香港科技大学和澳门大学：AI"法官"破解金融问答中的躲避艺术

这项由香港科技大学和澳门大学联合完成的研究发表于2026年1月，论文编号为arXiv:2601.09142v1，有兴趣深入了解的读者可以通过该编号查询完整论文。

当你打电话询问银行理财产品收益时，客服总是给你绕来绕去的回答，让你听了半天还是不知道具体能赚多少钱。这种"答非所问"的现象在企业财报电话会议中更是司空见惯。分析师提出尖锐问题，企业高管却经常用模糊不清的话语来回应，这种躲避行为可能暗示着企业隐藏了什么重要信息。

研究团队发现了一个有趣的现象：那些在回答问题时经常躲躲闪闪的企业，在接下来的180天内股价表现不佳的概率高达63%。更惊人的是，如果企业回答的语无伦次程度增加40个百分点，其股价在一天内就可能下跌0.74%。这就像是企业管理层用"打太极"的方式泄露了公司的真实状况。

然而，要准确识别这种躲避行为并不容易。就像判断一个人是否在撒谎一样，有时候边界很模糊。企业可能真的无法透露某些机密信息，也可能是故意回避问题。传统的做法是让专家逐一分析每个回答，但这种方法不仅成本高昂，而且在面对大量数据时效率极低。

研究团队想出了一个巧妙的解决方案：让多个AI模型充当"陪审团"，当它们对同一个回答产生分歧时，再由一个更强大的AI"法官"来做最终裁决。这种方法的核心洞察是：如果连最先进的AI模型都对某个回答产生分歧，那么这个回答很可能处于"模糊地带"，正是训练AI系统最需要关注的困难样本。

研究团队构建了一个名为EvasionBench的大型数据集，包含30000个训练样本和1000个人工标注的测试样本。他们将企业的回答分为三个等级：直接回答、模糊回答和完全躲避。这就像是给企业的诚实度打分，从"有问必答"到"顾左右而言他"。

在具体实施过程中，研究团队让Claude Opus 4.5和Gemini-3-Flash这两个先进的AI模型分别对每个问答对进行标注。当两个模型意见一致时，说明这个样本比较容易判断。但当它们产生分歧时（约占17%的样本），就说明遇到了真正困难的边界案例。这时，Claude Opus 4.5会以"法官"身份重新评估双方的判断和理由，做出最终裁决。

这种方法的妙处在于，那些引起AI模型分歧的样本往往是最具学习价值的。就像学生在做练习题时，那些让不同学霸都产生争议的题目，往往是最能提高解题能力的难题。通过专门关注这些"争议样本"，训练出的AI系统在面对新的躲避行为时表现更加出色。

为了验证这种方法的有效性，研究团队还构建了一个对照组，使用传统的单一AI模型标注方法。结果显示，使用多模型加法官方法训练的AI系统准确率达到81.3%，比单一模型方法高出2.4个百分点。更有趣的是，尽管这种方法在训练过程中的损失值更高（0.421 vs 0.393），但在实际测试中表现更好，这证明了"分歧挖掘"确实起到了防止过拟合的作用。

最终训练出的Eva-4B模型只有40亿个参数，却能在准确识别企业躲避行为方面达到与大型商业AI模型相近的水平。这就像是用一台家用电脑实现了超级计算机的部分功能，在保证性能的同时大大降低了使用成本。

研究团队还进行了详细的错误分析，发现AI系统在识别"模糊回答"时难度最大，这与人类专家的判断困难点完全吻合。在人工标注的可靠性测试中，即使是经验丰富的专家，在"模糊回答"类别上的一致性也只有74.3%，而在"直接回答"和"完全躲避"类别上的一致性分别达到95.5%和91.2%。

这项研究的意义远不止于技术创新。在当今信息爆炸的时代，投资者需要从海量的企业信息中提取真正有价值的内容。传统的分析方法往往依赖于专家的主观判断，不仅效率低下，还可能因为个人偏见而产生误判。这个AI系统提供了一种客观、高效的工具，能够帮助投资者更准确地评估企业的透明度。

更重要的是，这种方法还可能促进企业治理的改善。当企业知道他们的回答会被AI系统精确分析时，可能会更倾向于提供直接、诚实的回答，从而提高整个资本市场的信息透明度。

当然，这项研究也有其局限性。目前的数据集主要来源于英语财报电话会议，对其他语言和文化背景的适用性还需要进一步验证。此外，企业可能会学会如何"欺骗"AI系统，开发出更加巧妙的躲避策略。

说到底，这项研究为我们提供了一个全新的视角来理解企业沟通中的微妙之处。就像是给了投资者一副"透视眼镜"，能够看穿企业回答背后的真实意图。虽然AI系统不能完全替代人类的判断，但它确实为我们提供了一个强有力的辅助工具。

对于普通投资者来说，这意味着未来可能会有更多智能化的投资分析工具，帮助他们做出更明智的投资决策。而对于企业管理层来说，这也提醒他们在与投资者沟通时应该更加坦诚直接，因为任何躲避行为都可能被精确识别出来。

归根结底，这项研究推动了金融市场向更加透明、公平的方向发展，让信息不对称的问题得到了技术层面的缓解。

Q&A

Q1：EvasionBench数据集包含什么内容？

A：EvasionBench是一个专门用于检测企业财报问答中躲避行为的数据集，包含30000个训练样本和1000个人工标注测试样本。这些样本都来自企业财报电话会议，按照回答的直接程度分为三类：直接回答、模糊回答和完全躲避。

Q2：多模型加法官的标注方法是如何工作的？

A：这种方法让Claude Opus 4.5和Gemini-3-Flash两个AI模型分别对同一个问答进行标注。当两个模型意见一致时直接采用，当产生分歧时（约17%的样本），由Claude Opus 4.5担任法官角色，评估双方判断和理由后做出最终裁决。

Q3：Eva-4B模型的性能如何？

A：Eva-4B是一个40亿参数的模型，在躲避行为检测任务上达到81.3%的准确率，比传统单一模型方法高出2.4个百分点。它在开源模型中排名第二，整体排名第四，性能接近大型商业AI模型但成本更低。