Terminal X 宣称其在 GPT-6.1 Sol 上运行的评测代理与资深投资人判断有 88.6% 一致率，但该结果来自公司内部流程而非独立验证，样本构成、错误率拆分和完整数据未公开，因此尚不足以作为模型投资能力的结论。文章讨论了 Terminal X 将隐性投资判断编码为可审计记忆与工作流的做法、模型在工作流中的分工及监管与公开验证的必要性。
OpenAI 10月20日发布的一篇创业公司案例显示，金融科技公司 Terminal X 称，其评测代理在 GPT-6.1 Sol 上对投资判断的评分，与资深投资人审核结果有 88.6% 的一致率。在同一组测试中，下一名模型的一致率为86.4%，两者相差220个基点。
这项结果来自 Terminal X 自建的评测流程，而不是公开基准或独立审计。样本包含500项经过评分的判断，评测代理依据一套54项标准检查数字、可比公司、共识数据、引文、叙事逻辑，以及建议是否符合基金自身的投资授权范围。OpenAI和Terminal X没有公布基金类型、样本构成、错误率拆分或完整测试数据，因此这组数字更适合被视为一项企业客户案例中的内部结果，而不是对模型普遍投资能力的结论。
从“保存文件”到保存投资判断
Terminal X将另类资产管理机构面临的问题称为“记忆债务”：公司可能保留了交易文件，却未必保留资深投资人作出判断时使用的隐性方法。当关键人员离开，机构失去的可能不只是文档，还包括如何筛选借款人、如何判断共同投资机会，以及哪些信息会改变一份投资备忘录的结论。
公司称，其工程师和具有投资行业背景的人员会与客户团队一起梳理这些流程，再把未被正式写下的判断方式编码为数百个代理。代理在客户的私有数据室中处理英文、韩文、日文和中文资料，并把历史分析、投委会决定、工作流指令和团队观点保存为可版本管理的“Memory”。
这一路线与企业知识库或普通聊天机器人有所不同。目标不是让模型更快找到一份文件，而是把机构过去如何作出判断，转化为可以重复执行、审计和修正的工作流。Terminal X称，生产查询会记录执行步骤、检索来源、使用的模型和推理过程。
Terminal X首席执行官 Hyun Hong 表示，GPT-6.1 Sol 的长上下文推理和令牌效率，使公司能够建立更深入的评估管线，从而让投资判断变得“可衡量、可审计”。公司联合创始人兼首席技术官 Ken Lee 则说，每次人工纠正都会成为新的记忆、工作流指令或测试用例。
88.6%一致率并不等于投资决策准确率
Terminal X披露的指标衡量的是评测代理与资深人工审核者之间的一致程度，而不是交易收益、风险调整回报或投资建议最终是否正确。一份建议即使符合基金的内部偏好，也可能因为市场变化、数据缺失或判断本身错误而失效；反过来，少数偏离既有风格的建议也未必没有投资价值。
公司还称，GPT-6.1 Sol帮助评测代理多发现约25%偏离基金授权范围的建议，并以大约低30%的单次查询成本运行相同工作流。一个私募股权客户据称通过自动化尽职调查和投资备忘录流程，每年节省约240万美元。这些数字均来自 Terminal X 或其客户的披露，OpenAI页面没有提供独立验证，也没有说明成本比较的基准、工作负载或客户节省的计算方法。
Terminal X给出的例子是，一只收购基金原本寻找低于资产净值交易的私有化机会，但情景模型显示市场可能转向后，代理开始推荐困境信贷或救助融资。评测代理的作用，是检查这类建议是否已经偏离基金的授权，而不是简单判断文字是否流畅。公司称，GPT-6.1 Sol还可以先把投资论点与基金授权范围及近期交易进行比对，对不确定结论重新运行，再整合结果。
类似的金融行业案例已经显示，AI代理的价值取决于研究环境、评估标准和人工控制，而不只是模型的基准分数。OpenAI介绍Jump Trading如何用GPT-6 Astra扩展量化研究的案例同样强调了数据泄漏、过度拟合、回测验证和人工复核等边界，而不是把代理产生的研究结果直接当成交易结论。
模型选择开始成为工作流设计问题
OpenAI在另一篇产品介绍中把 GPT-6.1 Sol定位为接近 GPT-6 Astra 能力、但价格更低的模型：标准API输入价格为每百万令牌2美元，输出价格为每百万令牌10美元；缓存输入为每百万令牌0.10美元。OpenAI称，该模型在复杂编码、计算机操作和专业工作上接近 Astra，但这些结果来自OpenAI自己的评测环境，不代表所有生产部署都会得到相同表现。
Terminal X的做法并不是让一个模型处理所有任务。公司称，GPT-6.1 Sol负责投资论点综合、识别关键因素和判断是否符合授权范围等需要深度推理的步骤；GPT-6 Luna则处理更高频、但更重视令牌效率的工作。模型因此被嵌入一套任务分工和复核机制，而不是作为一个独立的“投资顾问”使用。
企业知识进入代理工作流后，权限和责任也会变得更加具体。AIFlux此前对OpenAI与Atlassian扩大合作、让企业知识驱动AI代理行动的报道指出，当模型不只是读取资料，而是能够写回任务系统时，权限控制、审计日志、人工审批和错误恢复就会成为产品能否进入生产环境的关键条件。金融机构还需要额外处理客户数据、未公开信息、交易审批和监管记录等问题。
金融稳定委员会近期发布的智能体AI风险管理指引也把关注点从最终答案扩展到执行过程，要求金融机构识别高风险场景，设置人工介入触发条件，并确保智能体的行动能够被记录、暂停和审计。这类建议并不等于全球统一的强制法规，但说明监管讨论正在从“模型说得对不对”转向“模型获得了什么权限、调用了什么工具，以及谁能够在它越界前停止它”。
公开验证仍是下一道门槛
Terminal X称，目前已经建立1,700个机构记忆，运行超过100万个定制工作流，周活跃用户相当于月活跃用户的81%。公司下一步计划把机构层面的记忆扩展到个人投资人，让系统记录投资标准在实际工作中的变化。
但这些规模和使用率数据仍无法回答几个关键问题：88.6%的结果是否在不同资产类别、语言和交易规模中保持稳定；500项判断中有多少属于简单一致、有多少涉及真正困难的投资冲突；评测代理是否可能偏向于重复基金过去的判断；以及自动化节省是否经过独立审计。
要判断这类系统是否真正改善投资流程，市场还需要看到更细的错误分类、假阳性和假阴性数据、第三方复现，以及在真实部署中对风险调整后结果的长期观察。在此之前，Terminal X的案例更准确的意义，是展示金融机构正在尝试把投资经验转化为可记录、可评估、可复用的组织资产，而不是证明GPT-6.1 Sol已经能够替代资深投资人的判断。
来源：