Evaluación comparativa de más de 40 LLMs en Finanzas: Claude Fable 5 y GPT-5
Evaluamos más de 40 LLMs en finanzas con 238 preguntas difíciles del benchmark FinanceReasoning para identificar qué modelos sobresalen en tareas de razonamiento financiero complejas como análisis de estados financieros, previsión y cálculos de ratios.
LLM panorama de la evaluación comparativa en finanzas
Evaluamos LLMs con 238 preguntas difíciles del benchmark FinanceReasoning (Tang et al.).1 Este subconjunto aborda las tareas de razonamiento financiero más desafiantes, evaluando razonamiento cuantitativo complejo de múltiples pasos que involucra conceptos y fórmulas financieras. Nuestra evaluación empleó un diseño de prompt personalizado y criterios de puntuación de precisión y consumo de tokens.
Para una explicación detallada de cómo se calcularon estas métricas y el marco utilizado para esta evaluación, consulte nuestra metodología de evaluación comparativa financiera.
Resultados: ¿Cuál es el mejor LLM para finanzas?
Modelos de primer nivel (>83% de precisión):
claude-fable-5 obtiene la mayor precisión en la evaluación comparativa con un 90,34% y 183.258 tokens. Es el primer modelo en superar el 90% en este benchmark, por delante de claude-opus-4.8 (89,08%).
claude-opus-4.8 obtiene una precisión del 89,08% con 113.434 tokens, el segundo mejor resultado y el menor recuento de tokens de salida entre los modelos por encima del 88%.
gpt-5-2025-08-07 obtiene una precisión del 88,23% con 829.720 tokens, el tercer mejor resultado en la evaluación comparativa.
claude-opus-4.6 obtiene una precisión del 87,82% con 164.369 tokens, un rendimiento cercano al tope con una fracción del número de tokens de gpt-5.
gpt-5-mini-2025-08-07 alcanza una precisión del 87,39% con 595.505 tokens, ofreciendo una alternativa sólida dentro de la familia GPT-5.
gemini-3.5-flash alcanza una precisión del 86,97% con 1.191.757 tokens, la mayor precisión en la línea Flash de Google pero también el mayor consumidor de tokens de la familia.
gemini-3.1-pro-preview obtiene una precisión del 86,55% con 475.148 tokens, superando a su predecesor gemini-3-pro-preview (86,13%) consumiendo un 35% menos de tokens (730.759 tokens).
glm-5.2 obtiene una precisión del 86,13% con 735.988 tokens. Mejora con respecto a glm-4.5 (64,29%) en 21,84 puntos, el mayor salto entre dos versiones de la misma familia de modelos en la evaluación comparativa; el siguiente más grande es de 3,79 puntos. El recuento de 735.988 tokens es el tercero más alto en el nivel superior, por detrás de gemini-3.5-flash y gpt-5-2025-08-07.
gemini-3-pro-preview y gpt-5.2 están empatados con una precisión del 86,13%. gpt-5.2 alcanza la misma precisión con 247.660 tokens, siendo aproximadamente tres veces más eficiente en tokens de salida que gemini-3-pro-preview con 730.759 tokens.
claude-opus-4.7 obtiene una precisión del 85,29% con 103.268 tokens, el modelo más eficiente en tokens en el nivel superior (un 37% menos de tokens de salida que claude-opus-4.6 superando el umbral del 83%).
Modelos fuertes (80-83% de precisión):
grok-4.3 alcanza una precisión del 84,87% con 309.781 tokens, el resultado más fuerte de xAI en la evaluación comparativa y una recuperación con respecto al anterior grok-4-0709
claude-opus-4.5 ofrece una precisión del 84,03% con 144.505 tokens, manteniendo el sólido equilibrio de Claude entre rendimiento y eficiencia.
claude-sonnet-4.6 y gemini-3-flash-preview están empatados con una precisión del 83,61%. Claude Sonnet 4.6 utiliza 161.035 tokens, mientras que Gemini 3 Flash Preview logra esto con 118.530 tokens, lo que la convierte en la opción más eficiente en tokens entre todos los modelos de alto rendimiento.
kimi-k2.5 logra una precisión del 82,77% pero requiere 877.868 tokens, el mayor consumo entre los modelos de este nivel de rendimiento.
Nivel medio (70-80% de precisión):
o3-pro-2025-06-10 (78,15% de precisión, 473.659 tokens) y kimi-k2 (78,15% de precisión, 100.323 tokens) están empatados. Kimi-k2 es el modelo más eficiente de este grupo.
o3-mini-2025-01-31 (77,31% de precisión, 376.929 tokens), gpt-5-nano-2025-08-07 (76,89% de precisión, 1.028.909 tokens) y claude-sonnet-4-20250514 (76,05% de precisión, 135.462 tokens) les siguen de cerca.
Modelos de bajo rendimiento (<70% de precisión):
claude-3-5-sonnet-20241022 (67,65% de precisión, 90.103 tokens) y gpt-oss-20b (67,65% de precisión, 515.041 tokens) lideran este nivel.
gemini-2.5-flash (65,55% de precisión, 286.603 tokens), glm-4.5 (64,29% de precisión, 692.662 tokens) y gpt-4.1-nano-2025-04-14 (63,45% de precisión, 171.096 tokens) les siguen.
Conclusiones sobre el rendimiento:
La evaluación comparativa no muestra una correlación clara entre el consumo de tokens y la precisión. deepseek-r1-0528 consumió la mayor cantidad de tokens (1.251.064) pero solo logró una precisión del 62,18%, mientras que claude-opus-4-20250514 obtuvo un 80,25% con 132.274 tokens.
La eficiencia de tokens varía incluso entre los modelos de alto rendimiento. gemini-3-flash-preview utiliza 118.530 tokens para alcanzar una precisión del 83,61%, mientras que kimi-k2.5 consume 877.868 tokens para un 82,77% (7,4 veces más tokens por 0,84 puntos porcentuales menos de precisión).
La tabla anterior presenta otras evaluaciones comparativas de modelos de IA, incluidas las utilizadas para esta evaluación.
Costo por ejecución de la evaluación comparativa
Los tokens de salida por sí solos no determinan el gasto, ya que las tarifas de tokens de entrada y salida difieren en un orden de magnitud en la mayoría de los proveedores. Calculamos el costo en dólares de ejecutar cada modelo en las 238 preguntas utilizando la tarifa por token indicada por el proveedor en el momento de la ejecución.
Mejor relación costo-precisión en el nivel frontera. grok-4.3 alcanza una precisión del 84,87% por un gasto total de $0,86, el costo en dólares más bajo en la banda de precisión >83%. El siguiente modelo frontera más cercano por costo es gemini-3-flash-preview con $0,39 para un 83,61%.
El nuevo líder en precisión paga un sobreprecio. claude-fable-5 alcanza la máxima precisión de la evaluación comparativa del 90,34% a un costo de $10,05 por ejecución, aproximadamente tres veces el costo de claude-opus-4.8 ($3,28 para 89,08%). claude-opus-4.8 sigue siendo el modelo más barato en la evaluación comparativa que supera el 88% de precisión.
Razonamiento premium a precio premium. o1-pro es el modelo de mayor costo en la evaluación comparativa con $381 para una precisión del 80,67% (debido a tarifas de $150/M de entrada y $600/M de salida). o3-pro cuesta $39,23 para un 78,15%, o1 cuesta $46,59 para un 74,79%. Ninguno de estos alcanza el nivel superior; los tres están por debajo de claude-opus-4.7 en precisión y 10x+ por encima en costo.
El nivel económico sigue siendo competitivo en términos de precisión. gpt-oss-120b alcanza una precisión del 81,09% por un total de $0,06, la ejecución más barata de la evaluación comparativa, y cerca del umbral del 83%. llama-4-maverick alcanza un 75,21% por $0,10. Para cargas de trabajo donde una precisión del 80% es suficiente, estos modelos cuestan menos del 1% de los buques insignia de frontera.
Metodología de evaluación comparativa de razonamiento financiero
Nuestra evaluación comparativa proporciona una evaluación justa, transparente y reproducible del rendimiento de los modelos de lenguaje de gran tamaño (LLM) en tareas de razonamiento financiero complejas.
Configuración de prueba y corpus de datos
- Suite de evaluación comparativa: Utilizamos los datos, el código y los scripts de evaluación del benchmark FinanceReasoning. Lo seleccionamos por su enfoque especializado en problemas financieros cuantitativos e inferenciales.
- Corpus de conocimiento y consultas de prueba: Centramos nuestro análisis en el subconjunto difícil, que comprende 238 preguntas desafiantes. Tal como se define en el benchmark, cada punto de datos incluye:
- Una pregunta que requiere deducción lógica y numérica en varios pasos.
- Un contexto, que a menudo contiene información densa presentada en formatos estructurados como tablas Markdown (por ejemplo, balances, datos de rendimiento de acciones).
- Una respuesta de verdad fundamental definitiva para una puntuación objetiva.
- Tipos de consultas ilustrativas: La dificultad del benchmark radica en su requisito de que los modelos manejen tareas de razonamiento financiero diversas y complejas. Para ilustrar esta amplitud, destacamos dos ejemplos representativos del conjunto de prueba:
Ejemplo: Razonamiento algorítmico y de series temporales (análisis técnico)
Contexto: Un inversor está analizando… los precios de las acciones durante los últimos 25 días… para calcular el Canal de Keltner utilizando un período EMA de 10 días y un período ATR de 10 días, con un multiplicador de 1,5…
Pregunta: ¿Cuál es el valor de la última banda superior en el Canal de Keltner…? Responda con dos decimales.
Esta consulta evalúa la capacidad de un modelo para actuar como analista cuantitativo mediante:
- Descomponer un indicador compuesto: Reconocer que el “Canal de Keltner” se deriva de otros dos indicadores complejos:
- la media móvil exponencial (EMA)
- El promedio del rango verdadero (ATR).
- Implementar lógica algorítmica: Implementar correctamente los algoritmos iterativos para EMA y ATR desde cero sobre una serie temporal de 25 puntos de datos.
- Sintetizar resultados: Combinar los valores calculados de acuerdo con la fórmula final del Canal de Keltner (Banda Superior = EMA + (Multiplicador × ATR)).
Principios básicos de evaluación
- Llamadas API aisladas y estandarizadas: Para cada modelo, realizamos la evaluación de forma programática a través de sus respectivos puntos finales de API (por ejemplo, OpenRouter, OpenAI). Esto garantizó que cada modelo recibiera exactamente la misma entrada en condiciones idénticas, eliminando la variabilidad de las interacciones de la interfaz de usuario.
- Generación de forma libre: No limitamos los modelos a un formato de opción múltiple. En cambio, se les pidió que generaran una respuesta completa y de forma libre, lo que permite una evaluación más auténtica de sus capacidades de razonamiento.
- Indicación de Cadena de Pensamiento (CoT): Para obtener y evaluar el proceso de razonamiento de los modelos, empleamos una estrategia de indicación de Cadena de Pensamiento (CoT). La indicación del sistema instruía explícitamente a cada modelo a “primero pensar en el problema paso a paso” antes de concluir con una respuesta final. Este enfoque permite un análisis más profundo de cómo un modelo llega a su conclusión, más allá de la salida final.
Métricas y marco de evaluación
Utilizamos el marco de evaluación totalmente automatizado del propio benchmark FinanceReasoning para puntuar las salidas de los modelos. Este marco está diseñado para medir tanto la corrección conceptual como el costo computacional.
1. Métrica principal: Precisión
Esta métrica responde a la pregunta crítica: “¿Puede el modelo resolver correctamente el problema financiero?” El proceso de puntuación implica un sofisticado proceso en dos pasos:
- Paso 1: Extracción de respuesta basada en LLM: La salida sin procesar de un modelo es texto no estructurado que contiene tanto el razonamiento como una respuesta final. Para analizar de manera fiable el valor numérico o booleano, utilizamos un modelo supervisor (anthropic/claude-sonnet-4.5) como analizador.
- Paso 2: Comparación basada en tolerancia: Una simple “coincidencia exacta” es insuficiente para problemas numéricos. Por lo tanto, la respuesta extraída se comparó programáticamente con la verdad fundamental. El script aplica un umbral de tolerancia numérica (una diferencia relativa del 0,2%) para manejar de manera justa pequeñas variaciones de punto flotante o redondeo, asegurando que las soluciones conceptualmente sólidas se marquen como correctas.
2. Métrica secundaria: Consumo de tokens
Esta métrica responde a la pregunta: “¿Cuán costoso computacionalmente es para el modelo resolver estos problemas?” Mide el costo total asociado a la generación de las 238 respuestas.
- Cálculo de tokens: Para cada llamada API recopilamos prompt_tokens y completion_tokens del objeto de uso del proveedor. La puntuación de tokens por modelo es la suma de completion_tokens en las 238 preguntas. Informamos los tokens de finalización (no los tokens totales) porque la entrada es casi constante entre los modelos que comparten el mismo conjunto de datos (66k-92k tokens de entrada por ejecución según el tokenizador).
- Cálculo de costos: Calculamos el costo en dólares como prompt_tokens × precio_prompt_por_M + completion_tokens × precio_completion_por_M, sumados en las 238 preguntas. Los precios son las tarifas por token listadas desde el endpoint OpenRouter /api/v1/models en el momento en que se ejecutó el modelo.
Este enfoque de dos métricas, proporcionado por el propio benchmark FinanceReasoning, permite una evaluación holística, equilibrando la capacidad bruta de resolución de problemas de un modelo (precisión) con su eficiencia operativa (consumo de tokens).
Razonamiento financiero con Generación Aumentada por Recuperación (RAG)
Para superar a los modelos independientes, diseñamos e implementamos un RAG framework personalizado distinto de la implementación original del benchmark. Nuestro enfoque se basa en una pila moderna de base de datos vectorial (Qdrant) para proporcionar a los LLMs conocimiento relevante y específico del dominio en el momento de la inferencia, ayudándoles a resolver problemas más allá de sus datos de entrenamiento. Probamos esto en gpt-4o-mini para medir su impacto.
Resultados y análisis: El equilibrio de RAG
La introducción de RAG tuvo un impacto significativo y medible en el rendimiento de gpt-4o-mini.
Conclusiones clave de la evaluación de RAG:
- Mejora significativa de la precisión: RAG mejoró demostrablemente la capacidad de resolución de problemas del modelo, aumentando la precisión en más de 10 puntos porcentuales. Esto confirma que proporcionar contexto externo relevante es muy eficaz para tareas de razonamiento complejas y específicas del dominio.
- El costo de la precisión: Esta ganancia de rendimiento tuvo un alto costo. El consumo total de tokens aumentó casi 18 veces, y el tiempo total de ejecución aumentó 20 veces. Esto se debe a las llamadas API adicionales para la incorporación y, lo que es más importante, a los prompts mucho más grandes y complejos que el LLM debe procesar.
- Implicaciones para modelos más grandes: Los resultados de gpt-4o-mini sugieren que, si bien RAG puede desbloquear un mayor rendimiento, aplicar este método a modelos más grandes y costosos como GPT-4o o Claude Opus será sustancialmente más costoso y lento. Esto resalta el equilibrio crítico entre precisión, costo y latencia al diseñar sistemas de IA financieros de grado de producción.
Metodología de RAG para razonamiento financiero
Nuestra canalización de RAG se basa en una pila moderna que utiliza Qdrant como base de datos vectorial y el modelo text-embedding-3-small de OpenAI para generar representaciones vectoriales semánticas. El proceso consta de dos fases principales: una fase de indexación fuera de línea y una fase de recuperación-generación en línea.
1. Indexación del corpus de conocimiento
- Creación del corpus: Seleccionamos una base de conocimiento especializada a partir de dos fuentes proporcionadas por el benchmark:
- Documentos financieros: Una colección de artículos (financial_documents.json) que explican diversos conceptos y términos financieros.
- Funciones financieras: Una biblioteca de funciones Python listas para usar (functions-article-all.json) diseñadas para resolver cálculos financieros específicos.
- Fragmentación inteligente e incrustación: Para preparar este corpus para una recuperación eficiente, cada documento y función se procesó e indexó:
- Fragmentación: Los documentos se segmentaron en fragmentos más pequeños y semánticamente coherentes según sus secciones. Cada función Python se trató como un único fragmento atómico. Esto asegura que el contexto recuperado sea enfocado y relevante.
- Incrustación: Cada fragmento se convirtió luego en un vector de 1536 dimensiones utilizando el modelo text-embedding-3-small.
- Indexación: Estos vectores se indexaron en dos colecciones separadas dentro de nuestra instancia local de Qdrant (financial_documents_openai_small y financial_functions_openai_small), optimizadas para la búsqueda por similitud de coseno.
2. Inferencia potenciada por RAG
Para cada una de las 238 preguntas, el proceso de razonamiento del modelo se aumentó con los siguientes pasos automatizados:
- Generación de incrustación (llamadas API 1 y 2): La consulta del usuario (pregunta + contexto) se convirtió en un vector de incrustación. Esto requirió dos llamadas a la API de incrustación de OpenAI para preparar las búsquedas en ambas colecciones.
- Recuperación de múltiples fuentes: El vector de consulta se utilizó para realizar una búsqueda semántica en ambas colecciones de Qdrant simultáneamente para recuperar la información más relevante:
- Los 3 fragmentos de documentos más relevantes de la colección financial_documents.
- Las 2 funciones Python más relevantes de la colección financial_functions.
- Aumento del prompt: Los documentos y funciones recuperados se inyectaron dinámicamente en el prompt, creando un “paquete de información” rico y consciente del contexto. Esto aumentó significativamente el tamaño del prompt de entrada (de ~300-500 tokens a ~3.000-5.000+ tokens).
- Generación de la respuesta final (llamada API 3): Este prompt aumentado se envió al modelo gpt-4o-mini para generar la respuesta razonada final.
Añadir como fuente preferidaLimitaciones de la evaluación comparativa de LLMs en finanzas
Nuestra evaluación comparativa, aunque exhaustiva, está sujeta a varias limitaciones clave:
- Riesgo de contaminación de datos: Es posible que estos modelos hayan sido entrenados con el conjunto de datos del benchmark, ya que el conjunto de datos es público. Esto podría llevar a puntuaciones infladas, dificultando la evaluación de la verdadera capacidad de razonamiento.
- Análisis de RAG en un solo modelo: La evaluación de RAG se realizó en un solo modelo (gpt-4o-mini), por lo que las compensaciones observadas entre rendimiento y costo pueden no aplicarse a todos los demás modelos.
Conclusión
Nuestra evaluación comparativa de más de 40 modelos en tareas de razonamiento financiero complejas revela hallazgos clave:
- Mayor precisión en la evaluación comparativa: claude-fable-5 con un 90,34% y 183.258 tokens, el primer modelo en superar el 90% en este benchmark. Cuesta $10,05 por ejecución, aproximadamente tres veces claude-opus-4.8.
- Mejor relación calidad-precio en la cima: claude-opus-4.8 con un 89,08% y 113.434 tokens. Supera a gpt-5-2025-08-07 (88,23%) con aproximadamente 7 veces menos tokens de salida y menos de la mitad del costo ($3,28 vs. $8,38). Es el modelo más barato en la evaluación comparativa por encima del 88% de precisión.
- Existen múltiples alternativas sólidas: claude-opus-4.6 (87,82%) y gpt-5-mini-2025-08-07 (87,39%) ofrecen un rendimiento cercano a la cima, con Claude Opus 4.6 lográndolo con un consumo de tokens significativamente menor (164.369 tokens).
- Las mejoras generacionales importan: gemini-3.1-pro-preview (86,55%) supera a gemini-3-pro-preview (86,13%) utilizando un 35% menos de tokens, lo que demuestra que las actualizaciones iterativas de los modelos pueden mejorar tanto la precisión como la eficiencia.
- Eficiencia y precisión: gemini-3-flash-preview logra una precisión del 83,61% con 118.530 tokens, demostrando que alto rendimiento y bajo costo pueden coexistir. De manera similar, gpt-5.2 demuestra una fuerte eficiencia con 247.660 tokens logrando una precisión del 86,13%.
- Impacto de RAG: La Generación Aumentada por Recuperación (RAG) aumenta significativamente la precisión de un modelo (+10 puntos porcentuales para gpt-4o-mini) pero a un costo sustancial en términos de consumo de tokens (aumento de 18x) y latencia (20x más lento).
Registro de cambios
Agregamos modelos a esta evaluación comparativa con cada nuevo lanzamiento.
22 de junio de 2026
- Zhipu AI: GLM-5.2 (z-ai/glm-5.2)
10 de junio de 2026
- Anthropic: Claude Fable 5 (anthropic/claude-fable-5)
2 de junio de 2026
- Anthropic: Claude Opus 4.8 (anthropic/claude-opus-4.8)
22 de mayo de 2026
- Google: Gemini 3.5 Flash (google/gemini-3.5-flash)
- xAI: Grok 4.3 (x-ai/grok-4.3)
- Se agregó la columna de costo por ejecución del benchmark y el interruptor del gráfico de precisión vs costo. Metodología actualizada con la fórmula de cálculo de costos y el cambio del extractor de respuestas (claude-sonnet-4.5)
20 de abril de 2026
- Anthropic: Claude Opus 4.7 (anthropic/claude-opus-4.7)
20 de febrero de 2026
- Google: Gemini 3.1 Pro Preview (google/gemini-3.1-pro-preview)
- Anthropic: Claude Sonnet 4.6 (anthropic/claude-sonnet-4.6)
6 de febrero de 2026
- Anthropic: Claude Opus 4.6 (anthropic/claude-opus-4.6)
- Anthropic: Claude Opus 4.5 (anthropic/claude-opus-4.5)
- Anthropic: Claude Sonnet 4.5 (anthropic/claude-sonnet-4.5)
- Google: Gemini 3 Pro Preview (google/gemini-3-pro-preview)
- Google: Gemini 3 Flash Preview (google/gemini-3-flash-preview)
- OpenAI: GPT-5.2 (openai/gpt-5.2)
- Moonshot AI: Kimi K2.5 (moonshotai/kimi-k2.5)
Lecturas adicionales
El análisis financiero puede referirse a múltiples capacidades, como el análisis de acciones, la interpretación de la ley financiera y el razonamiento financiero. En nuestra evaluación comparativa, nos centramos específicamente en el razonamiento financiero, mientras que otras tareas se tratan en artículos separados:
- LLM para análisis de acciones: Estos modelos ayudan a procesar datos de mercado, informes de empresas y noticias para identificar oportunidades de inversión. (Ver análisis completo aquí: AI-based Stock Trading)
- IA para derecho financiero: Algunos LLMs pueden interpretar regulaciones financieras, contratos y requisitos de cumplimiento para asistir en tareas legales-financieras. (Consulte nuestra lista de herramientas de IA legal aquí: Legal AI Tools)
Preguntas frecuentes
Un LLM (modelo de lenguaje de gran tamaño) en finanzas es un modelo de IA que utiliza técnicas de procesamiento del lenguaje natural para realizar análisis financieros complejos, gestión de cumplimiento y comprensión de documentos. Estos modelos ayudan a las instituciones financieras a navegar por la legislación financiera, los requisitos regulatorios y las demandas dinámicas de la industria financiera.
Chatbots inteligentes:
Los asistentes virtuales impulsados por LLM permiten a las empresas financieras ofrecer soporte al cliente automatizado las 24 horas del día, los 7 días de la semana, gestionando consultas rutinarias y tareas de incorporación sin intervención humana. Esto reduce los tiempos de espera y mejora la satisfacción del cliente, liberando a los agentes humanos para cuestiones complejas.
Asesoramiento y análisis:
Los bancos de inversión utilizan LLMs para analizar tendencias del mercado, noticias financieras y datos de clientes. Estos modelos digieren grandes volúmenes de información no estructurada, lo que permite a los asesores ofrecer asesoramiento de inversión personalizado y gestión de carteras con información en tiempo real.
Análisis de documentos regulatorios:
Los bufetes de abogados y las instituciones financieras emplean LLMs para procesar documentos regulatorios densos como las presentaciones ante la SEC. Estos modelos extraen información clave y resumen informes, reduciendo el tiempo de revisión manual y ayudando a las empresas a cumplir con las regulaciones en evolución.
Detección de fraudes:
Los LLMs analizan grandes conjuntos de datos financieros en tiempo real para detectar patrones de transacciones sospechosas y tácticas de fraude emergentes. Sus capacidades de aprendizaje continuo permiten una identificación de fraudes más rápida y precisa que los métodos tradicionales.
Automatización legal y de cumplimiento:
Los bufetes de abogados y los equipos de cumplimiento utilizan LLMs para revisar contratos, interpretar leyes bancarias y verificar el cumplimiento normativo. La automatización de estas tareas reduce el tiempo de revisión y los costos legales, al tiempo que garantiza el cumplimiento de regulaciones financieras complejas.
Preguntas y respuestas sobre documentos y Reconocimiento de Entidades Nombradas (NER):
Las instituciones financieras implementan LLMs para responder preguntas de los inversores extrayendo datos de informes financieros y conferencias de resultados. NER permite el etiquetado automático de nombres de empresas, símbolos bursátiles (símbolos de clase de negociación) y entidades regulatorias, agilizando la recuperación de datos.
Eficiencia y automatización: Los LLMs automatizan análisis rutinarios (por ejemplo, resumir informes de ganancias, procesar préstamos o presentaciones), ahorrando horas de analistas y reduciendo errores.
Servicio al cliente 24/7: Los asistentes virtuales de IA y los chatbots impulsados por LLMs pueden gestionar consultas de clientes las 24 horas del día con respuestas conversacionales, mejorando la experiencia y satisfacción del cliente.
Asesoramiento financiero personalizado: Al analizar el historial y el perfil de riesgo de un cliente, los LLMs ofrecen asesoramiento financiero o de inversión personalizado.
Detección de fraudes y gestión de riesgos: Los LLMs examinan grandes conjuntos de datos de transacciones para detectar anomalías o patrones de fraude, adaptándose a nuevas tácticas de estafa y ayudando a construir perfiles de riesgo.
Cumplimiento e informes: Los LLMs redactan automáticamente informes regulatorios, extraen hechos relevantes para las políticas y ayudan a analizar leyes y regulaciones financieras complejas para el cumplimiento.
Sí, existen varios modelos más grandes específicos del dominio para finanzas. Por ejemplo, BloombergGPT está diseñado para ayudar con la regulación financiera, los mercados de capitales y la gestión de cumplimiento procesando grandes conjuntos de datos financieros, incluidos documentos de la bolsa nacional de valores y presentaciones regulatorias.
Otros modelos como FinBERT y FinGPT se centran en la legislación financiera, el derecho bancario internacional y el asesoramiento financiero personalizado, adaptando los modelos de lenguaje de gran tamaño al vocabulario especializado de las finanzas, como los símbolos de clase de negociación y los textos regulatorios.
El razonamiento financiero es la capacidad de analizar datos financieros para tomar decisiones empresariales o de inversión informadas.
Las principales tareas incluyen:
– Analizar estados financieros (beneficios, flujo de caja, balance)
– Presupuestación y previsión
– Evaluar inversiones (VAN, TIR, ROI)
– Gestionar el flujo de caja y la liquidez
– Evaluar riesgos financieros y ratios de rendimiento
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{sar2026,
author = {Sarı, Ekrem},
title = {{Evaluación comparativa de más de 40 LLMs en Finanzas: Claude Fable 5 y GPT-5}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/finance-llm}},
note = {AIMultiple. Recuperado el 30 de Junio de 2026}
}Resultados y marcas de tiempo de 46 puntos de datos. Descargue los datos utilizados en este artículo como un archivo ZIP que contiene un archivo CSV y un README.
Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.