TreasuryQA Bench 测试 AI 读取扫描财务档案

2026年10月30日，arXiv Artificial Intelligence 刊出 Ritiz Tambi 等作者的报道，提出并发布 TreasuryQA Bench 基准，用于测试 AI 智能体在扫描版财务档案中检索文件并给出精确数字的能力。该基准包含 70 道题，覆盖 1,435 份扫描版美国财政部出版物，这些文件存放于 Veris 的高保真 Dropbox 副本中。报道称，表现最好的 Claude Opus 5.5 在 Claude Code 中解决了 64.8% 的尝试，最差的 GPT-5.6 Terra 在 Codex 中仅解决 16.7%。所有智能体在扫描最模糊的文件上成功率都下降，失败多为读错数字而非拒答。目前事件进展限于基准发布与首轮评测结果，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。