基于8款主流模型、19176次操作输出的公开评测，定位金融Agent在动作选择、坐标定位和流程执行中的训练短板

当下金融大模型发展如火如荼，不少模型在金融问答、财报解读、知识推理等文本任务中表现亮眼。但落地真实业务场景时，金融AI Agent需要的不只是“懂金融知识”，更要能够像真实员工一样，在软件界面中完成点击、录入、核对、拖拽等一系列实操动作。

针对金融AI Agent实操落地难的行业痛点，景联文科技联合涌现未来推出FinanceGym数据集，专注解决金融Agent长流程软件操作、界面交互、任务闭环能力不足问题，是金融具身智能领域适配性极强的专业训练数据方案，已获MIT CSAIL官方提供权威背书。

FinanceGym 官方网站：finance-gym.com

59K+高质量样本，覆盖全场景金融实操

FinanceGym数据集以真实金融岗位工作流为蓝本，构建了体系完整的实操训练数据底座，核心包含三大维度：

• 59K+真人操作样本：完整留存人类操作轨迹与思考过程，输出精确鼠标坐标、拖动起止点位、输入文本、滚动参数、任务终止边界等全套监督信号；

• 37类金融岗位任务：涵盖报税、对账、表格处理、数据录入、信息核对、计算制表等金融一线高频工作场景；

• 适配40+主流金融软件与网站：覆盖银行、会计、税务、投资等多类业务系统，1:1 还原真实软件界面与操作逻辑。

这套数据集同时支持监督微调、强化学习等训练范式，可直接用于打造面向实操场景的金融AI Agent；也可配合官方run_eval.py评测脚本，帮助企业搭建内部标准化评测基线，量化跟踪模型迭代效果。

公开评测验证：精准匹配98.8%模型能力缺口

为了直观呈现行业主流模型的金融实操能力基线，同时验证FinanceGym数据集的优化价值，我们基于配套的FinanceGym公开测试集与官方统一评分逻辑，完成了多款主流模型的统一基准比对。本次评测每款模型覆盖2397个真实金融软件操作步骤，合计产出19176条模型结果，从动作类型、坐标位置、执行参数、操作顺序多维度衡量智能体的业务实操水平。

评测结果显示，当前主流模型在金融实操场景中仍存在明显能力缺口，共性短板集中在三类：

1. 动作选择错误占比最高，达42.3%

模型能够理解任务方向，但选错了动作类型，比如该点击时选择滚动、该结束任务时继续操作，或是执行步骤顺序错乱。这是当前最突出的失效模式，多数错误不是 “差一点点” 的偏差，而是根本上的动作决策错误。

2. 参数与位置偏差普遍，约占31%

动作方向大致正确，但细节参数不准，比如点击坐标偏离目标控件、拖动滑块的起止位置错误、输入内容或滚动量不符合要求，导致动作无法触发系统响应，任务无法推进。

3. 流程执行完整性不足，占25.5%

模型存在漏做中间步骤、把单步动作拆分为多余步骤，或是分析后未输出有效执行指令的情况；更典型的风险是模型提前宣布任务完成，但实际界面并未走到结果状态，形成 “看似完成、实则未做” 的业务风险。

98.8%错误可对应：FinanceGym数据为何能精准补齐短板

公开评测暴露的所有实操短板，恰好与FinanceGym训练数据集的监督信号高度匹配 ——98.8%的可解释错误，都能在数据集的标注结构中找到对应的优化方向，数据与模型能力缺口高度对症：

• 针对动作选择与顺序错误：数据提供完整的真人人机操作轨迹、标准动作序列，明确定义每一步该执行什么动作、何时继续操作、何时终止任务，直接校正模型的动作决策逻辑；

• 针对参数与位置偏差：数据提供像素级精确鼠标坐标、拖动起止点位、输入文本内容、滚动幅度等细粒度标注，让模型学习到精准的操作尺度，校准界面交互精度；

• 针对流程完整性问题：数据提供完整多步骤轨迹、步骤边界定义与可执行动作协议，帮助模型理解长流程的前后依赖关系，强化任务闭环能力，减少漏步骤、提前结束等问题。

通过对应监督信号的针对性训练，FinanceGym可驱动金融AI Agent从 “能做演示” 走向 “能做工作”，真正落地到真实业务岗位。

选型启示：跳出文本榜单 关注实操落地能力

本次评测同时验证了一个重要结论：模型调用成本与实操任务表现并不呈正相关，高成本模型未必能带来更高的实操完成度。这也给企业选型带来清晰启示：筛选金融 AI 能力不能只依赖通用文本榜单，更要重点关注实操稳定性、业务步骤执行完整度、流程闭环能力等落地指标。

对于金融垂类模型研发与采购团队而言，FinanceGym提供了 “先验证、再采购、后复测” 的完整可信路径：

1. 基线自测：通过公开测试集完成自有模型的基线测试，定位核心短板；

2. 针对性训练：引入FinanceGym数据集开展针对性微调或强化学习；

3. 独立复测：使用独立留出测试集完成效果验收，结合可视化动作回放，客观量化模型能力提升幅度，避免 “用训练题做验收” 的误区。

FinanceGym测试集获取，可访问：finance-gym.com

如需获取完整FinanceGym数据集，了解数据详情、训练方案与合作模式，请联系：19157628936（微信同号）

关于景联文

景联文科技是国内领先的AI数据生产运营商。以自主研发的SolarSense引擎为技术底座，同时依托QApex数据生态平台，已建成覆盖“采集—提纯—灌注”全链路的数据基础设施，在芜湖、重庆、贵阳自建数采基地。布局智慧金融、具身智能、自动驾驶、医疗、方言等多领域，已服务千余家企业与科研机构。