页面准备好后会自动显示。等待期间仍可使用顶部导航切换。
SEEKINGDAO / FIELD NOTES
从真实业务出发，看清 AI 如何落地。读懂做法、成效与边界，把案例变成自己的判断。
它解决了什么业务问题？用了哪些数据？披露的效果是实绩、试点，还是计划？
THE INDEX
找到 462 条
开源社区
tidyxbrl 是一个用于解析 XBRL 数据的 Python 包，目标是以更简洁的方式把 XBRL 文件转换成 Python 可处理的动态结构。XBRL 是上市公司财务报告和监管报送中常见的结构化语言，能够把财务报表中的项目、数值、期间、单位和上下文机器可读化。对金融 AI 来说，XBRL 是连接“原始财报”和“结构化财务知识”的关键桥梁。 很多学习者会直接用 PDF 或 HTML 财报做 RAG，但对于财务指标和监管报表来说，文本问答并不够。比如收入、资产、负债、现金流
XBRL 解析 / 财报结构化
开源社区
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、
金融数值推理问答数据集
开源社区
TAT-QA 是一个面向金融报告的表格与文本混合问答数据集，包含真实金融报告中的表格、相关段落和问题答案。它的全称是 Tabular And Textual Question Answering，核心特点是把半结构化表格和非结构化文本放在同一个上下文中，要求模型综合两者进行理解和数值推理。 它与 FinQA 相似但关注点不同。FinQA 更强调程序化数值推理，TAT-QA 更强调混合上下文：很多问题必须同时阅读表格和旁边的解释性段落。金融报告里经常出现这种情况：表格给出数字，
表格 + 文本金融问答数据集
开源社区
ConvFinQA 是 EMNLP 2022 的对话式金融数值推理问答数据集，进一步把金融问答从单轮问题扩展到多轮对话。它要求模型在连续提问中保留上下文，理解上一轮问题和答案对下一轮的影响，并继续执行数值推理。这个任务非常贴近真实金融分析，因为用户往往不是一次性提出完整问题，而是边看材料边追问。 例如分析师可能先问“公司 2021 年收入是多少”，再问“相比上一年增长多少”，再问“这种增长主要来自哪个业务”。后续问题依赖前文实体、指标和时间范围。如果模型不能维护对话状态，就会
对话式金融数值推理问答
开源社区
FinanceBench 是 Patronus AI 发布的金融开放书问答评测基准，用于评估大模型在公开上市公司文件上的问答能力。它包含一批公开样例，问题围绕真实公司、真实文件和可验证答案展开，并强调证据字符串。FinanceBench 的重要性在于，它不是展示模型多聪明，而是揭示当前大模型在金融问答中的可靠性不足。 该项目论文中提到，即使使用强模型和检索增强，很多问题仍然会出现错误、拒答或幻觉。这对银行非常有警示意义：金融问答不能只看回答是否流畅，而要看是否引用正确文件、是
金融开放书问答评测基准
开源社区
FIRE 是一个金融关系抽取数据集，全称可以理解为 Financial Relation Extraction。它标注了金融领域文本中的实体和关系，支持联合命名实体识别与关系抽取任务。项目包含多种实体类型和关系类型，例如公司、金融实体、数量、日期以及数值变化、属性归属等关系。 金融 AI 如果只做情绪分类或摘要，往往停留在文本层面；如果要构建知识图谱、风险网络、事件库和可推理系统，就必须识别实体之间的关系。比如“某公司收入增长 14%”“某银行收购某资产”“某债券评级下调”“
金融实体与关系抽取数据集
开源社区
FiNER-139 是一个面向 XBRL 标签的金融数值实体识别数据集，包含约 110 万句从美国上市公司年度和季度报告中抽取的句子，并标注了 139 类 XBRL 标签。它把财务报告中的数值识别和标签映射转化为实体识别任务，目标是让模型自动判断一个数字在上下文中对应哪个财务科目或披露标签。 这个项目非常适合放在金融 AI 数据批次里，因为它揭示了财报结构化的核心难点：数字本身没有语义，同样的 “100 million” 可能是收入、成本、资产、负债、现金流、员工费用或税费，
XBRL 标签 / 金融数值实体识别
开源社区
FinRED 是一个金融领域关系抽取数据集，对应论文“FinRED: A Dataset for Relation Extraction in Financial Domain”。它的目标是帮助模型识别金融文本中实体之间的语义关系，例如公司与事件、指标与数值、组织与行为之间的关系。虽然项目规模和活跃度不如一些大型框架，但它在金融知识图谱和信息抽取学习中很有价值。 金融关系抽取是金融 AI 从“读文本”走向“建结构化知识”的关键步骤。比如新闻里出现“公司 A 收购公司 B”“公
金融关系抽取数据集
开源社区
Open FinLLM Leaderboard 是 Open-Finance-Lab 开源的金融大模型评测和教程项目，目标是为金融 LLM 和金融智能体提供标准化评估框架。它的文档整理了多个金融任务类别，包括信息抽取、文本分析、问答、文本生成、风险管理、预测和决策等，并把不同数据集映射到这些能力维度。 这个项目的价值在于它帮助学习者从“模型名字”转向“能力评测”。金融大模型不能只看通用榜单分数，因为金融场景有大量特定能力：财报问答、金融情绪、实体关系抽取、信用风险、欺诈检测、
金融大模型评测套件
开源社区
FINOS Open Financial LLM Leaderboard 是 FINOS Labs 维护的开放金融 LLM 排行榜项目。FINOS 是金融行业开源生态中比较重要的组织，这个项目旨在推动金融大模型评测的开放协作，让社区能够在金融专属任务上持续比较模型能力。 与 Open FinLLM Leaderboard 类似，它也关注金融模型评测，但 FINOS 的行业属性让它更接近金融机构开源协作视角。金融大模型应用不能只靠单家公司内部评测，行业共识、开放数据集、公共指标
金融 LLM 开放排行榜
开源社区
FinTabNet Benchmark 是 DocLD 发布的金融表格抽取评测项目，用于在 FinTabNet 数据集上评估表格抽取准确率。FinTabNet 是来自 S&P 500 公司 SEC 年报的大规模金融表格数据集，包含复杂表头、合并单元格、层级结构和密集数字。该项目提供数据加载、抽取调用和评分方法，用于复现实验或评估其他表格抽取管道。 金融文档中最难处理的部分之一就是表格。表格不是普通文本，行列结构、表头层级、单位、合并单元格、脚注和跨页都会影响含义。银行做财报解
金融表格抽取评测
开源社区
FinTagging 是 The-FinAI 组织开源的金融标签和数据构建相关项目，面向金融大模型训练、评测和任务组织。它的项目简介和材料体现了一个重要方向：金融 AI 不仅需要模型和原始数据，还需要可复用的标签体系、任务标签、数据切分和标注流程。虽然项目规模不大，但它与用户本次提出的“数据标注、清洗、开源数据源”主题高度相关。 金融数据标注不同于通用文本标注。金融文本往往涉及实体、指标、事件、情绪、风险类型、合规条款、时间、金额、方向和业务口径。一个句子可能既包含公司实体，
金融 LLM 数据标注 / 标签构建
内容整理自金融 AI 长期进化实验室。银行用例、开源项目与 Skill 工作流分开展示；商业合作、计划和试点的表述按原分析保留，披露指标不等同于独立审计结果。
业务分类和技术标签按公开规则归纳；同机构不同项目、同名但来源不同的 Skill 独立保留。总览与正文只计一次，相同机构项目或相同上游路径合并并保留来源版本。当前 462 条来源记录，合并 0 条重复记录。
每日检查公开仓库，更新时保留上一版有效内容；如果来源删除已有记录或结构发生变化，暂停覆盖，等待核对。最近检查：2026/11/14（香港时间）。当前来源修订：06778e55 ↗。