证券行业的真实工作现状
截至 2025 年末，全国 150 家证券公司总资产 14.83 万亿元，全年营业收入 5,411.71 亿元、净利润 2,194.39 亿元[1]；行业登记从业人员 36.87 万人，其中保荐代表人 8,526 人、证券分析师 6,109 人[2]。这个行业的日常工作，大多是在截止时点前把招股书、定期报告、合同条款、成交流水、研报和监管规则逐条核对清楚：投行写底稿、过内核，研究和投后拆财报、核验盈利预测，运营和财务做申赎确认、月结勾稽，风控盯偿债和退市风险。每个数字都要能追溯到来源，出错要追责：2025 年的高额罚单集中在投行业务，机构和直接责任人员同时受罚[3]。
AI 能给证券行业带来怎样的变化？
大模型已经进入券商一线流程。广发证券上线了流水核查、文档审核、债券底稿复核与自动生成等 56 项投行 AI 功能[4]；深交所 2025 年的行业调研列出的场景还包括智能客服、投资决策支持、风险管理和智能投研[5]。这些场景处理的都是「读材料、对数字、写结论」，正是从业人员花时间最多的部分。
这种变化带来的真实价值有多大
OpenAI 的 GDPval 测评发现，前沿模型在 44 个职业的真实工作产出上已接近行业专家，有人监督时能做得更快、更便宜[6]。但证券行业对错误的容忍度很低：2026 年 6 月，方正证券一份周报把 2024 年的国常会表述标成 2026 年的最新部署，业内评价是「AI 仅是工具，最终责任必须由签字分析师与机构承担」[7]。所以 AI 在这里的价值，要看关键数字和口径算得对不对，而不是报告写得像不像。
现在的 AI 能否支撑真实工作场景的需要
这个问题还没有答案。公开榜单大多测问答和代码；GDPval 测的是美国职业和英文材料，不涉及中国的监管规则、中文资料包和信息截止时点。月之暗面 2026 年 10 月发布的 Kimi K3.1 Pro 宣称金融研究和长程 Agent 能力明显提升[8]，这需要用真实工作来检验。
基于真实工作场景的测评报告
我们用 10 道按证券一线岗位真实委托设计的交付题，对比 Kimi K3.1 Pro 和上一代 Kimi K3。
测评介绍
-
题目：每题给出角色、读者、截止时点和交付要求，附 5–12 份材料，模型需自己读材料、建模型，交付可打开的 Excel / Word 文件。题面要求 4 小时内完成（图 5 中的「题面预算」，对应真实工作的交付时限）；沙箱运行超过 7 小时会被强制终止。
-
运行：两个模型使用同一 Agent 框架（Claude Code）和同一沙箱，每题跑 1 次；非模型原因的失败最多重跑 2 次。
-
评分：每题 28–40 条评分细则，覆盖结果正确性、专业质量、指令遵循、格式、语气，分关键项、重要项、加分项三档，另有一票否决项。裁判模型 gpt-5.6-sol 打开交付文件逐条判定，折算为 0–100 分。同一套题另有 opus-5、gpt-5.6-sol、seed 的参考分，裁判和公式相同。
-
未交付：ETF 联接基金一题，Kimi K3 共运行 3 次：前 2 次执行超时、按规则重跑，第 3 次跑了 63 分钟、62 轮，仍没有写出任何交付文件，记 0 分；Kimi K3.1 Pro 得 55.8 分。为保持同题可比，下文均分按两边都有交付的 9 题计算；算上这一题，10 题均分为 31.5 → 47.0。
覆盖了哪些真实工作场景
| 工作场景 | 交付对象 | 交付物 |
|---|---|---|
| 定增认购评估与报价授权 | 投委会 | 测算表 + 决策备忘 |
| 经纪业务佣金收入月结复核 | 财务负责人 | 月结报告 + 四表台账 |
| *ST 持仓标的退市风险复核 | 风险总监、投决会 | 测算表 + 复核报告 |
| IPO 内核前质控复核 | 项目负责人、内核 | 复核明细 + 验收意见 |
| 永续策略账户网格配置复核 | 投委会 | 四表配置表 |
| 理财产品流动性压力测试 | 管理层 | 含看板和证据索引的工作簿 |
| Pre-IPO 可研报告风险章节复核 | 风险管理部、投决会 | 修订稿 + 六表底稿 |
| ETF 联接基金投资价值分析 | 投资决策者 | 分析报告 |
| 子公司参与基金出资请示 | 公司决策层 | 请示 |
| 矿业龙头半年报后投资逻辑复核 | 基金经理、风控 | 备忘录 + 计算底稿 |
这些题共同要求：遵守信息截止时点，核对多来源记录的冲突，缺的数据标「待补」不得编造，Excel 用公式、Word 数字可追溯且两份文件一致，并给出明确结论。
综合能力是否增强
增强了，但不稳定。在两边都有交付的 9 题上，Kimi K3.1 Pro 的平均分从 35.0 提高到 46.0，7 题领先、2 题落后；关键项满足率只从 55% 提高到 58%，9 题里只有 5 题更高。
按维度看，格式从 71% 提到 93%，关键项只从 51% 提到 54%。K3.1 Pro 把该做的事做得更全了，但把关键数字算对这件事改善不多。
哪方面强，哪方面弱
强项是以依据为主的文书。 出资请示（70.3 分）和佣金月结（68.8 分）都提高了 30 分以上，也是五个模型在这套题上的最高两分。出资请示一题，K3.1 Pro 把公司披露和研报观点分层引用，把不确定的承诺衔接列为待核查，关键项全部满足。网格配置和 Pre-IPO 两题，它补上了逐行去重依据、缺数据标的的披露和盈利预测兑现率检验。
弱项是多条件筛选后再汇总的计算和规则细节。 理财流动性一题退步 25.7 分，原因是少筛了一个维度；定增一题的档位累计规则两代都没处理对。矿业龙头一题 K3.1 Pro 多得 13.5 分，关键项满足率却从 55% 降到 45%，多出的分来自格式和加分项。
失分归因：五类典型错误
1. 中间结果未传递至最终交付物。 矿业龙头一题，两个模型的底稿都算对了矿山产银毛利（2026H1 26.28 亿元、2025H1 8.27 亿元），但 K3 的备忘录没提，K3.1 Pro 只写了增量 18.01 亿元，都判不满足。这类问题每题有 4–15 条。
2. 取数筛选条件缺失，错误沿计算链向下游传导。 理财流动性一题，可用现金应只计托管活期和清算备付账户中「可用且已入账」的资金。K3 筛对了，得到 7,867.10 万元；K3.1 Pro 漏了账户类型，把受限保证金和待交收资金也算进去，得到 16,554.58 万元，缺口、覆盖率、回购额度三条关键项连带失败。
3. 多记录取数口径错误：重复累加或误用取值规则。 定增一题，邀请书规定申购金额取有效档位的最大累计额，K3 把 5,000 万元和 3,000 万元相加成 8,000 万元，K3.1 Pro 把 5,000 万元写成 3,000 万元。理财题同一资产的多条询价，两代都做了重复累加。
4. 数值精度与一致性判断错误。 IPO 质控一题，11,525.5 ÷ 29,142.7 = 39.5485%，应为 39.5%，两个模型都写成 39.6%，并据此认定「与披露值一致」。
5. 引用来源与所引数值不符。 K3.1 Pro「写了不该写的内容」从 8 次降到 6 次，但出现了更隐蔽的错误：Pre-IPO 一题它注明引自某附件第 03 表，写的控制比例是 31.9348%，源表是 32.5811496%。这类错误比没给出处更难被复核的人发现。
跟其他模型比起来怎么样
按两边都有交付的 9 题计，K3.1 Pro 均分 46.0，与 opus-5（46.7）基本持平，高于 gpt-5.6-sol（43.4）和 seed（40.2）；K3（35.0）低于三份参考分。但五个模型均分都没超过 47 分，目前没有一个模型的交付物可以不经复核直接使用。参考分是单次运行结果，且裁判 gpt-5.6-sol 本身也在被对照之列，数字适合看方向。
耗时与成本如何
| 指标（10 题合计） | Kimi K3 | Kimi K3.1 Pro |
|---|---|---|
| 平均每题耗时 | 32 分钟 | 68 分钟（约 2.1 倍） |
| 输入 token 合计 | 17.9M | 35.4M（约 2.0 倍） |
| 缓存命中率 | 88% | 83% |
| 成本合计 | $107 | $156（约 1.5 倍） |
| 每 1 分的成本（10 题） | $0.34 | $0.33 |
| 每 1 分的成本（两边都有交付的 9 题） | $0.29 | $0.33 |
图 5 中橙色虚线是题面要求的 4 小时完成时限，红色虚线是沙箱 7 小时的强制终止线。20 次运行都在 4 小时以内结束。
成本 = 每题实际 token 用量 × 单价，10 题合计（含 ETF 一题）；token 用量取自评测执行记录，分未命中输入、缓存读取、缓存写入、输出四类。单价（美元 / 百万 token）：K3 输入 20、缓存读取 2、输出 100；K3.1 Pro 输入 13、缓存读取 1.3、输出 68；缓存写入按输入单价计。
K3.1 Pro 单价比 K3 低三成多，但输入 token 约 2 倍、输出约 1.8 倍，缓存命中率也更低，总成本约 1.5 倍。命中率的差别集中在个别题：K3 各题在 77%–91% 之间，K3.1 Pro 在 46%–90% 之间，最低的是 *ST 退市风险一题，1.7M 输入里只有 0.8M 走缓存，花了 $18.17。按每 1 分算，10 题合计两者持平，但 K3 的数字里有 ETF 一题花掉、没换来交付的 $15.34；只看两边都有交付的 9 题，K3.1 Pro 每分贵约一成。所有题都在题面要求的 4 小时内完成，最长的是 K3.1 Pro 做矿业龙头一题，158 分钟、$35.58。
总结：Kimi 的进步，与它对真实工作的支撑能力
-
进步是真实的：平均高 11 分，均分与 opus-5 持平，以依据为主的文书拿到全场最高分，「金融研究能力提升」在这套题上能看到。
-
进步主要在完整度：格式和加分项大幅提高，关键项几乎没动。筛选口径、规则适用、舍入这些决定结论对错的环节，两代模型错在同样的地方；K3.1 Pro 还出现了「出处具体但数字不对」的新风险。
-
更慢、更贵：耗时约 2.1 倍，成本约 1.5 倍；只看两边都有交付的 9 题，每 1 分的成本 K3.1 Pro 高约一成。
-
离直接交付还有距离：五个模型均分都不到 47 分。现阶段适合让模型做初稿、搭底稿、梳材料，人工重点复核筛选条件是否完整、多条记录的取数规则、底稿数字是否写进报告、舍入判断，以及出处与数字是否对应。
局限：每题只跑 1 次，单次得分波动较大，结论应看方向；ETF 一题 K3 三次运行均未交付，同题比较按两边都有交付的 9 题计；评分来自大模型裁判；参考分的运行条件可能与本次不同。
前言数据来源
以下为第一部分「证券行业的真实工作现状」中行业规模、从业人数、罚单、券商 AI 应用、GDPval 测评和 Kimi K3.1 Pro 发布等事实的出处，对应正文方括号编号 [1]–[8]。测评数据来自本次实际运行记录，不在此列。
-
中国证券业协会：证券公司 2025 年度经营数据，https://www.sac.net.cn/sjb/xxgk/hysj/jjsj/202603/t20260326_81468.html
-
中国证券业协会从业人员管理系统 2025 年 12 月底数据（观点网转载），https://www.163.com/dy/article/KKCCRJ470519D45U.html
-
上海证券报：2025 年证券业罚单大盘点（天天基金网转载），https://fund.eastmoney.com/a/202601053608598053.html
-
新浪财经：广发证券辛治运：券商大力加强 AI 算力和知识库建设，https://finance.sina.com.cn/hy/hyjz/2025-09-13/doc-infqieur2077540.shtml
-
新浪财经：事关券商应用大模型，调研来了，https://finance.sina.com.cn/jjxw/2025-04-03/doc-inerwfmt2722313.shtml
-
Patwardhan et al., GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks, arXiv:2510.04374, https://arxiv.org/abs/2510.04374
-
北京商报：方正证券研报乌龙！政策「时空穿越」，AI 幻觉不该背锅，https://www.bbtnews.com.cn/2026/0616/596483.shtml
-
科技日报：月之暗面发布新一代大模型 Kimi K3.1 Pro，https://www.stdaily.com/web/gdxw/2026-10/24/content_602239.html