LLM 的金融推理可靠吗？基于长期财务报表的真实世界测试

论文提出 FinIndices 基准，在最长 32K token、未裁剪的财务报表上评估单指标计算与多表指标制表，重点测试跨报表、跨期间及存量流量口径推理。摘要称，去除公式提示后 Gemini-3.1-Pro 的表格任务准确率由 70.70% 降至 38.22%；SFT 则带来单指标 8.54%、表格 3.82% 的零提示增益。