DeepFinance

DeepFinance 是旧金山应用 AI 实验室 Julius Research（Julius AI 数据科学家产品方，用户超 200 万，客户含哈佛商学院、Nvidia 等）于 2026 年 11 月 5 日发布的超长程金融智能体基准，专门衡量模型在真实私募股权（PE）与投行（IB）工作流上的表现。官网：https://www.juliusresearch.ai/deep-finance 。

基准规模（官方）：

• 21 道来自真实交易的任务；
• 人类专业人士平均约 27.1 小时/题；
• 每题约 84 条 rubric 评分标准；
• 每个 data room 约 19 个文件；
• 每题跑 10 次，报告均值与 95% bootstrap 置信区间。

榜单（2026-11-05 更新，均值 rubric %）：Claude Opus 5.5 (max) 54.8%、Claude Sonnet 5.5 54.6%、GPT-6 Astra 54.2%、GPT-6.1 Sol 52.9%……多数前沿模型仍显著低于人类可完成度。站点同时给出 score vs. cost / tokens 的 Pareto 视图。

为什么重要

多数金融/Agent 基准偏短题或多选题；DeepFinance 把难度拉到数十小时级真实交易工作流，用细粒度 rubric 而非单一对错，更接近 PE/IB 助理真正要交付的材料。

与既有基准区分

它不是通用财经问答，也不是短交易模拟：强调 data room、长程工具使用与可审计评分条。榜单含成本与 token，便于做性价比选型。

局限

• 分数来自主办方评测栈，独立复现成本高；
• 领先模型仍约 55%，上限与 rubric 校准仍会迭代；
• 任务覆盖 PE/IB 子流程，不能外推到全部金融场景。

适合谁

• 做金融智能体、长程 Agent 评测的研究与产品团队；
• 需要对照官方 leaderboard 做模型选型（质量 vs 成本）的人；
• 追踪 Julius Research 评测路线的人。

如何上手

1. 打开 https://www.juliusresearch.ai/deep-finance 阅读任务设定与榜单；
2. 对照 score/cost/tokens 表挑候选模型配置；
3. 关注官方更新日（当前标注 Updated Nov 5, 2026）；
4. 自建评测时务必对齐 rubric 与尝试次数再比数字。