材料极简，判断不能省
两张工作表、8.5 KB，没有多余的交叉验证材料。所有结论必须从这两条序列推出来，缺什么只能写成假设或局限。
电商平台经营计划与盈利判断
KTHY-FIN-MEMO-9211 · 平台经营计划 · 营业利润路径 · 家庭持仓建议
材料只有两张工作表：一张营业利润与利润率路径，一张承诺额与增速。要把这两条线接起来判断经营计划能支撑到什么程度，给出明确的持仓建议并标注证据强度，再做至少一项量化敏感性。
电商平台盈利能力持仓建议敏感性
11 份材料 · 2 张工作表
2 张工作表
17条评分判据
16最长参考轨迹 Agent 回合
703K单条轨迹累计 prompt tokens
01
数据特点
三件交付物必须讲同一件事
工作簿、备忘录与 JSON 要呈现同一组主要结论；关键派生数要用公式引用工作簿内的来源数据，而不是贴死数字。
证据强度要自己标
题面要求明确给出持仓行动建议并说明该意见的证据强度——把「我确证了」和「我合理推测」分清，本身就是得分点。
三模型实测均分 0.5811
三个模型在同一套判据下作答，均分 0.5811。材料只有两张工作表，轨迹都在 20 个回合以内完成——考点全在判断，不在检索。
02
题面节选
以下为 Agent 实际收到的题面节选（原文照录），用于展示任务设定与约束。
instruction.md · 1,515 chars
你是一家家族办公室的家庭理财规划师，客户家庭正在讨论一家电商平台的持仓安排。该股票是客户家庭金融资产中权益配置部分的候选或现有持仓，你的结论将用于决定家庭是否买入、加仓或维持，以及大致配置多少。
请依据题面可用材料形成能支持投资讨论的盈利判断，并清楚标注材料事实、你的计算与判断。
任务
- 评估公司未来经营计划对盈利能力判断的支持程度，指出主要支撑和不确定性。
- 给出明确的持仓行动建议，并说明该意见的证据强度。
- 提供至少一项量化敏感性分析，写清所改变的参数、保持不变的参数，以及什么后续观察会促使你调整建议。
NOTE节选自题面，已省略工作簿分块、备忘录五节与 JSON 键名要求。
03
附件清单
作答容器内可见的全部材料，统计由题包自动生成。原始文件随完整样例包提供。
| 文件 | 类型 | 规模 | 大小 |
|---|---|---|---|
| KTHY_业务底稿.xlsx业务底稿：营业利润与利润率路径（2019A–2028E）、承诺额与收入增幅（含季度序列） | xlsx | 2 张工作表 | 8 KB |
04
评分设计
17条独立评分判据
16 条得分项1 条扣分项
判据全文、权重与参考答案随完整数据包提供。
17 条判据，16 条二元判定 + 1 条五档评分，含结构与组织维度。
- 17 条判据：16 条正向得分项，1 条扣分项（negate）
- 每条判据由独立的 Agent judge 逐条判定（individual 模式），可复现、可审计
- 判分凭据只注入 verifier 环境，作答容器看不到任何评分通道
- 判据全文与参考答案随完整数据包提供
专业规范3
数值与计算准确性3
分析与论证质量3
指令遵循2
结构与组织2
结论正确性2
事实忠实性2
05
模型实测
前沿模型在真实 Agent 框架中的作答轨迹统计。一个回合即一次模型调用；上下文曲线展示长程任务中状态如何持续累积。
| 模型 | Agent 回合 | 工具调用 | 累计 prompt tokens | 峰值上下文 | 作答耗时 | 结果 |
|---|---|---|---|---|---|---|
| Claude Opus 4.8Claude Code · Harbor | 12 | 703K | 74K | — | 完成作答 | |
| GPT-5.6-solCodex · Harbor | 14 | 413K | 35K | — | 完成作答 | |
| Qwen3.8-MaxClaude Code · Harbor | 13 | 555K | 53K | — | 完成作答 |
06
环境规格
| 任务 ID | KTHY-FIN-MEMO-9211 |
|---|---|
| 任务格式 | Harbor task.toml · schema 1.4 |
| 题包版本 | 1.0.0 |
| Agent 时限 | 3 小时 |
| Verifier 时限 | 5 小时 |
| 作答容器 | 2 vCPU · 8 GB 内存 · 30 GB 存储 |
| 网络 | 仅用于 Agent 框架安装 |
| 工具集 | filesystem · shell · python |
| 判分隔离 | 独立 verifier 容器评分凭据只注入 verifier，作答侧不可见 |
| 题面长度 | 1,515 字符 |
| 难度分级 | A2（三模型实测均分 0.5811） |
| 参考解 | oracle reward 1.000 |
| 材料规模 | 2 张工作表 · 年度与季度两套序列 |
Contact
想在自己的平台上跑这道题？
留下联系方式，我们会提供该题的完整样例包（题面、附件、verifier 与参考轨迹），并介绍同类题目的规模与定制方式。
- 完整题包与 verifier
- 同子类更多题目
- 接入与复测支持