82% 的审计准确率，是谁算出来的？

15 分钟读完。读完你要能回答：这套系统的高分，来自模型变聪明了，还是来自它不再负责"算"？

• 原文：AuditFlow: Executable Symbolic Environments for Structured Financial Reporting Verification
• 作者：Yan Wang, Xuguang Ai, Jaisal Patel, Xueqing Peng, Fengran Mo, Yupeng Cao, Haohang Li, Mingyu Cao, Lingfei Qian, Víctor Gutiérrez-Basulto
• 机构：The Fin AI · Rensselaer Polytechnic Institute · Université de Montréal · Stevens Institute · University of Surrey · Cardiff University
• 年份：2026（arXiv:2606.03031，v1 2026-06-02，v2 2026-10-14）
• 许可：CC BY 4.0（arXiv 页面标注）。本页是导读，不是原文转载；全文在页面内嵌 arXiv HTML 版，也可到 arXiv 打开。
• 全文：https://arxiv.org/abs/2606.03031 · 站内阅读：https://arxiv.org/html/2606.03031v2

1. 它问的问题

财务报表是结构化的。一份 10-K 里的每个数字都挂着三样东西：它属于哪个会计概念（US-GAAP 分类标准里的一格）、它属于哪个期间与哪个维度（哪个分部、哪种币种、哪个单位）、它和别的数字之间是什么计算关系（父项 = 子项之和）。

于是"这张报表对不对"不是阅读理解题，而是一道图上的核对题：

• 符号对不对（这笔该记成费用还是资产）；
• 维度加总对不对（三个分部相加等不等于合并数）；
• 计算树对不对（毛利 = 收入 − 成本，链条上有没有断）。

论文的出发点是：这类题只靠读文本做不对，因为需要先把分散的事实连成证据，再重算一遍期望值。

2. 它把"算"从模型手里拿走了

AuditFlow 的核心设计只有一句话：模型负责找，程序负责算。

两名初级审计员的搜索策略是故意不同的：

• 合规审计员（specification-first）：从分类标准出发，先看规则要求什么，再去事实里找证据；
• 取证审计员（evidence-first）：从报出的事实出发，看期间对比、维度拆分、兄弟科目算术，再回头确认规则。

高级审计员不调工具，只读两份报告：一致就放行，不一致就指出冲突来源（期间错了？漏了计算子项？维度上下文没定？），把案子打回去——最多三轮。每个初级审计员最多 20 步工具调用。

还有一道闸：初级审计员想提前收工，环境会拒绝，并把还缺哪几个检查作为下一条观察返回。这条"必修工具闸"是防止模型"看起来查过了"的关键。

最后一步不是让模型投票，而是把两份报告映射成 {违规, 合规, 不确定} 上的质量函数做证据融合，输出四样东西：判定、期望值、证据链、可信度分。

3. 结果：82.09%，但拿掉检查器只剩 17.91%

在 FinAuditing 的 FinMR 子集上，覆盖美国 FASB 数据质量委员会的三类规则（符号一致性 DQC.US.0015、维度加总一致性 DQC.US.0117、计算树一致性 DQC.US.0126）：

• 82.09% 联合审计准确率（GPT-5.5 作骨干），比最强基线（单智能体）高 14.93 个百分点；
• 把确定性检查器拿掉，掉到 17.91%，同时无效输出从 1.49% 涨到 35.82%，维度加总与计算树两类规则直接归零；
• 拿掉"必修工具闸"掉到 74.63%，拿掉证据融合掉到 77.61%；
• 强骨干之间很接近：GPT-4o、Claude Sonnet 4.6、Qwen-397B 都是 80.60%，Qwen-27B 是 73.13%，而小模型 Fino1-14B 只有 31.34%。

这两个数字的对比，是这篇论文全部价值所在：框架不会让弱模型变强，但会让强模型不再靠猜。

4. 四个容易读错的地方

① 82% 不是"审计自动化率"。
它只覆盖三类规则、一个派生样本。真实审计里最贵的部分——判断管理层估计是否合理、函证是否可靠、期后事项——一条都没测。

② 天花板由工具覆盖决定。
系统能查的规则，是有人写好了检查器的那些。没写检查器的规则，模型再强也够不到；这不是模型的能力边界，是工程投入的边界。

③ 高级审计员不投票。
分歧靠"再取一次证据"解决，不靠"资深的人说算了"。这条设计比多智能体本身更值得抄：用流程消解分歧，而不是用权威压过去。

④ 它把可解释性做成了副产物。
因为每一步都走类型化工具，所以"为什么这么判"天然有一条可回放的证据链。这跟"让模型写一段解释"是两件完全不同的事。

5. 对你自己的专业意味着什么

把"模型负责找、程序负责算"搬到你自己的活里：

• 你的报表/台账里，哪些核对是可以用一行代码锁死的？（那就别让模型做）
• 哪些是必须判断的？（那就要留证据链，不是留一句结论）
• 你的分歧处理，是靠再取证据，还是靠"上次就是这么定的"？

6. 课堂任务

挑一张你手上的真实表格（课程设计预算、社团账目、实验室采购单都行）：

1. 写出三条确定性检查（能写成一句话、跑一次就知道真假的那种）；
2. 写出两条必须靠判断的检查，并说明判断需要什么证据；
3. 用三句话说清：这个系统证明了什么、没证明什么、哪一步换成你会怎么做。

一句话带走

让模型做它擅长的事（找证据、选路径），把"算得对"交给代码——这篇论文的高分不是模型变强了，是它终于不用负责自己最不擅长的那一步。