Big Finance Bench

Rogo 出品的金融工作流 agent 基准：928 道取自真实金融业务的问题，rubric 过程评分与最终答案准确率双口径

基本信息

30 秒看懂

官方十模型横评中最佳单模型 rubric 58.8%；全部被评模型平均 rubric 分比最终答案准确率高约 16 个百分点，说明二元对错口径会系统性低估检索与推理过程。OpenAI GPT-5.6 页引用的 53/51/36 为厂商自报口径。

评分协议

最小 agent 配置（SEC EDGAR + 公网 + Python 沙盒），每题跑 3 次；每题平均 17 条 rubric 条目，共 15,656 条标准 / 36,241 加权分

模型发布采用时间轴

共收录 1 场模型发布（收录 5 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-08-26 OpenAI·国际

GPT-5.6 Sol / GPT-5.6 Terra / GPT-5.6 Luna

本发布含 3 个变体，各变体规格见模型详情。

发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。

旗舰多档努力智能体安全防护

查看模型变体与证据

GPT-5.6 Sol · Big Finance Bench 53%GPT-5.6 Terra · Big Finance Bench 51%GPT-5.6 Luna · Big Finance Bench 36%gpt-5-5 · Big Finance Bench 49%claude-opus-4-8 · Big Finance Bench 44%

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。