FinQA 是 EMNLP 2021 论文对应的金融数值推理问答数据集和代码库，任务是让模型基于财报中的表格和文本回答需要计算的问题。它不是简单的文本问答，而是要求模型找到相关证据、生成计算程序或推理步骤，并得到最终数值答案。对于金融大模型学习来说，FinQA 是理解“金融问答为什么难”的经典数据集。

金融问题往往不是问“某句话是什么意思”，而是问“同比增长多少”“某项费用占收入比例是多少”“现金流变化由哪些项目造成”“某指标是否满足阈值”。这些问题需要读取表格、理解上下文、选择相关数字、执行加减乘除，最后还要给出单位和解释。FinQA 正是围绕这种能力构建的。

项目包含数据、基线模型和训练代码，能够帮助学习者看到早期金融 QA 系统如何拆分检索器和生成器。检索器负责找到相关表格行和文本片段，生成器负责产生计算程序或答案。这个思路对今天的金融 RAG 仍然有参考价值：RAG 不应只是检索文本，还要能检索结构化证据并调用计算工具。

从银行场景看，FinQA 可迁移到财务报表分析、授信审查、企业经营指标问答和投研报告自动审阅。例如客户经理问“这家公司近三年毛利率是否持续下降”，系统不仅要找数字，还要计算趋势并说明依据。FinQA 能帮助学习者理解这类任务需要什么样的数据标注和评价指标。

• 面向财报表格和文本的金融数值推理问答数据集。
• 强调证据检索、程序生成、多步计算和最终答案验证。
• 适合评估金融大模型、RAG 系统和工具调用模型的数值能力。
• 对银行财务分析、授信审查和投研问答有直接学习价值。

FinQA 最值得学习的是“金融问答需要可计算推理链”。如果大模型只生成自然语言，很容易在数字问题上幻觉或算错。FinQA 的程序式答案设计提醒我们：在金融业务里，模型最好输出可检查的计算步骤，或者调用确定性计算工具。

对银行来说，这类数据集也展示了标注成本。每个问题不仅要有答案，还要有证据和计算过程。未来如果银行要构建自己的授信问答数据集，就不能只标“正确答案”，还要标来源页、字段、公式和复核规则。

• 财报问答、授信审查问答和财务指标自动计算。
• 金融 RAG 系统的数值推理评测。
• 大模型工具调用、计算链生成和答案可解释性训练。
• 投研报告中的指标核对和表格数据问答。
• 内部财务分析助手的 benchmark 设计参考。

FinQA 主要基于公开财报和英文语料，不能完全覆盖银行中文授信材料、非上市企业报表和复杂会计调整。数据集规模和题型也有限，不能代表全部金融推理场景。实际落地时必须结合本地报表格式、中文字段、业务规则和人工复核。