Terminal X 用 GPT-6.1 做评估智能体，与资深投资人判断吻合度达 88.6%

金融研究平台 Terminal X 近日披露了其评估智能体（Eval Agent）的最新进展。这个智能体的任务，是对平台上其他智能体生成的研究输出进行打分。它依据一套包含 54 项标准的评分表工作，逐项检查内容是否合格。据 OpenAI 发布的案例，Terminal X 把评估智能体切换到 GPT-6.1 Sol 之后，它的打分与资深投资人的判断吻合度达到 88.6%。同时，它能多发现 25% 偏离基金投资授权的情况。这里的投资授权，指的是基金在合同或策略文件中写明的投资范围、风险限制和风格约束。原文公布的核心数字就是这两个：88.6% 的吻合度，以及 25% 的偏离检出提升。需要说明的是，案例没有给出评测样本量、对比基线的具体模型，也没有说明吻合度是按条目还是按整份报告计算，读者在引用这些数字时应保留这层谨慎。

要理解这件事的分量，先要看评估智能体在整个系统里的位置。金融研究类智能体的输出，往往是一份份分析报告、公司点评或组合建议。这类内容的错误很隐蔽：数字可能引错年份，结论可能越过基金章程允许的范围，措辞可能暗含未经证实的判断。靠人工逐份审阅，成本高，也跟不上智能体的产出速度。评估智能体的思路，是把资深投资人的审稿经验拆成 54 条可检查的标准，再让模型逐条打分。这种做法在业内常被称为评分表式评审，或叫模型担任评审。它的难点不在于模型会不会读，而在于能不能稳定地理解一条标准的真实含义。比如授权里写着不得投资某类资产，模型需要判断一段文字是不是间接建议了这类资产。这需要对上下文和金融语义都有细腻的把握。88.6% 的吻合度说明，在这套评分表约束下，模型的判断已经接近资深人士的水平，但它仍然不是百分之百，剩下的差距依然需要人来兜底。另一个值得注意的点是，多发现 25% 的偏离，意味着此前的评估存在漏检。在合规场景里，漏检的代价远高于误报，所以这个数字比吻合度本身更贴近业务价值。

从行业角度看，这个案例反映出智能体应用的重心正在转移。过去一年，大多数讨论集中在如何让智能体完成任务；现在，越来越多团队开始追问如何证明它完成得好。评估智能体正是对这个问题的工程回答。对金融机构来说，影响最直接：合规和风控团队可以把一部分初审工作交给评估智能体，把人力集中到有争议的条目上。对基金经理和研究团队而言，输出被自动对照授权检查，也能降低无意越线的风险。从竞争格局看，金融数据与研究平台长期靠数据覆盖和终端体验竞争，如今质量保证能力正在成为新的差异点。谁能拿出可量化的评审结果，谁就更容易说服机构客户接入智能体。对模型供应商来说，这类案例也是一种背书：OpenAI 把客户在高风险领域的评审表现公开出来，意在说明其新一代模型在长评分表、细粒度判断上更可靠。不过，供应商案例天然带有宣传属性，其他模型在同一评分表上的表现并未公开，横向比较还缺少依据。对中小团队来说，真正可借鉴的是方法而不是数字：先把专家经验拆成可检查的条目，再让模型评审，并持续用人工抽查校准。

接下来有几个信号值得关注。第一，是评测透明度。如果 Terminal X 或 OpenAI 后续公布样本规模、条目级别的一致性、误报与漏报的拆分，这套结果的可信度会大幅提高。第二，是评审模型自身的偏差问题。让模型评审模型，存在偏好相似写作风格、对冗长内容给高分等已知风险，业界通常需要用独立的人工标注集定期复核。第三，是监管态度。金融监管机构对自动化合规检查的接受程度，将决定评估智能体能否从辅助工具升级为正式流程的一环。若监管要求保留人工签字，这类系统的价值将主要体现在提效，而不是替代。第四，是评分表的维护成本。54 项标准会随基金策略、市场环境和法规变化而更新，如何让评估智能体跟着更新而不走样，是长期运营的真正考验。总体来看，88.6% 这个数字说明方向可行，但从可用走向可托付，还需要更多公开数据、更长时间的实战检验，以及清晰的人机分工。