InvestPhilBench：用于评估大语言模型在专家投资哲学中程序性推理的多层动态基准

本文提出 InvestPhilBench，一个涵盖八个认知层级的多层动态基准，旨在评估大语言模型重构和应用专家投资决策框架的能力。该基准包含验证过的原则卡、决策框架卡及问答测试集，并引入自动化评分管道（BASP）和失败模式检测协议。实验发现，虽然综合评分在前沿模型上趋于饱和，但细粒度的程序重建准确率仍暴露了显著的推理缺陷，表明现有评分机制可能掩盖了模型在程序性推理上的不足。