Terminal X用GPT-6.1匹配资深投资人判断达88.6%

金融投资领域对AI的信任门槛一向很高——毕竟涉及真金白银的决策，容错率极低。Terminal X 最近公布的一组数据值得关注：其 Eval Agent 在评估投资组合是否符合基金 mandate（投资授权）时，与资深投资人的判断一致率达到 88.6%，并且相比基线方法多捕获了 25% 的偏离项。背后的模型是 GPT-6.1 Sol。

评估智能体如何工作：54条标准与偏离检测

Terminal X 的 Eval Agent 并非简单让大模型"看一眼"投资组合然后给个结论。它采用了一套包含 54 条标准的评估 rubric（评分量表），逐条对照基金的投资授权——包括资产类别限制、集中度约束、行业暴露、流动性要求等维度——对输出进行结构化打分。

这种做法的价值在于可解释性。传统上，合规与投研团队判断一笔持仓是否"越界"，依赖资深投资人的经验判断；而 rubric 化的评估把隐性经验拆解成可复现的检查项，模型只需在每一项上给出判断，最终汇总成整体评估。88.6% 的一致率意味着在绝大多数情况下，Eval Agent 的结论与人类专家的判断重合。

更有意思的是那个 25% 的数字：相比基线方法，Eval Agent 多捕获了四分之一的偏离项。在投资合规场景里，漏报一个偏离项的代价可能远高于误报——前者意味着风险敞口未被识别，后者只是多一次人工复核。

投资授权（Mandate）与偏离项

投资授权（mandate）是基金与其投资者之间约定的一组具有约束力的投资规则，通常规定可投资的资产类别、单一持仓上限、行业或区域暴露限制、流动性要求、杠杆与衍生品使用范围等。合规与投研团队需要持续监控组合是否在这些约束之内。所谓“偏离项”（deviation/breach），指组合实际持仓在某一维度上超出了授权允许的边界，例如某行业权重超过上限、某类资产被禁止却持有、或流动性资产占比不足。偏离可分为硬性违规与软性预警两类，前者必须整改，后者需记录并说明。偏离检测的难点在于约束之间可能相互耦合——调整一处持仓会同时影响集中度、行业暴露和流动性指标，因此逐条对照的同时还需整体判断。这也是为何 rubric 化的结构化评估比单一整体打分更适合合规场景。

GPT-6.1 Sol 带来了什么

原文将这一提升归因于 GPT-6.1 Sol 的能力。从评估任务的性质来看，这并不意外：对照 54 条标准逐项判断，需要模型在长上下文中保持对细节的注意力，理解金融术语的精确含义，并在边界模糊的案例上做出与人类专家趋同的取舍。这类任务对模型的推理稳定性和指令遵循能力要求很高，单纯的语言流畅度毫无意义。

一个合理的推断是，GPT-6.1 Sol 在结构化 rubric 遵循上的进步，是 25% 偏离捕获率提升的主要来源。不过原文并未披露基线方法具体是什么模型或规则系统，因此这个对比的参照系需要谨慎解读——如果基线是较早期的模型或纯规则引擎，25% 的差距更多说明"新一代模型 vs 旧方法"的代际差，而非 GPT-6.1 Sol 独有的优势。

Rubric 遵循与长上下文推理

Rubric（评分量表）遵循是指模型按照预先给定的一组分项标准逐条判断，而不是自由生成结论。这一能力与普通问答有本质区别：模型需要在一次推理中同时保持对多条规则的记忆、对输入文本的细节定位，以及在规则交叉时的优先级判断。对 54 条标准逐项评估，输入往往包含长篇幅的组合持仓表与授权文件，模型必须在长上下文中不丢失关键约束，这考验的是长上下文注意力与指令遵循的稳定性。金融术语的精确性进一步放大了难度——“集中度”与“敞口”、“流动性”与“可交易性”在不同语境下含义不同，误读会直接导致判断偏差。因此，评估类智能体的性能瓶颈通常不在语言生成，而在结构化推理的一致性与可复现性。

88.6% 一致率的现实含义

把 88.6% 放在投资决策的语境里看，这个数字既令人印象深刻，也划出了清晰的能力边界。

令人印象深刻的部分：投资授权评估长期被视为需要资深人士经验的高门槛任务，一个评估智能体能在近九成情况下与专家判断一致，说明 rubric 化的评估框架确实捕捉到了专家决策的主要逻辑。对于人手有限的合规团队，这意味着可以把大量常规检查交给 Agent 初筛，人只处理剩余 11.4% 的分歧案例。

边界同样清晰：剩下约 11.4% 的不一致恰恰可能是最棘手的案例——边界模糊、涉及多重约束交互、或需要结合市场背景做判断的情形。把这些案例完全交给模型处理，目前看并不现实。合理的定位是"专家判断的放大器"而非替代品：Agent 负责覆盖面与一致性，人负责疑难裁决。

一致率指标与基线对比的解读

一致率（agreement rate）衡量的是智能体判断与人类专家判断重合的比例，但它不区分一致的方向：模型与专家同时判定“合规”和同时判定“偏离”都计入分子。因此高一致率可能掩盖对少数类（偏离项）的识别能力，这也是“多捕获 25% 偏离项”这一补充指标更有价值的原因——它直接反映漏报的减少。另一方面，基线方法的构成决定了对比的含义：若基线是规则引擎或早期模型，25% 的差距更多体现代际进步；若基线是同等能力的强模型加不同提示策略，则更能说明 rubric 设计与模型适配的贡献。评估此类宣称时，还需关注样本构成、专家间一致性（人类专家彼此也可能存在分歧）以及是否存在选择偏差，这些都会影响数字的可迁移性。

对AI评估类产品的启示

Terminal X 这个案例的方法论值得其他做垂直评估产品的团队参考。它没有追求端到端的黑箱判断，而是把领域知识固化成 54 条 rubric，让模型在结构化框架内发挥。这种"rubric + 强模型"的组合，在合规、审计、投研等对可解释性要求高的场景里，可能比纯端到端方案更容易落地。

同时也要看到，88.6% 这个数字的有效性依赖于 rubric 本身的质量和基金 mandate 的清晰程度。不同基金的授权复杂度差异很大，这个一致率能否在更复杂的 mandate 上复现，原文没有给出答案。对关注 AI 在金融领域落地的从业者来说，这既是值得跟踪的信号，也是一个需要独立验证的宣称。