US SEC FILING AUDIT ENVIRONMENT

把美国 SEC 财报审计，变成可验证的 Agent 环境。

EDGAR-US v5 是一套面向美国 SEC 财报的审计推理基准：Agent 拿到一家上市公司的定期报告（10-K/10-Q）加同公司的补充披露库（8-K、修订、DEF 14A、精选 exhibit），以财务审计师的身份在离线语料中定位财报可观察的异常形态，用原文证据支撑每一个发现，并检验良性替代解释。

CASE-BOUND RETRIEVAL EVIDENCE-GROUNDED 7-DIM REWARD

Introduction

The Benchmark

Evaluation Rubrics

Experiments and Results

六模型评测结果。

在 EDGAR-US v5 的十个 SEC 案例上，六个模型以统一 judge（gpt-5.6-terra）评出稠密 reward。

#	模型	reward	R	E

EDGAR-US v5 / CASE STUDIES

EDGAR-US v5 Case Studies

从监管真值、财报证据链和模型行为出发，观察真实财务审计 agent 如何发现异常、组织证据，以及为什么合理的审计怀疑仍可能在 benchmark 中不得分。

TEN SEC CASES / SELECTED03代表性案例Kando Data · 2026.08.31

00 / CASE SELECTION

三个案例，覆盖好、中、差三档表现。

案例按模型表现分档：一档接近满分（好）、一档中游（中）、一档接近零分（差）。它们共同展示：模型不仅要找到异常，还要把会计科目、方向、期间、原文证据和替代解释组织成同一条可复核链路。

01 / CASE COMPARISON

案例	核心难点	档位	GT signals	sol reward	terra reward	glm-5.3 reward

02 / CASE FILES

03 / CROSS-CASE LESSONS

案例背后的共同机制。

三个案例合在一起，形成从证据门控、替代解释到输出精度跨档位的能力剖面。合理风险不等于 benchmark 命中，最终输出必须少而强。

01 / DIAGNOSIS

找到问题，仍不等于完成审计。

六个模型在十个案例上的结果质量仍有明显差距：最好的一档能完整覆盖证据链，最弱的一档在关键案例上几乎不得分。

零命中案例R = 0

多个模型在部分案例上完全没有命中真实 signal。

证据维度偏低filing_evidence

问题识别之后，证据证明仍是普遍的短板。

模型间奖励分布MEAN REWARD

glm-5.3 当前均值最高，各模型在 hard-negative 案例上差异显著。

02 / TASK MAP

EDGAR-US 是第二个任务。

通用环境围绕同一套文档、证据、结构化输出和奖励接口，逐步覆盖真实财务审计工作中的多个难点环节。