Benchmark di 40+ LLM nella Finanza: Claude Fable 5 & GPT-5
Abbiamo valutato oltre 40 LLM nella finanza su 238 domande difficili del benchmark FinanceReasoning per identificare quali modelli eccellono in compiti complessi di ragionamento finanziario come l'analisi di bilancio, le previsioni e i calcoli di rapporti finanziari.
Panoramica del benchmark finanziario per LLM
Abbiamo valutato gli LLM su 238 domande difficili del benchmark FinanceReasoning (Tang et al.).1 Questo sottoinsieme affronta i compiti di ragionamento finanziario più impegnativi, valutando il ragionamento quantitativo complesso e multi-fase che coinvolge concetti e formule finanziarie. La nostra valutazione ha impiegato una progettazione personalizzata dei prompt e criteri di punteggio basati su accuratezza e consumo di token.
Per una spiegazione dettagliata di come sono state calcolate queste metriche e del framework utilizzato per questa valutazione, consulta la nostra metodologia del benchmark finanziario.
Risultati: Qual è il miglior LLM per la finanza?
Modelli di fascia alta (accuratezza >83%):
claude-fable-5 ottiene l'accuratezza più alta nel benchmark con il 90,34% e 183.258 token. È il primo modello a superare il 90% in questo benchmark, davanti a claude-opus-4.8 (89,08%).
claude-opus-4.8 ottiene un'accuratezza dell'89,08% con 113.434 token, il secondo risultato più alto e il conteggio di token in uscita più basso tra i modelli sopra l'88%.
gpt-5-2025-08-07 ottiene un'accuratezza dell'88,23% con 829.720 token, il terzo risultato più alto nel benchmark.
claude-opus-4.6 ottiene un'accuratezza dell'87,82% con 164.369 token, prestazioni quasi al top con una frazione del conteggio di token di gpt-5.
gpt-5-mini-2025-08-07 raggiunge l'87,39% di accuratezza con 595.505 token, offrendo una valida alternativa all'interno della famiglia GPT-5.
gemini-3.5-flash raggiunge l'86,97% di accuratezza con 1.191.757 token, la più alta accuratezza nella linea Flash di Google ma anche il maggior consumatore di token della famiglia.
gemini-3.1-pro-preview ottiene l'86,55% di accuratezza con 475.148 token, superando il suo predecessore gemini-3-pro-preview (86,13%) consumando il 35% di token in meno (730.759 token).
glm-5.2 ottiene un'accuratezza dell'86,13% con 735.988 token. Migliora rispetto a glm-4.5 (64,29%) di 21,84 punti, il salto più grande tra due versioni della stessa famiglia di modelli nel benchmark; il successivo più grande è di 3,79 punti. Il conteggio di 735.988 token è il terzo più alto nella fascia alta, dietro gemini-3.5-flash e gpt-5-2025-08-07.
gemini-3-pro-preview e gpt-5.2 sono a pari merito con un'accuratezza dell'86,13%. gpt-5.2 raggiunge la stessa accuratezza con 247.660 token, circa tre volte più efficiente in token di output rispetto a gemini-3-pro-preview con 730.759 token.
claude-opus-4.7 ottiene un'accuratezza dell'85,29% con 103.268 token, il modello più efficiente in token nella fascia alta (37% di token in uscita in meno rispetto a claude-opus-4.6 pur superando la soglia dell'83%).
Buoni performer (accuratezza 80-83%):
grok-4.3 raggiunge l'84,87% di accuratezza con 309.781 token, il miglior risultato di xAI nel benchmark e un recupero rispetto al precedente grok-4-0709
claude-opus-4.5 offre un'accuratezza dell'84,03% con 144.505 token, mantenendo il forte equilibrio di Claude tra prestazioni ed efficienza.
claude-sonnet-4.6 e gemini-3-flash-preview sono a pari merito con un'accuratezza dell'83,61%. Claude Sonnet 4.6 usa 161.035 token mentre Gemini 3 Flash Preview raggiunge questo risultato con 118.530 token, rendendolo l'opzione più efficiente in token tra tutti i modelli ad alte prestazioni.
kimi-k2.5 raggiunge l'82,77% di accuratezza ma richiede 877.868 token, il consumo più alto tra i modelli di questa fascia di prestazioni.
Fascia media (accuratezza 70-80%):
o3-pro-2025-06-10 (78,15% di accuratezza, 473.659 token) e kimi-k2 (78,15% di accuratezza, 100.323 token) sono a pari merito. Kimi-k2 è il modello più efficiente in questo gruppo.
o3-mini-2025-01-31 (77,31% di accuratezza, 376.929 token), gpt-5-nano-2025-08-07 (76,89% di accuratezza, 1.028.909 token) e claude-sonnet-4-20250514 (76,05% di accuratezza, 135.462 token) seguono da vicino.
Performer bassi (accuratezza <70%):
claude-3-5-sonnet-20241022 (67,65% di accuratezza, 90.103 token) e gpt-oss-20b (67,65% di accuratezza, 515.041 token) guidano questa fascia.
gemini-2.5-flash (65,55% di accuratezza, 286.603 token), glm-4.5 (64,29% di accuratezza, 692.662 token) e gpt-4.1-nano-2025-04-14 (63,45% di accuratezza, 171.096 token) seguono.
Approfondimenti sulle prestazioni:
Il benchmark non mostra una chiara correlazione tra consumo di token e accuratezza. deepseek-r1-0528 ha consumato il maggior numero di token (1.251.064) ma ha ottenuto un'accuratezza del 62,18%, mentre claude-opus-4-20250514 ha ottenuto l'80,25% con 132.274 token.
L'efficienza dei token varia anche tra i modelli ad alte prestazioni. gemini-3-flash-preview usa 118.530 token per raggiungere l'83,61% di accuratezza, mentre kimi-k2.5 consuma 877.868 token per l'82,77% (7,4x più token per 0,84 punti percentuali in meno di accuratezza).
La tabella sopra presenta altri benchmark di modelli AI, inclusi quelli utilizzati per questo benchmark.
Costo per esecuzione del benchmark
I token in uscita da soli non determinano la spesa, poiché i tassi dei token in ingresso e in uscita differiscono di un ordine di grandezza nella maggior parte dei provider. Abbiamo calcolato il costo in dollari dell'esecuzione di ciascun modello sulle 238 domande utilizzando il tasso per token dichiarato dal provider al momento dell'esecuzione.
Miglior rapporto costo-accuratezza nella fascia frontier. grok-4.3 raggiunge l'84,87% di accuratezza con una spesa totale di $0,86, il costo in dollari più basso nella fascia di accuratezza >83%. Il modello frontier successivo per costo è gemini-3-flash-preview a $0,39 per l'83,61%.
Il nuovo leader di accuratezza paga un sovrapprezzo. claude-fable-5 raggiunge la massima accuratezza del benchmark del 90,34% a $10,05 per esecuzione, circa tre volte il costo di claude-opus-4.8 ($3,28 per l'89,08%). claude-opus-4.8 rimane il modello più economico nel benchmark a superare l'88% di accuratezza.
Ragionamento premium a prezzo premium. o1-pro è il modello dal costo più alto nel benchmark a $381 per l'80,67% di accuratezza (determinato da tariffe di $150/M in ingresso e $600/M in uscita). o3-pro costa $39,23 per il 78,15%, o1 costa $46,59 per il 74,79%. Nessuno di questi raggiunge la fascia alta; tutti e tre si collocano sotto claude-opus-4.7 in accuratezza e 10x+ sopra in costo.
La fascia economica è ancora competitiva in termini di accuratezza. gpt-oss-120b raggiunge l'81,09% di accuratezza a $0,06 totali, l'esecuzione più economica nel benchmark, e a breve distanza dalla soglia dell'83%. llama-4-maverick raggiunge il 75,21% a $0,10. Per carichi di lavoro in cui l'80% di accuratezza è sufficiente, questi modelli costano meno dell'1% dei modelli flagship di frontiera.
Metodologia del benchmark di ragionamento finanziario
Il nostro benchmark fornisce una valutazione equa, trasparente e riproducibile delle prestazioni dei Modelli Linguistici di Grandi Dimensioni (LLM) su compiti complessi di ragionamento finanziario.
Configurazione del test e corpus di dati
- Suite di benchmark: Abbiamo utilizzato dati, codice e script di valutazione del benchmark FinanceReasoning. Lo abbiamo scelto per il suo focus specializzato su problemi finanziari quantitativi e inferenziali.
- Corpus di conoscenza e query di test: Abbiamo focalizzato la nostra analisi sul sottoinsieme hard, composto da 238 domande impegnative. Come definito dal benchmark, ogni punto dati include:
- Una domanda che richiede deduzioni logiche e numeriche a più fasi.
- Un contesto, che spesso contiene informazioni dense presentate in formati strutturati come tabelle Markdown (es. bilanci, dati sulle performance azionarie).
- Una risposta di verità fondamentale definitiva per un punteggio oggettivo.
- Tipi di query illustrative: La difficoltà del benchmark deriva dalla sua richiesta che i modelli gestiscano compiti di ragionamento finanziario diversificati e complessi. Per illustrare questa ampiezza, evidenziamo due esempi rappresentativi dal set di test:
Esempio: Ragionamento algoritmico e su serie temporali (analisi tecnica)
Contesto: Un investitore sta analizzando… i prezzi delle azioni negli ultimi 25 giorni… per calcolare il Canale di Keltner utilizzando un periodo EMA di 10 giorni e un periodo ATR di 10 giorni, con un moltiplicatore di 1,5…
Domanda: Qual è il valore dell'ultima banda superiore nel Canale di Keltner…? Rispondere con due decimali.
Questa query verifica la capacità di un modello di agire come analista quantitativo:
- Scomporre un indicatore composito: Riconoscere che il "Canale di Keltner" deriva da altri due indicatori complessi:
- la media mobile esponenziale (EMA)
- l'average true range (ATR).
- Implementare logica algoritmica: Implementare correttamente gli algoritmi iterativi per EMA e ATR da zero su una serie temporale di 25 punti dati.
- Sintetizzare i risultati: Combinare i valori calcolati secondo la formula finale del Canale di Keltner (Banda Superiore = EMA + (Moltiplicatore × ATR)).
Principi fondamentali di valutazione
- Chiamate API isolate e standardizzate: Per ogni modello, abbiamo condotto la valutazione in modo programmatico tramite i rispettivi endpoint API (es. OpenRouter, OpenAI). Ciò ha garantito che ogni modello ricevesse esattamente lo stesso input in condizioni identiche, eliminando la variabilità delle interazioni tramite interfaccia utente.
- Generazione in forma libera: Non abbiamo vincolato i modelli a un formato a scelta multipla. Invece, sono stati invitati a generare una risposta completa in forma free, consentendo una valutazione più autentica delle loro capacità di ragionamento.
- Prompt Chain-of-Thought (CoT): Per suscitare e valutare il processo di ragionamento dei modelli, abbiamo impiegato una strategia di prompt Chain-of-Thought (CoT). Il prompt di sistema istruiva esplicitamente ogni modello a "pensare prima al problema passo dopo passo" prima di concludere con una risposta finale. Questo approccio consente un'analisi più approfondita di come un modello arriva alla sua conclusione, oltre il semplice output finale.
Metriche di valutazione e framework
Abbiamo utilizzato il framework di valutazione completamente automatizzato del benchmark FinanceReasoning per assegnare un punteggio agli output dei modelli. Questo framework è progettato per misurare sia la correttezza concettuale che il costo computazionale.
1. Metrica primaria: Accuratezza
Questa metrica risponde alla domanda cruciale: "Il modello può risolvere correttamente il problema finanziario?" Il processo di punteggio prevede una sofisticata pipeline a due fasi:
- Fase 1: Estrazione della risposta basata su LLM: L'output grezzo di un modello è testo non strutturato contenente sia il ragionamento che la risposta finale. Per analizzare in modo affidabile il valore numerico o booleano, abbiamo utilizzato un modello supervisore (anthropic/claude-sonnet-4.5) come parser.
- Fase 2: Confronto basato su tolleranza: Una semplice "corrispondenza esatta" è insufficiente per problemi numerici. Pertanto, la risposta estratta è stata confrontata in modo programmatico con la verità fondamentale. Lo script applica una soglia di tolleranza numerica (una differenza relativa dello 0,2%) per gestire equamente piccole variazioni di virgola mobile o arrotondamento, garantendo che soluzioni concettualmente valide siano contrassegnate come corrette.
2. Metrica secondaria: Consumo di token
Questa metrica risponde alla domanda: "Quanto è computazionalmente costoso per il modello risolvere questi problemi?" Misura il costo totale associato alla generazione delle 238 risposte.
- Calcolo dei token: Per ogni chiamata API abbiamo raccolto prompt_tokens e completion_tokens dall'oggetto usage del provider. Il punteggio di token per modello è la somma dei completion_tokens su tutte le 238 domande. Riportiamo i token di completamento (non i token totali) perché l'input è quasi costante tra i modelli che condividono lo stesso dataset (66k-92k token in ingresso per esecuzione a seconda del tokenizer).
- Calcolo del costo: Abbiamo calcolato il costo in dollari come prompt_tokens × prezzo_prompt_per_M + completion_tokens × prezzo_completion_per_M, sommato su tutte le 238 domande. I prezzi sono le tariffe per token dichiarate dall'endpoint /api/v1/models di OpenRouter al momento dell'esecuzione del modello.
Questo approccio a due metriche, fornito dal benchmark FinanceReasoning stesso, consente una valutazione olistica, bilanciando la capacità pura di risoluzione dei problemi di un modello (accuratezza) con la sua efficienza operativa (consumo di token).
Ragionamento finanziario con Generazione Aumentata da Recupero (RAG)
Per superare i modelli autonomi, abbiamo progettato e implementato un framework RAG personalizzato distinto dall'implementazione originale del benchmark. Il nostro approccio è costruito su uno stack moderno di database vettoriali (Qdrant) per fornire agli LLM conoscenze pertinenti e specifiche del dominio al momento dell'inferenza, aiutandoli a risolvere problemi che vanno oltre i loro dati di addestramento. Abbiamo testato questo su gpt-4o-mini per misurarne l'impatto.
Risultati e analisi: Il compromesso RAG
L'introduzione del RAG ha avuto un impatto significativo e misurabile sulle prestazioni di gpt-4o-mini.
Punti chiave dalla valutazione RAG:
- Miglioramento significativo dell'accuratezza: Il RAG ha dimostrabilmente migliorato la capacità di risoluzione dei problemi del modello, aumentando l'accuratezza di oltre 10 punti percentuali. Ciò conferma che fornire un contesto esterno e pertinente è altamente efficace per compiti di ragionamento complessi e specifici del dominio.
- Il costo dell'accuratezza: Questo guadagno di prestazioni è arrivato a un costo elevato. Il consumo totale di token è aumentato di quasi x18 e il tempo di esecuzione totale è aumentato di x20. Ciò è dovuto alle chiamate API aggiuntive per l'embedding e, cosa più importante, ai prompt notevolmente più grandi e complessi che l'LLM deve elaborare.
- Implicazioni per modelli più grandi: I risultati di gpt-4o-mini suggeriscono che, sebbene il RAG possa sbloccare prestazioni più elevate, applicare questo metodo a modelli più grandi e costosi come GPT-4o o Claude Opus sarà sostanzialmente più costoso e dispendioso in termini di tempo. Ciò evidenzia il compromesso critico tra accuratezza, costo e latenza nella progettazione di sistemi AI finanziari di livello produttivo.
Metodologia RAG per il ragionamento finanziario
La nostra pipeline RAG è costruita su uno stack moderno utilizzando Qdrant come database vettoriale e il modello text-embedding-3-small di OpenAI per generare rappresentazioni vettoriali semantiche. Il processo consiste in due fasi principali: una fase di indicizzazione offline e una fase di recupero-generazione online.
1. Indicizzazione del corpus di conoscenza
- Creazione del corpus: Abbiamo curato una base di conoscenza specializzata da due fonti fornite dal benchmark:
- Documenti finanziari: Una raccolta di articoli (financial_documents.json) che spiegano vari concetti e termini finanziari.
- Funzioni finanziarie: Una libreria di funzioni Python pronte all'uso (functions-article-all.json) progettate per risolvere calcoli finanziari specifici.
- Suddivisione intelligente e embedding: Per preparare questo corpus a un recupero efficiente, ogni documento e funzione è stato elaborato e indicizzato:
- Suddivisione: I documenti sono stati segmentati in blocchi più piccoli e semanticamente coerenti in base alle loro sezioni. Ogni funzione Python è stata trattata come un singolo blocco atomico. Ciò garantisce che il contesto recuperato sia focalizzato e pertinente.
- Embedding: Ogni blocco è stato poi convertito in un vettore a 1536 dimensioni utilizzando il modello text-embedding-3-small.
- Indicizzazione: Questi vettori sono stati indicizzati in due raccolte separate all'interno della nostra istanza locale di Qdrant (financial_documents_openai_small e financial_functions_openai_small), ottimizzate per la ricerca di similarità coseno.
2. Inferenza potenziata da RAG
Per ognuna delle 238 domande, il processo di ragionamento del modello è stato potenziato con i seguenti passaggi automatizzati:
- Generazione di embedding (chiamate API 1 e 2): La query dell'utente (domanda + contesto) è stata convertita in un vettore di embedding. Ciò ha richiesto due chiamate all'API di embedding di OpenAI per prepararsi alle ricerche in entrambe le raccolte.
- Recupero da più fonti: Il vettore della query è stato utilizzato per eseguire una ricerca semantica simultanea su entrambe le raccolte di Qdrant per recuperare le informazioni più pertinenti:
- I primi 3 blocchi di documenti più pertinenti dalla raccolta financial_documents.
- Le prime 2 funzioni Python più pertinenti dalla raccolta financial_functions.
- Potenziamento del prompt: I documenti e le funzioni recuperati sono stati iniettati dinamicamente nel prompt, creando un ricco "pacchetto informativo" consapevole del contesto. Ciò ha aumentato significativamente la dimensione del prompt in ingresso (da ~300-500 token a ~3.000-5.000+ token).
- Generazione della risposta finale (chiamata API 3): Questo prompt potenziato è stato inviato al modello gpt-4o-mini per generare la risposta finale ragionata.
Aggiungi come fonte preferitaLimitazioni del benchmark degli LLM nella finanza
Il nostro benchmark, sebbene completo, è soggetto a diverse limitazioni chiave:
- Rischio di contaminazione dei dati: È possibile che questi modelli siano stati addestrati sul dataset del benchmark poiché il dataset è pubblico. Ciò potrebbe portare a punteggi gonfiati, rendendo difficile valutare la reale capacità di ragionamento.
- Analisi RAG su un singolo modello: La valutazione RAG è stata eseguita su un solo modello (gpt-4o-mini), quindi i compromessi osservati tra prestazioni e costi potrebbero non applicarsi a tutti gli altri modelli.
Conclusione
Il nostro benchmark di oltre 40 modelli su compiti complessi di ragionamento finanziario rivela risultati chiave:
- Massima accuratezza nel benchmark: claude-fable-5 con il 90,34% a 183.258 token, il primo modello a superare il 90% in questo benchmark. Costa $10,05 per esecuzione, circa tre volte claude-opus-4.8.
- Miglior rapporto qualità-prezzo al top: claude-opus-4.8 con l'89,08% a 113.434 token. Supera gpt-5-2025-08-07 (88,23%) con circa 7x meno token in uscita e meno della metà del costo ($3,28 contro $8,38). È il modello più economico nel benchmark sopra l'88% di accuratezza.
- Esistono molteplici valide alternative: claude-opus-4.6 (87,82%) e gpt-5-mini-2025-08-07 (87,39%) offrono prestazioni quasi al top, con Claude Opus 4.6 che raggiunge questo risultato con un consumo di token significativamente inferiore (164.369 token).
- I miglioramenti generazionali contano: gemini-3.1-pro-preview (86,55%) supera gemini-3-pro-preview (86,13%) usando il 35% di token in meno, dimostrando che gli aggiornamenti iterativi dei modelli possono migliorare sia l'accuratezza che l'efficienza.
- Efficienza e accuratezza: gemini-3-flash-preview raggiunge l'83,61% di accuratezza con 118.530 token, dimostrando che alte prestazioni e basso costo possono coesistere. Allo stesso modo, gpt-5.2 dimostra una forte efficienza a 247.660 token raggiungendo l'86,13% di accuratezza.
- Impatto del RAG: La Generazione Aumentata da Recupero (RAG) aumenta significativamente l'accuratezza di un modello (+10 punti percentuali per gpt-4o-mini) ma a un costo sostanziale in termini di consumo di token (aumento di 18x) e latenza (20x più lento).
Registro delle modifiche
Aggiungiamo modelli a questo benchmark ad ogni nuova release.
22 Giugno 2026
- Zhipu AI: GLM-5.2 (z-ai/glm-5.2)
10 Giugno 2026
- Anthropic: Claude Fable 5 (anthropic/claude-fable-5)
2 Giugno 2026
- Anthropic: Claude Opus 4.8 (anthropic/claude-opus-4.8)
22 Maggio 2026
- Google: Gemini 3.5 Flash (google/gemini-3.5-flash)
- xAI: Grok 4.3 (x-ai/grok-4.3)
- Aggiunta la colonna costo-per-esecuzione-benchmark e l'interruttore del grafico accuratezza-vs-costo. Metodologia aggiornata con la formula di calcolo dei costi e la modifica dell'estrattore di risposte (claude-sonnet-4.5)
20 Aprile 2026
- Anthropic: Claude Opus 4.7 (anthropic/claude-opus-4.7)
20 Febbraio 2026
- Google: Gemini 3.1 Pro Preview (google/gemini-3.1-pro-preview)
- Anthropic: Claude Sonnet 4.6 (anthropic/claude-sonnet-4.6)
6 Febbraio 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)
Ulteriori letture
L'analisi finanziaria può riferirsi a molteplici capacità, come l'analisi azionaria, l'interpretazione del diritto finanziario e il ragionamento finanziario. Nel nostro benchmark, ci siamo concentrati specificamente sul ragionamento finanziario, mentre altri compiti sono trattati in articoli separati:
- LLM per l'analisi azionaria: Questi modelli aiutano a elaborare dati di mercato, report aziendali e notizie per identificare opportunità di investimento. (Vedi l'analisi completa qui: AI-based Stock Trading)
- AI per il diritto finanziario: Alcuni LLM possono interpretare regolamenti finanziari, contratti e requisiti di conformità per assistere in compiti legali-finanziari. (Vedi la nostra lista di strumenti AI legali qui: Legal AI Tools)
FAQ
Un LLM (modello linguistico di grandi dimensioni) nella finanza è un modello AI che utilizza tecniche di elaborazione del linguaggio naturale per eseguire analisi finanziarie complesse, gestione della conformità e comprensione dei documenti. Questi modelli aiutano le istituzioni finanziarie a navigare nel diritto finanziario, nei requisiti normativi e nelle esigenze dinamiche del settore finanziario.
Chatbot intelligenti:
Gli assistenti virtuali basati su LLM consentono alle aziende finanziarie di fornire assistenza clienti automatizzata 24/7, gestendo richieste di routine e attività di onboarding senza intervento umano. Ciò riduce i tempi di attesa e migliora la soddisfazione del cliente, liberando gli operatori umani per questioni complesse.
Consulenza e analisi:
Le banche d'investimento utilizzano gli LLM per analizzare tendenze di mercato, notizie finanziarie e dati dei clienti. Questi modelli assimilano grandi volumi di informazioni non strutturate, consentendo ai consulenti di fornire consulenza personalizzata sugli investimenti e gestione del portafoglio con approfondimenti in tempo reale.
Analisi di documenti normativi:
Gli studi legali e le istituzioni finanziarie impiegano gli LLM per elaborare densi documenti normativi come i documenti SEC. Questi modelli estraggono informazioni chiave e riassumono report, riducendo il tempo di revisione manuale e aiutando le aziende a rimanere conformi alle normative in evoluzione.
Rilevamento frodi:
Gli LLM analizzano vasti dataset finanziari in tempo reale per rilevare modelli di transazioni sospette e tattiche di frode emergenti. Le loro capacità di apprendimento continuo consentono un'identificazione delle frodi più rapida e accurata rispetto ai metodi tradizionali.
Automazione legale e di conformità:
Gli studi legali e i team di conformità utilizzano gli LLM per rivedere contratti, interpretare leggi bancarie e verificare la conformità normativa. L'automazione di questi compiti riduce i tempi di revisione e i costi legali, garantendo al contempo l'aderenza a complesse normative finanziarie.
Q&A su documenti e Riconoscimento di Entità Nominate (NER):
Le istituzioni finanziarie implementano gli LLM per rispondere alle domande degli investitori estraendo dati da report finanziari e conference call sugli utili. Il NER consente l'etichettatura automatica di nomi di aziende, ticker azionari (simboli di trading di classe) ed entità normative, semplificando il recupero dei dati.
Efficienza e automazione: Gli LLM automatizzano l'analisi di routine (es. riassumere report sugli utili, elaborare prestiti o documenti normativi), risparmiando ore di lavoro degli analisti e riducendo gli errori.
Assistenza clienti 24/7: Assistenti virtuali AI e chatbot basati su LLM possono gestire le richieste dei clienti 24 ore su 24 con risposte conversazionali, migliorando l'esperienza e la soddisfazione del cliente.
Consulenza finanziaria personalizzata: Analizzando la storia e il profilo di rischio di un cliente, gli LLM forniscono consulenza finanziaria o d'investimento su misura.
Rilevamento frodi e gestione del rischio: Gli LLM setacciano grandi dataset di transazioni per individuare anomalie o modelli di frode, adattandosi a nuove tattiche di truffa e aiutando a costruire profili di rischio.
Conformità e reporting: Gli LLM redigono automaticamente report normativi, estraggono fatti rilevanti per le policy e aiutano ad analizzare leggi e regolamenti finanziari complessi per la conformità.
Sì, esistono diversi modelli più grandi specifici per il dominio finanziario. Ad esempio, BloombergGPT è progettato per assistere con la regolamentazione finanziaria, i mercati dei capitali e la gestione della conformità, elaborando grandi dataset finanziari inclusi documenti provenienti da borse valori nazionali e documenti normativi.
Altri modelli come FinBERT e FinGPT si concentrano sul diritto finanziario, sul diritto bancario internazionale e sulla consulenza finanziaria personalizzata, adattando i modelli linguistici di grandi dimensioni al vocabolario specializzato della finanza come i simboli di trading di classe e i testi normativi.
Il ragionamento finanziario è la capacità di analizzare dati finanziari per prendere decisioni aziendali o d'investimento informate.
I compiti principali includono:
– Analizzare i bilanci (conto economico, flusso di cassa, stato patrimoniale)
– Budgeting e previsioni
– Valutare gli investimenti (VAN, TIR, ROI)
– Gestire il flusso di cassa e la liquidità
– Valutare i rischi finanziari e i rapporti di performance
Cita questo benchmark
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{sar2026,
author = {Sarı, Ekrem},
title = {{Benchmark di 40+ LLM nella Finanza: Claude Fable 5 & GPT-5}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/finance-llm}},
note = {AIMultiple. Consultato il 30 Giugno 2026}
}Risultati e timestamp di 46 punti dati. Scarica i dati utilizzati in questo articolo come file ZIP contenente un file CSV e un README.
Collegamenti di riferimento
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.