GENERAL FINANCIAL WORK ENVIRONMENT

把真实金融工作流，变成可验证的 Agent 环境。

Kando Data 正在构建一套面向真实金融办公任务的通用环境，以文档、证据、结构化输出和可验证奖励为统一底座，支持审计、财务 QA、报表勾稽和披露核验等高难度工作流。财务报表审计是当前重点验证场景：任务需要跨年度阅读长篇财报，进行跨表勾稽，形成风险判断，并用原文证据完成可复核的结论。

REAL-WORLD WORKFLOW EVIDENCE-GROUNDED RL-READY REWARDS

Claude Opus 5 在问题召回、证据召回、精确率和 F1 四项核心质量指标上均取得当前最高结果。

#	模型	F1_I	R_I	R_E	P_I	报告定位	完成

三组新增模型在 100 个成功任务上的运行轨迹汇总。

模型	任务数	输入 token	输出 token	工具调用	每题工具调用	平均耗时
Claude Opus 4.8	100	67,311,793	1,735,302	2,336	23.36	325.08 s
Claude Opus 5	100	162,349,695	3,267,538	4,149	41.49	640.43 s
gpt-5.6-sol	100	139,980,194	1,378,395	9,449	94.49	224.80 s

Claude 的输入 token 为有效上下文规模（含缓存创建与读取）；Codex 的输入 token 已包含缓存子集，不能重复相加。工具调用按各模型事件中的 tool use / command execution 统计。

FINFRAUD-CN / CASE STUDIES

FinFraud-CN Case Studies

从监管真值、跨期证据链和模型行为出发，观察真实财务审计 agent 如何发现问题、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。

PILOT100 / SELECTED CASES03代表性案例Kando Data · 2026.08.10

00 / CASE SELECTION

案例选择覆盖跨年度证据链、多科目高密度问题和非数值的合并判断。它们共同展示：模型不仅要找到异常，还要把问题、期间、主体、金额和原文证据组织成同一条可复核链路。

01 / CASE COMPARISON

案例	核心难点	报告数	GT issues	Opus 4.8 R_I / R_E	Opus 5 R_I / R_E	gpt-5.6-sol R_I / R_E

02 / CASE FILES

03 / CROSS-CASE LESSONS

三个案例合在一起，形成从多科目覆盖、证据门控到非数值会计判断的能力剖面。合理风险不等于 benchmark 命中，最终输出必须少而强。

01 / DIAGNOSIS

最好的模型也会在多问题、长文档场景中提前收敛。证据链完整性和全局覆盖仍是当前环境的核心压力测试。

零命中案例R_I = 0

Opus 5 仍有 24 个案例完全没有命中真实问题。

证据召回为零R_E = 0

问题识别之后，证据证明仍有明显长尾。

真实问题越多，完整覆盖越难OPUS 5 · R_I

单 issue 案例召回达到 84%，进入 3-issue 案例后降至 29.33%。

02 / TASK MAP

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。