企业间的结构化关系数据往往稀缺或难以获取，因为许多合作是私下谈判、选择性披露并分散在专有数据库中。这导致创业公司和中小企业难以发现潜在的协作机会。虽然企业概况易于获取，但仅凭业务相似性无法判断合作可能性——相似的企业可能是竞争对手，而差异化的企业可能在产品、技术、渠道、能力或资本上互补。为此我们构建了 FirmCORe（Inter‑Firm Collaboration Opportunity Reasoning），一个人工标注的基准，包含 2,805 对标记的企业配对。任务是：给定两家企业的概况，模型需判断是否存在协作机会；若为正例，还需同时预测机会强度、主要协作类型以及角色方向。FirmCORe 还提供中英双语评测集，实例和金标准完全一致，便于分析输入语言的敏感性。实验使用多种本地部署和托管的大语言模型（LLM），结果显示最强模型在机会检测上达到 74.51% 的 macro‑F1，但在四个输出字段的全匹配上仅为 61.57%。不同模型的语言效应差异显著，高跨语言一致性可能掩盖共享错误。总体而言，现有 LLM 在识别宽泛的协作机会方面相对可靠，但在细化类型和角色方向上仍有较大提升空间。
点评