BigFinanceBench：一个基于工作流的金融研究代理基准测试

金融研究答案仅在可审计其生成过程（如来源选择、假设设定及计算步骤）时才具备决策价值。现有基准多评估孤立技能或最终答案，忽视了可审计的推导过程。本文提出 BigFinanceBench，这是一个包含 928 个专家编写任务的基准，将推导过程分解为独立可查的步骤并赋予权重。该基准基于完整工作流进行评估，支持部分得分及失败定位。对十个前沿代理的评估显示，最佳系统仅得 58.8%，且最终答案准确性不能完全代表推导质量。