不是建模题，是审模型
关键设定由别人完成，模型和业务资料都在手上。要判断这份预测能用到哪一年、哪一步的输入撑不住。
三年盈利预测与建仓决策
QYDZ-FIN-PRAS-142 · 盈利预测假设审查 · 单因素弹性 · 最大可用年度
预测已经由别人做完，任务是审查它：报出采信的三年归母净利润、逐项说明每一步用了哪个输入，量出哪一项对结论影响最大，再算出需要走到什么水平才会推翻建仓结论。
盈利预测单因素弹性建仓决策假设审查
22 份材料 · 5 张工作表
5 张工作表
12条评分判据
45最长参考轨迹 Agent 回合
2.60M单条轨迹累计 prompt tokens
01
数据特点
弹性要按同一把尺子
「每变动一个百分点或一个单位，三年利润分别改变多少」——先把各项放到可比较的尺度上，再谈谁是最大项，否则排名没有意义。
推翻结论要有阈值
题目要求量化「至少需要走到什么水平才会推翻建仓结论」，这是一个反求：从结论倒推参数的临界值，并代回原计算验证。
三模型实测均分 0.4869
三个模型在同一套判据下作答，均分 0.4869。最长的一条轨迹用了 45 个回合、260 万 prompt tokens，几乎都在反复核对假设。
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 · 2,157 chars
你是一家家族办公室的家庭理财规划师。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。
客户家庭将在下一次会议上确定仓位，交给你的是一份已经完成的盈利预测，而不是要求你从头搭建新预测。关键设定由其他同事完成；你手里有模型及其业务资料。
任务
- 报出你采信的三年归属母公司股东的净利润，给出数值或区间，说明它们是怎样一步步得到的，以及各步使用的输入。
- 这些输入中，哪一项对结论影响最大？量化该项每变动一个百分点或一个单位时，三年的利润分别改变多少。
- 假设不成立时，你的建仓结论如何改变？量化至少需要走到什么水平才会推翻第一项结论，并说明这份预测最多能用到哪一年及理由。
NOTE节选自题面，已省略交付物格式要求。
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 |
|---|---|---|---|
| 材料说明.md材料说明：工作表与期间口径 | md | 163 字 | 359 B |
| 澄岳_经营底稿.xlsx经营底稿：分产品预测输入与三年预测 | xlsx | 5 张工作表 | 30 KB |
04
评分设计
12条独立评分判据
11 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。
12 条判据，9 条二元判定 + 3 条五档评分，含一条结论正确性扣分项。
- 12 条判据：11 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
数值与计算准确性3
结论正确性3
专业规范2
分析与论证质量2
指令遵循1
事实忠实性1
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 | 14 | 835K | 84K | — | 完成作答 | |
| GPT-5.6-solCodex · Harbor | 25 | 648K | 51K | — | 完成作答 | |
| Qwen3.8-MaxClaude Code · Harbor | 44 | 2.60M | 128K | — | 完成作答 |
06
环境规格
| 任务 ID | QYDZ-FIN-PRAS-142 |
|---|---|
| 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 | 2,157 字符 |
| 难度分级 | A3（三模型实测均分 0.4869） |
| 参考解 | oracle reward 1.000 |
| 底稿规模 | 5 张工作表 · 单文件 |
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