把「资深投资人的判断」当作可评测的标尺，是这次发布最值得注意的地方。
发生了什么
OpenAI 公布了一个来自 Terminal X 的案例：其 Eval Agent 使用一套 54 项标准的评分表（rubric）对模型输出进行打分，在接入 GPT-6.1 Sol 之后，对「偏离基金委托要求（mandate）」的识别量提升了 25%。同时，该系统的评分结果与资深投资人的人工判断一致率达到 88.6%。
需要说明的是，披露信息只给出了这三个关键点——54 项标准、25% 的偏离识别提升、88.6% 的一致率——并未公开评分表的具体维度、测试样本规模与构成，也没有说明「一致率」的计算口径（是逐条标准一致，还是最终结论一致）。这些细节决定了数字的实际分量，读者应保留判断空间。
为什么重要
投资判断长期被视为最难自动化的领域之一，原因不在于信息不足，而在于「委托要求」本身是模糊的：一只基金的投资范围、风险偏好、集中度约束往往写在文档里，却要靠人来解释和执行。合规与投研团队日常做的大量工作，本质上就是判断某个标的、某笔交易是否「越界」。
Terminal X 的做法是把这件事拆成可评测的形式：先用一套细颗粒度的 rubric 把模糊的委托要求显式化，再让模型逐条比对输出。这与「让模型直接给投资建议」是两条完全不同的路径——前者做的是审查与偏离检测，后者做的是决策。前者更容易被验证，也更容易被机构接受。
88.6% 的一致率之所以被拿出来说，是因为它把 AI 的输出锚定在了一个人类专业基准上。这类「与专家判断对齐」的指标，正在取代单纯的准确率，成为企业级 AI 评测的主流叙事。
影响与看点
对金融科技团队而言，可复用的不是这个数字，而是方法：把领域专家的隐性标准写成 rubric，再用模型做规模化的一致性审查。这套模式可以迁移到法务合同审查、医疗指南依从性、内部风控等场景。
对开发者来说，值得关注的是「Eval Agent」这一产品形态——评测本身正在从离线基准变成生产系统里的一个常驻组件，持续对输出做打分和拦截。
有三个问题目前没有答案：54 项标准由谁制定、是否公开；25% 的提升是相对什么基线；88.6% 剩下那部分不一致，是模型错还是专家错。
一个独立判断：这类发布真正的价值不在于证明模型「像投资人」，而在于证明委托要求可以被工程化。一旦标准被写下来，模型能力提升就会直接转化为审查效率，而不需要重新设计流程。
