摘要：诸如美国证券交易委员会（SEC）的EDGAR等公开披露数据库，通过网络访问企业申报文件，为投资者提供充分的信息支持。要借助语言模型代理对这些文件进行有效审查，就需要在相关文档中发现未明示的缺陷、获取缺失的企业信息，并验证所提出的修订是否符合有据可依的要求。然而，现有的金融问答评测体系难以充分反映上述交互式能力。为此，我们提出了\textbf{FilingLoop}——一个用于企业信息披露审查与修订的交互式基准测试及自进化代理框架。FilingLoop以美国证券交易委员会的历史往来文件为基础，针对96家公司在不同信息约束条件下构建了380项以首次公开募股（IPO）审查为主的任务。由独立于执行代理的评估者，依据6,099条适用要求对最终提交的文件及回复进行打分，并审核其中未经证实的主张与有害的修订内容。我们的框架将每个案例中的迭代式审查与修订过程与跨案例的程序化学习相结合，将基于要求层面的评估反馈转化为针对具体角色的指导建议，而无需更新模型权重。这种更新仅作用于后续案例，从而能够在不重新执行已评分任务的情况下评估程序适应性。在所评估的数据集上，经过演化后，要求满足率从24.28%提升至27.96%，完整意见解决率从16.90%提升至20.75%，同时总成本较固定策略版本仅增加了5.8%。FilingLoop能够将代理发现的问题与其获取的企业信息以及所作出的修订紧密关联起来，为后续审查任务中采用的流程提供基于要求层面的反馈。
主題：| 人工知能（cs.AI） 引用形式：| arXiv:2610.37905 [cs.AI] | （または
arXiv:2610.37905v1 [cs.AI] このバージョンの場合） | https://doi.org/10.48550/arXiv.2610.37905
点击了解更多信息
通过DataCite发布的arXiv DOI（待注册）
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。