识别不等于找到证据：多语言财务证据提取基准

问题

要比较不同国家企业的披露，模型需要在语言不同的情况下识别出同一会计概念，并找出该概念对应的全部数值（包括上期比较数）。现有基准没有在同一组多语言证据上同时评估这两种能力。

方法

作者从英语、法语、希腊语发行人各 30 家的 FY2025 ESEF 报告中，利用发行人自行标注的 iXBRL 标签提取数值及其与 IFRS 概念的映射，把不同企业的真实披露关联到 187 个共同的 IFRS 概念上。任务共四项：T1 判别财务数值并识别其属性（类型、期间、借贷方向）；T2a 选出所标示数值共同对应的概念；T2b 选出给定概念对应的全部数值；T2c 在没有候选标签的情况下挑出属于其他概念的摘录。T2a 和 T2b 在同一上下文中配对评估。两名财务专家审核了 10% 的分层样本。共评估 15 个模型。

结果

• 作者报告，8 个 API 和开放权重参考模型在概念识别（T2a）上的准确率为 97.3%~99.4%，但在概念判断正确的组中，有 26.6%~41.9% 至少漏掉了一个目标数值。
• 在 8 个参考模型中，有 7 个模型的希腊语证据召回率（recall）最低。相反，去掉英语证据后，概念识别仍保持在较高水平。
• 在无候选标签的概念区分（T2c）上，模型之间差异很大：Gemini 3.8 Flash 为 95.1%，而 GPT-5.6 Luna 为 49.4%。
• 在该评估方案下，所评估的金融专用模型相比各自的基础模型提升有限。

局限

研究只涵盖 3 种语言、90 家发行人和 FY2025 一年的报告。专家审核只用于 10% 的样本，其余标注直接沿用发行人标签。API 模型在关闭 reasoning 的状态下评估，且未统一各模型的计算量。T2 因发行人重叠而未给出 bootstrap 置信区间，统计检验仅为探索性质。

意义

这项研究表明，在财务文档提取中，“概念判断正确”这一指标并不能保证“找全了所需数值”。它提醒从业者，需要单独衡量像遗漏上期比较数这样会破坏实务分析的遗漏。

关键术语

iXBRL

一种在财务报告正文和表格数值中直接嵌入会计概念标签的格式，用于欧洲的 ESEF 披露。

IFRS Accounting Taxonomy

把国际财务报告准则（IFRS）中的会计概念（如收入、利润）整理成标准标识符的分类体系。

Exhaustive Fact Selection

在上下文中一个不漏地找出给定概念对应的全部数值的任务，用召回率和集合完全匹配来评估。

原文

• arXiv 摘要页
• PDF
• HTML 全文
• Hugging Face

作者: Lingfei Qian, Yan Wang, Xueqing Peng, Polydoros Giannouris, Nadhem Zmandar, Yi Han, Yanguang Liu, Víctor Gutiérrez-Basulto · 发布 2026-10-14 · 许可 CC BY 4.0 · 基于全文分析

本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。