大型语言模型（LLM）代理越来越多地通过检索监管文件来回答金融问题。这类问题常常隐含歧义，例如 Meta Platforms 的“营业收入”在合并报表中为 467.5 亿美元，而在 Family of Apps 部门为 628.7 亿美元，两种数值均可在文件中查证。一个合格的代理应当识别歧义并主动提问，而不是盲目给出一种可能并非提问者意图的答案。现有金融基准只能为每个问题提供唯一金标准答案，无法区分“主动澄清”与“盲目猜测”，我们称之为单金标准幻觉。FinInteract 是一个中英双语基准，收录 173 条实例，每条问题配有默认解释和目标解释，覆盖五类歧义 taxonomy。基准评估代理是否能够先引导出正确的澄清，再将其整合进答案。实验显示，若将相同输出对照默认解释重新评分，GPT‑4o 的准确率会被夸大 3.1 倍，验证了单金标准幻觉的存在。进一步分析发现：在提供明确解释后，模型的回答准确率超过 90%；但若要求模型自行引导澄清，最高准确率仅为 28.9%。在实体范围和指标定义这两类歧义上，模型表现相对均衡；而在探索性歧义上表现较差。将歧义类别作为条件信息，无论在推理阶段还是训练阶段，都能显著提升模型的歧义解析能力。
点评