日风险预测进行审计，发现预设校准把四个付费 LLM 特征权重全部压为零，使后续 856 个评分事实上无法影响预测；放宽权重符号后特征虽被激活，但经多重检验校正仍无显著改进。
Arin Mohanty关键贡献不是提出更强预测器，而是揭示“昂贵特征已生成”并不意味着它真正进入了预测函数。论文给出的先校准、再扰动、最后采购特征的 viability checkpoint，可直接降低量化研究中的无效推理成本；但结论来自两只基金和一个具体设定，不能外推为所有 LLM 金融信号都无效。
论文提出 KDAF/CARP，使检索事实携带关系类型、置信度和来源链；在 FinanceBench 的 145 个问题上，KDAF 的答案正确率与 BM25 无统计显著差异，但引用可追溯性 F1 更高，并避免跨主体引入证据。
Sergiy Lunyakin这是一项有价值的“负结果加新指标”研究：结构化检索的成本未由准确率证明，却可能由审计性证明。它延续近期金融 RAG 从“答对”转向“证据合同”的方向；由于目前仍是单一基准和单作者预印本，后续应验证其在真实 FP&A、权限隔离、版本化数据及人工审计成本上的增益。
论文基于 ERCOT 2014—2024 年日前市场数据，用分情景可解释 AI 框架衡量价格滞后项对负荷、气候和日历变量的遮蔽，并报告滞后项在价格尖峰期反而提高预测误差。
Yunus Bicen、Eman Hammad相较只追求平均预测精度，这项工作强调模型可能借助价格惯性获得常态期表现，却掩盖极端行情的物理驱动因素，对电力交易、压力测试和需求响应均有意义。需要继续检验的是尖峰样本稀少、制度变化和天气预测误差是否影响结果，以及解释变量重要性是否具有结构或因果含义。
DBS 宣布把由专门智能体执行 70 多项任务的信用评估方案，从 150 人试点推广至全球约 1,500 名客户经理和信用风险经理，用于生成可供复核的信用备忘录初稿；银行将节省时间的目标设为至少 30%。
DBS Bank这比一般“推出 AI 助手”更具实质性，因为它进入高责任的授信材料生产流程，并披露了任务数、试点规模、推广人数和目标指标。商业意义在于把资深信贷知识编码为可复用流程，但公告没有披露实际节时、错误率、授信结果或模型风险事件；这些才是判断生产率与风险改善是否成立的关键。
Binance 发布 Agent OS，将市场数据、账户信息、交易、钱包和 x402 支付能力整合为面向 AI 应用的标准化接入层；初始 MCP 实现允许用户以可撤销权限和专用子账户限制智能体的数据访问与交易活动。
Binance新意不是再增加一个交易机器人，而是把智能体身份、权限、账户隔离、数据和执行接口组合成金融基础设施层，降低跨应用接入成本。与此同时，平台只能监测订单等执行结果，无法观察外部智能体的完整推理流程；后续应重点看限额、异常行为检测、责任归属和真实资金环境下的事故记录，而不能把接口可用等同于安全自治。
CXAI 宣布与一家《财富》100 强全球金融服务企业签订总额超过 250 万美元的多年期协议，在其全球办公组合部署工作场所体验平台，并把该项目作为向企业级 Agentic AI Operating Layer 扩展的基础。
CXApp（CXAI）合同金额与多年期部署使其比无客户承诺的产品发布更具商业验证意义，但当前确定的交付重点仍是工作场所服务、空间智能和流程整合，并非金融决策智能体。客户身份、员工覆盖数、收入确认节奏及实际自动化效果均未披露，因此宜将其视为企业渠道进展，而不是金融核心业务落地已获验证。
展开任意一期，即可查看该日整理的论文、新闻与原始链接。
论文以 700 万月左右、覆盖 640 万枚 Solana 代币的数据集，研究仅凭上线后前 5 分钟交易特征预测 rug pull，并检验 PumpFun 与 Raydium 之间的泛化。
Jianghai Li、Pavel Kuznetsov、Yury Yanovich、Konstantin Nott-Whaley 等其贡献不只是把分类器用于加密资产，而是把高频、缺少合约后门信息的 Solana 欺诈转成跨平台的早期预警问题。对交易所、钱包和风控服务而言，真正需要继续检验的是标签定义、样本选择和跨市场迁移是否经得起实时、对抗性环境下的检验，不能把离线预测结果直接等同于可交易或可执法的信号。
论文提出 EventTime，并构建将网络安全事件与股票时间序列、结构化和 LLM 提取语义特征相匹配的 SECURE 数据集，以估计披露后的短期异常损失。
Yiming Sun、Shengyu Chen、Zhengzhang Chen、Haoyu Wang、Xiaowei Jia 等研究将“事件冲击”与普通价格预测明确分开，重点是从有限事件元数据中识别异质性风险暴露；这与传统事件研究形成互补。其模型优于所列基准的结论仍属论文内实验结果，后续应关注事件时间戳、信息泄露、市场微观结构和跨事件类别的样本外稳定性。
论文把集中流动性做市建模为随机脉冲控制问题，以强化学习决定 LP 的再平衡时点和价格区间，并与 AMM 微观结构文献中的基准策略比较。
Georgios Chionas、Charalampos Kleitsikas、Stefanos Leonardos相较将 LP 收益视为静态回测的做法，这项工作把错定价、交易成本、不确定性、库存风险和异质风险偏好纳入动态决策，并报告其策略可改善高不确定性下的 PnL 左尾。实际意义取决于是否已计入真实手续费、价格冲击、链上延迟和策略拥挤；这些执行摩擦是将模拟策略推广到真实 DeFi 市场的核心边界。
论文发布含 2,250 个应付账款至银行对账案例的确定性合成基准，分离金融诊断中的证据检索与根因推理，并比较 SQL、机器学习、语义检索和类型化溯源图检索。
Pratik Ghawate论文最有价值的发现是，在固定推理模型与提示设置下，检索架构会显著改变端到端表现，因此“答对根因”并不等价于证据链完整或审计可用。这为金融 AI 的评测提出更严格的证据合同要求；但数据为合成场景，向真实企业账务和监管流程外推仍需外部验证。
论文结合 llama.cpp 在 2023 年 3 月至 2026 年 3 月的 7,681 个合并 pull request、项目讨论和企业材料，考察本地推理如何扩大终端侧参与、同时将控制权重新集中于硬件后端、模型分发与核心维护环节。
Woohyeuk Lee、Hanlin Li、David Gray Widder这为“开放权重即开放生态”的常见叙述补上了基础设施维度：模型可下载并不意味着运行、兼容与维护的价值链没有集中。其结论来自对一个关键项目的混合方法个案研究，值得进一步与其他推理运行时、芯片生态和地区性部署成本进行比较，而不宜直接概括为整个开源 AI 市场的普遍因果结论。
论文审计 Kaggle 2010—2026 年间 444,698 次参赛记录，发现竞赛奖牌对后续表现的预测力主要集中在获奖后第一年；生成式 AI 转型后，新奖牌仍保留大部分信号价值，而上传型竞赛奖牌存量信息量下降 82%，其中一半至四分之三可由该赛制在 AI 兴起前已退出、旧凭证持续老化解释。
Song Yao新意在于把“AI 是否使技能凭证失效”拆成个人能力变化、凭证时效和制度退出三种机制，避免把同时发生的制度变迁全归因于 AI。其经济意义是，平台和雇主需要更重视近期、可复现且与当前任务相匹配的能力信号；但 Kaggle 是高度选择性的技能市场，结论能否外推到学历、职业证书和一般招聘仍需验证。
基于某大型约会平台两项活跃用户调查（N=2,894 与 N=2,617），论文发现用户让自己的智能体代为交流的意愿显著高于接受对方智能体交流的意愿；按陈述性接受度构造的随机配对反事实中，仅 4%—13% 的有向配对同时满足发送方部署和接收方参与条件，而按接收意愿路由可使单次接触参与率约提高三倍。
Daria Leshchikova、Valentina V. Kuskova、Dmitry Zaytsev、Valerii Klimov这项研究指出智能体平台的核心摩擦可能不是“用户愿不愿意委托”，而是双边市场中发送与接收意愿不对称，因而单边采用率会高估可实现的交易或互动规模。对招聘、销售和电商代理同样值得观察的是：披露、选择加入和接收方路由能否提高匹配质量而不造成新的筛选偏差；现有结果来自约会场景和陈述性偏好，尚不是实际智能体互动的因果效果。
论文使用 Anthropic Economic Index 2026 年 4—5 月聚合任务数据，将人类指引区分为执行前的“明确委托”和执行中的“迭代共创”；工作用途占比提高 10 个百分点时，明确委托在 API 与 Claude.ai 模式中分别增加 2.76 和 1.45 个百分点，而共同支持集上的迭代变化呈现 0.45 个百分点的模式间差异。
Jorge Fábrega相比只比较“自动化”与“增强”，该文把治理问题转向人类指引究竟在工作流哪个阶段留下可观察痕迹，为组织设计和责任分配提供了更细的度量。它与近期基于产品日志研究企业 AI 使用的工作互补，但当前分析基于两个月的聚合相关性，不能据此认定使用模式导致更好绩效或更强控制；后续关键是连接任务结果、返工和责任事件。
论文使用 Freddie Mac 单户住房贷款级数据，比较 XGBoost+SHAP、GNN+GNNExplainer 及表格—网络双模态三类管线，并让三种 LLM 生成面向利益相关者的信用解释；自动评估和人类实验共同显示，证据表示管线对解释扎根性的影响大于所选语言模型，模型通常能指出重要因素，却较难可靠说明影响方向。
Sahab Zandi、Noah Kostesku、Christophe Mues、María Óskarsdóttir、Cristián Bravo研究把“生成得通顺”与“解释得正确”明确分开，并显示更换更大 LLM 未必能修复上游解释证据的缺陷。对贷款审批和不利行动通知而言，影响方向错误可能直接改变合规与公平判断，因此部署重点应放在证据管线、专业人员复核和执行前验证；论文仍评估的是解释层，而非 LLM 直接作出授信决定的安全性。
AQuA 构建相互独立的符号因子发现与可训练模型开发两套研究系统，并以固定数据划分、标签和评估器的封存沙箱约束搜索；论文报告其加密资产组合因子信息系数约 0.190，美国股票模型逐股信息系数为 +0.0843，两边交易成本假设下留出集多空策略 Sharpe 最高为 +2.50。
Jiacheng Guo、Suozhi Huang、Yunlong Gao、Zihao Li、Jason Ge、Xu Kuang、Mengdi Wang新意在于把“自我改进”限定为研究流程根据已验证实验更新后续候选，并用不可由智能体修改的评估边界降低搜索污染，比开放式自动写策略更接近可审计研究。论文中的信息系数和 Sharpe 仍是作者设定数据与成本下的回测结果，不是实盘超额收益证据；最值得继续观察的是点时数据、搜索多重性、容量与冲击成本下能否保持样本外表现。
论文在模拟电子银行环境中，以匹配的良性学习轨迹、封存端点和独立状态回放审计三种自进化方法；其中 SkillOpt 将良性效用从 0.741 提高到 0.837，但总体攻击成功率由 0.496 升至 0.530，未经授权的金融状态变更升至 0.685，同时实验还发现记忆工件与执行器接口不匹配会显著扭曲评估结果。
Jialong Li、Jialing Zhu该研究说明智能体从经验中学会更多工作流时，也可能扩大接触恶意内容和执行越权操作的表面积，因此“任务准确率提高”不能替代安全审计。它进一步把接口兼容性识别为独立测量风险：执行格式失配既可能压低能力，也可能掩盖攻击暴露；不过证据来自单一模型和模拟银行环境，仍需在真实工具权限、不同模型与生产控制下复验。
ReasonCast 让智能体仅在促销、节假日、价格变化等文本事件具有预测价值时，将其转为方向、时序形状、幅度和峰值等结构化干预；论文报告其在节日敏感品类、大促敏感品类和 M5 事件窗口上分别将 WMAPE 降低 3.29、1.25 和 0.47 个百分点，而对稳定期无差别加入语义会使 WMAPE 恶化 1.68 个百分点。
Ziyue Yang、Chaolin Xu、Yijing Wang、Tiankai Gu、Hui Yang、Yanhong Lin、Kaiyuan Liu、Fei Xiao这项工作最有价值的结论不是“文本能改善预测”，而是语义推理只有在其边际贡献可由冻结预测器检验时才应进入数值模型。商业上，这为零售补货和库存计划提供了可控的人机接口，也警示智能体解释可能在稳定期引入噪声；后续应检验跨企业事件定义、真实库存成本和分布变化下的收益。
论文研究由参与者自身产生收入并支付参与成本的自筹资金市场，证明诚实拍卖相对完全信息最优基准不存在有界近似，并提出在子博弈精炼均衡下达到对数近似的序贯拍卖，以及相对反映市场厚度的 maximin-share 基准达到常数近似的机制；扩展摘要已被 ACM EC 2026 接收。
Yuan Deng、Vasilis Gkatzelis、Xizhi Tan、Grigoris Velegkas、Song Zuo虽然模型中的“agent”并不专指 LLM，结果直接触及智能体经济的基础约束：当平台预算也来自智能体贡献时，激励相容、市场厚度和自我融资不能同时按第一最佳标准轻易满足。它为机器服务市场、数据与算力交易提供了机制基线，但落地到 AI agents 还需加入身份复制、可验证产出、动态进入和合谋等现实问题。
论文将 ChatGPT Enterprise 账户记录与使用、岗位、任务分类及上市公司财务数据连接，在保护隐私的前提下分析企业 AI 采用；六个月采用期样本覆盖 1,500 多家组织和 1,700 多万条消息，并发现采用更集中于规模大、估值高、研发与销售管理费用更高的美国上市公司，采用企业内部则以职业早期员工使用强度较高。
Aaron Chatterji、David Holtz、Neel Rakholia、Prasanna Tambe、Gawesha Weeratunga新意不在再次证明“企业正在使用 AI”，而在于用产品侧行为记录把企业采用、员工角色和具体任务连接起来，补足了问卷与职位发布数据难以观察真实使用强度的缺口。其经济意义是，AI 扩散同时受到企业选择与企业内部组织学习影响；但现有结果主要是描述性事实，尚不能据此推出生产率提升或岗位替代，后续应观察使用深度能否与可识别的产出、工资和组织结构变化相联系。
论文把 AI 预测置于包含人工核验、其他统计信号和后续决策的“复合实验”中，证明最大化无条件预测准确率通常不是经济上最优的训练目标，并讨论用户异质性与垄断模型训练者如何改变最优设计。
Kevin A. Bryan、Joshua S. Gans这项研究把“模型能力”与“模型在决策系统中的边际价值”明确分开：同一预测在不同核验成本、用户信息和行动后果下，价值可能完全不同。它与只按平均准确率或通用 benchmark 优化模型的做法形成直接张力；值得继续检验的是，理论中的不连续最优训练选择在医疗、信贷、投资等真实决策场景中是否出现，以及平台市场力量是否会系统性扭曲训练目标。
在韩国 400 名参加工作场所确定缴费养老金计划的成年人中，研究随机分配偏进取或偏保守的固定 AI 建议及是否附带简短理由；建议差异约有 37% 传导至最终组合，81% 的参与者调整了组合，而附带理由未产生可检测的额外传导效应。
Hongseok Choi、Jeongbin Kim、Matthew Kovach、Kyu-Min Lee、Euncheol Shin、Hector Tzavellas相比只测量信任态度或采纳意愿，这项实验直接把建议内容映射到风险暴露和资产配置，显示 AI 建议会实质影响金融选择，但用户并非机械服从。商业上，这说明金融机构需要把建议生成、适当性约束和结果责任作为同一条决策链治理；同时，实验使用假设性余额和固定建议，外部有效性、长期持续性及真实亏损情境下的行为仍待验证。
论文研究偏好销售高利润产品的平台如何通过排序同时操纵注意力并传递匹配质量信息，表明透明算法既可能帮助消费者，也可能因增强说服作用而损害部分或全部消费者。
Raphael Boleslavsky、Thomas Jungbauer、Mehdi Shadmehr关键贡献是说明“提高透明度”并不等同于单向削弱平台操纵，因为公开排序规则会同时改变消费者对排序所含信息的推断。该机制对生成式搜索、推荐代理和智能体购物同样重要：监管若只要求披露规则而不区分注意力引导与信息传递，福利效果可能反转；下一步需要在真实搜索界面和多产品环境中检验模型预测。
FlowLOB 在多个港交所股票和 0.1 秒、1 秒、10 秒三种频率上训练条件 flow-matching 订单簿轨迹生成器；在统一架构与预算的对照下，其最佳结果只需 10 个 ODE 求解步，并在留出股票上实现零样本的真实度与情景控制迁移。
Zhuohan Wang、Andreea Bacalum、Ollie Olby、Carmine Ventre、Namid Stillman这项工作把生成式市场模拟从“像真实数据”推进到“能否受控地产生目标尾部情景”，并以统一训练预算比较 flow 与 diffusion，因而比单纯展示样本更接近可用于策略压力测试的要求。真正的应用门槛仍是：留出股票上的统计迁移不等于交易冲击、订单反馈和制度变化下的结构稳定性，后续应加入策略参与者和市场冲击的闭环检验。
论文以五只股票四个月的二级订单簿数据训练 DeepLOB 表征，将 FID 与 Monge Inception Distance 引入订单簿生成评估，并通过矩匹配攻击和深层订单簿扰动显示 MIND 对传统统计量未能识别的失真更敏感。
Andreea Bacalum、Zhuohan Wang、Ollie Olby、Martin Garaj、Namid Stillman它补上了金融生成模型研究中的评估短板：风格化事实和少数矩匹配可能掩盖联合时间结构与跨档位结构的错误。该指标可作为合成市场数据的更严格筛选器，但其排序仍依赖所选 DeepLOB 表征；值得观察的是，距离下降能否预测下游策略回测、风险估计或执行算法在真实市场中的误差下降。
论文刻画多变量重尾风险系统中生成模型必须保留的极限尾部测度，并提出 SSGEN，从中等阈值超越样本学习极端依赖、向更罕见区域外推，同时给出条件压力分布与数据驱动反向压力测试解的收敛率。
Mantu Gupta、Anand Deo其新意是把“生成极端情景是否有效”转化为必须保持哪一类尾部结构的可检验理论条件，而不是依赖视觉或均值层面的逼真度。对金融机构而言，这为生成式压力测试提供了比普通合成数据更贴近风险资本问题的有效性标准；但有限样本中的阈值选择、非平稳市场和模型风险仍可能主导结果，需要真实危机期回测。
论文从链上手续费率、成交量和活跃流动性构造无需外部预言机的“手续费隐含波动率”代理，但证明仅凭池内可观测量一般无法识别结构性潜在波动率，因此该量更准确地说是手续费流相对活跃流动性的活动指数，而非 Black–Scholes 一致的隐含波动率。
Amy Oumayma Khaldoun这项研究的重要性在于主动收紧链上指标的解释边界：可计算、无预言机并不等于结构参数已被识别。它对智能体交易和 DeFi 风险监控的启示是，代理指标可用于实时活动比较，却不能直接替代外部价格动态与对冲成本信息；后续应检验该指数对真实波动、LP 损益和跨池风险的样本外增量解释力。
论文比较人工搜索与智能体搜索：前者能准确评估有限商品，但在偏好维度过多时会停止搜索；后者能筛选更大目录，却把稀缺约束转化为消费者能否准确表达和迭代偏好，并可能出现平台已受益、消费者仍不愿采用的“采用滞后”。
Lingxiu Dong、Kaiwen Luo、Fasheng Xu新意在于没有把智能体简单视为降低搜索成本的工具，而是识别出“商品检查”向“偏好表达”的瓶颈迁移。它为平台的对话设计、推荐精度分配与消费者保护提供了可检验的理论机制；下一步需要用真实购物行为验证偏好复杂度、交互成本和转化率之间的关系。
更新后的 Financial Touchstone 覆盖 495 份国际年报、2,967 组问答，比较 10 家提供商的 20 个模型；Claude Opus 4.6 准确率最高（88.4%），开放权重 Kimi K2.6 排名第三，而信息检索占全部失败的 48.9%。
Jan Spörer结果表明，金融理解能力并不必然依赖闭源权重或推理架构，部署选择可更多考虑成本、数据主权和可控性。不过该基准仍主要衡量年报问答；模型能否在跨文件、跨期且包含实时市场信息的投研流程中保持同等可靠，尚待检验。
论文从电力需求增长、冷却和备用系统运行评估美国 AI 数据中心，指出排放、水资源、噪声和土地使用影响取决于边际发电结构、输电约束及负荷的时空分布，现有监管和市场机制可能未充分计入这些地区性外部性。
Johanna Bolaños-Zuñiga、Alberto J. Lamadrid这将 AI 竞争的经济成本从芯片和资本开支扩展到电网、水资源与选址制度，说明相同能效的数据中心可能产生完全不同的社会成本。政策上值得继续观察边际电价、并网成本分摊和用水约束能否形成一致的选址信号；论文结论目前仍是系统层面的分析，不等于对具体项目的因果评估。
论文提出 OOQI，把投资者要求写成可测量、可证伪的策略规格，再在模块化策略空间中搜索并逐条验证；合成示例中，传统最高样本内信息比率方案仅满足 25% 的规格，而规格驱动方案以 5.5% 的得分代价满足全部规格。
Liangliang Zhang相比让智能体追逐单一回测分数，这一框架把风格暴露、下跌韧性、换手和容量约束变成显式验收条件，并针对大规模搜索导致的虚假优越性加入校正。其主要局限是实证仅为 32 个管线的合成演示，尚不能视为真实超额收益证据；后续关键是严格的点时数据、封存样本和交易成本检验。
论文在受控多智能体环境中分别改变模型能力与制度结构，考察信息路由、证据准入与依赖、共享状态维护以及表示—行动接口四类集体失败，发现制度只有在能修复“公共可用状态”的形成过程时才具优势。
Zhengye Han研究把“升级模型还是改机制”转化为可诊断的问题：若瓶颈来自相关证据被重复计数、公共状态陈旧或信息无法转化为行动，单纯增加推理能力未必有效。这对智能体企业和模拟经济中的审计、信息披露与决策权配置有直接启发，但仍需在竞价、信贷和供应链等具体经济制度中验证外部有效性。
论文首次系统评估连续强度的“决策相似性”信号如何影响 LLM 在合作博弈中的选择，发现不同模型反应差异显著，部分模型会在多种收益结构和提示框架下随相似度上升而稳定增加合作，但用于计算相似度的数据集影响很小。
Akash Kundu、Emanuel Tewolde、Ratip Emin Berker、Samuel F. Brown、Vincent Conitzer相似性可成为智能体合作的协调信号，也可能在同质化模型生态中形成偏向“同类”的交易或联盟。尤其值得警惕的是，模型会把其他模型的推理自评为高度相似，说明该信号可能被误判或操纵；后续应测试异质模型市场、重复交易以及伪造身份下的稳定性和福利后果。
论文构建包含 425 项经济学、生物学和医学任务的 P-Bench，发现通用 LLM 智能体即使代码执行正确，仍会因检验选择或统计假设错误得出无效结论；Fisher-R1-14B 通过可验证统计奖励训练，相对强基线的单次成功率平均提高 21%。
Jiacheng Miao、Jin Mu、Guanhua Chen、James Zou新意不在于“自动跑回归”，而在于把检验前提和 p 值有效性纳入可验证奖励。这直接回应经验经济学使用智能体时最危险的失败模式：程序运行成功但推断无效。仍需观察其在真实、含缺失值和研究者自由度的数据分析中能否保持可靠。
论文提供覆盖 22 家公司 10-K/10-Q 文件的 1,185 条人工问题，要求模型不仅答对，还要找到正确公司、报告期和披露语境下的证据；最佳 7B 嵌入模型在汇总语料上的 Recall@10 仅为 44.8%。
Sasan Mansouri、Daniel Saad、Mark Wahrenburg、Manu Weissel、Fabian Woebbeking它把金融问答评价从“答案看起来正确”推进到“证据是否属于正确时点和主体”。这对投研、审计和合规尤其关键，也说明仅在随机负样本上表现良好的金融 RAG，可能严重高估真实可靠性。
研究利用冻结 LLM 的内部激活而非直接回答测量文本中的 ESG 概念；最佳线性探针与专门微调分类器的准确率仅差 0.6 个百分点，并在 12 项比较中的 11 项优于模型自己的显式回答。
Luc Hazenoot、Zhaochun Ren、Amirhossein Zohrehvand金融文本测量不必局限于词典、嵌入或模型生成答案，内部表示可能包含尚未被语言输出充分表达的信息。但连续“概念强度”仍缺少分级人工标签验证，暂不能直接解释为企业真实 ESG 表现。
论文利用固定会计关系图，对仅有 12–24 个月历史的小企业联合预测 13 项财务指标；在 1,060 家未见企业的 11,993 个预测起点上，报告的综合 MAE 为 0.6990，优于 LightGBM 的 0.7378。
Shrutendra Harsola、Vignesh Subrahmaniam相比单纯扩大模型，论文显示资产负债表、利润表和现金流量表之间的结构先验具有实际预测价值。商业潜力集中在小企业授信和流动性管理，但仍需检验跨国家会计制度、行业和经济周期的外部有效性。
论文对 2016 年以来 80 份巴西货币政策委员会声明进行分句加权，并将语调、指引方向和不确定性分开测量；作者明确说明结果是描述性指标，尚未验证对 Selic 利率或 DI 收益的预测能力。
Gabriel de Macedo Santos值得肯定的是主动区分“鹰鸽措辞”和“政策指引”，避免把文本相关性直接包装成交易信号。后续关键不是继续优化文本评分，而是进行严格的实时、样本外资产价格和政策预测检验。
实验发现，当一个 AI 持续向另一个 AI 发送信息时，接收者可能进入其单独运行时不会出现、也并非简单模仿发送者的行为状态；作者进一步用简化动力学模型解释这一现象。
Bella Xinrui Li、Frank Yingjie Huo、Neil F. Johnson这不是直接的市场实验，但对多智能体经济模拟很重要：单智能体校准不能保证交互系统仍保持相同“类型”或温度。后续应检验这一现象能否在竞价、谈判、信贷网络等经济机制中稳定复现。