区间宽度本身是考点
题目不只问一个数，而是问「下限与上限分别是多少、这个宽度是怎么来的」——宽度必须由材料里的分歧推出，不能拍一个区间。
体检连锁长期资产投资判断
YKCX-FIN-MEMO-939 · 资产侧预测采纳 · 长期资产与折旧摊销 · 翻转点测算
卖方材料只给了资产侧预测。要在 18 张工作表的财务模型里核出新增长期资产投入合计、预测末年账面余额的上下限与区间宽度的来由，给出采纳立场，并算出立场在什么条件下会翻转。
长期资产折旧摊销翻转点采纳立场
11 份材料 · 18 张工作表
18 张工作表
17条评分判据
42最长参考轨迹 Agent 回合
2.53M单条轨迹累计 prompt tokens
01
数据特点
观点要和它的脆弱性一起交付
给出采纳、有保留采纳或不采纳的立场后，还要说明这个立场在资产消耗额偏离到什么程度时会翻转；不翻转则要说明为什么不翻转。
一句话讲给非专业读者
除工作簿与结构化结论外，备忘录要能用一句话告诉高净值客户：对结论影响最大的要素是什么，为什么。
三模型实测均分 0.4590
三个模型在同一套判据下作答，均分 0.4590，全部低于 0.52。这道题的门槛不在算数，而在把区间宽度的来由说清。
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 · 2,307 chars
你是一家私人银行财富管理部的投资顾问。高净值客户收到一份体检连锁企业的卖方预测材料，公司正在铺设门店；客户准备据此调整持仓，需要你独立形成资产侧预测的采纳建议。
任务
- 给出采纳立场：直接采用／有保留地采用／不采用，解释决定以及保留或不采用的范围。
- 给出材料全部预测年度内新增长期资产投入合计，以及预测末年长期资产账面余额的下限与上限，说明区间宽度的来由。
- 给出你认可的预测末年资产消耗额，说明它与材料列示数的差距、该差距对采纳立场的影响；若会改变立场，给出翻转点，否则说明不翻转的理由。
- 用一句话告诉高净值客户：对结论影响最大的要素是什么，为什么。
NOTE节选自题面，已省略三份交付物的分块结构与字段定义。
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 |
|---|---|---|---|
| 中弘智造_底稿.xlsx财务预测与估值模型：固定资产与长期待摊费用预测、财务报表、原始数据、假设等 18 张工作表 | xlsx | 18 张工作表 | 357 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，11 条二元判定 + 6 条五档评分，数值准确性权重最高。
- 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
数值与计算准确性5
结论正确性3
分析与论证质量3
专业规范2
事实忠实性2
指令遵循1
安全合规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 | 18 | 1.53M | 107K | — | 完成作答 | |
| GPT-5.6-solCodex · Harbor | 27 | 1.41M | 68K | — | 完成作答 | |
| Qwen3.8-MaxClaude Code · Harbor | 43 | 2.53M | 122K | — | 完成作答 |
06
环境规格
| 任务 ID | YKCX-FIN-MEMO-939 |
|---|---|
| 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 | 2,307 字符 |
| 难度分级 | A3（三模型实测均分 0.4590） |
| 参考解 | oracle reward 1.000 |
| 底稿规模 | 18 张工作表 · 含 2008–2012 历史与 2013E–2017E 预测 |
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