BizFinBench: Ein neuer Benchmark zur Bewertung von LLMs im Finanzsektor

BizFinBench: Ein praxisorientierter Finanz-Benchmark zur Evaluierung von LLMs

Große Sprachmodelle (LLMs) haben beeindruckende Fortschritte in der Verarbeitung natürlicher Sprache erzielt und zeigen bemerkenswerte Fähigkeiten in verschiedenen Aufgaben. Die Bewertung ihrer Zuverlässigkeit in logiklastigen und präzisionsrelevanten Bereichen wie Finanzen, Recht und Gesundheitswesen stellt jedoch weiterhin eine Herausforderung dar. Um diese Lücke zu schließen, wurde BizFinBench entwickelt, ein neuer Benchmark, der speziell für die Evaluierung von LLMs in realen Finanzanwendungen konzipiert ist.

Aufbau und Struktur von BizFinBench

BizFinBench besteht aus 6.781 sorgfältig annotierten Anfragen in Chinesisch, die fünf Dimensionen abdecken: numerische Berechnung, Schlussfolgerung, Informationsextraktion, Vorhersageerkennung und wissensbasierte Fragenbeantwortung. Diese Dimensionen sind in neun detaillierte Kategorien unterteilt, die verschiedene Aspekte der Finanzkompetenz von LLMs abbilden. Der Benchmark verwendet sowohl objektive als auch subjektive Metriken, um eine umfassende Bewertung zu ermöglichen.

Eine Besonderheit von BizFinBench ist die Entwicklung von IteraJudge, einer neuartigen LLM-Evaluierungsmethode. IteraJudge reduziert Verzerrungen, die auftreten können, wenn LLMs als Bewerter für objektive Metriken eingesetzt werden. Durch iterative Verfeinerung der Entscheidungsgrenzen verbessert IteraJudge die Genauigkeit und Objektivität der Bewertung.

Evaluierung und Ergebnisse

Im Rahmen der Entwicklung von BizFinBench wurden 25 verschiedene LLMs, darunter sowohl proprietäre als auch Open-Source-Modelle, evaluiert. Die Ergebnisse zeigen, dass kein einzelnes Modell in allen Aufgaben dominiert. Stattdessen zeichnen sich unterschiedliche Leistungsmuster ab:

Im Bereich der numerischen Berechnung erzielen Claude-3.5-Sonnet und DeepSeek-R1 die besten Ergebnisse, während kleinere Modelle wie Qwen2.5-VL-3B deutlich zurückliegen. Bei Schlussfolgerungsaufgaben dominieren proprietäre Modelle wie ChatGPT-o3 und Gemini-2.0-Flash. Die größte Leistungsstreuung zeigt sich bei der Informationsextraktion, wobei DeepSeek-R1 mit 71,46 Punkten deutlich vor Qwen3-1.7B mit 11,23 Punkten liegt. Bei der Vorhersageerkennung sind die Leistungsunterschiede minimal.

Die Ergebnisse verdeutlichen, dass aktuelle LLMs zwar routinemäßige Finanzanfragen kompetent bearbeiten können, jedoch Schwierigkeiten mit komplexen Szenarien haben, die schlussfolgerndes Denken über verschiedene Konzepte hinweg erfordern.

Bedeutung und Ausblick

BizFinBench bietet einen rigorosen, praxisorientierten Benchmark für die zukünftige Forschung im Bereich der Finanz-LLMs. Er ermöglicht eine differenzierte Bewertung der Stärken und Schwächen verschiedener Modelle und liefert wertvolle Erkenntnisse für die Weiterentwicklung von KI-Systemen im Finanzbereich. Durch die Bereitstellung des Codes und des Datensatzes auf GitHub wird die Reproduzierbarkeit der Ergebnisse und die weitere Forschung in diesem wichtigen Bereich gefördert.

Die Entwicklung von BizFinBench unterstreicht die Bedeutung von spezialisierten Benchmarks für die Evaluierung von LLMs in spezifischen Anwendungsdomänen. Durch die Berücksichtigung der Besonderheiten des Finanzbereichs trägt BizFinBench dazu bei, die Entwicklung von robusten und zuverlässigen KI-Systemen für Finanzanwendungen voranzutreiben.

Bibliographie: Lu, G., Guo, X., Zhang, R., Zhu, W., & Liu, J. (2025). BizFinBench: A Business-Driven Real-World Financial Benchmark for Evaluating LLMs. arXiv preprint arXiv:2505.19457. Kocon, J., Jin, W., Li, S., Zhang, T., Scales, N., Tang, J., ... & Stoica, I. (2023). RLAIF: Scaling reinforcement learning from imitation for complex manipulation tasks with parallel data collection. arXiv preprint arXiv:2311.06602. Li, C., Li, Y., Liu, Z., Liu, Y., Tang, J., & Han, J. (2025). GALIP: Generative Adversarial Learning for Image Privacy. arXiv preprint arXiv:2504.04596. Su, J., Petrov, S., & Iyyer, M. (2024). Planning with Large Language Models for Code Generation. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 5267-5287). Srivastava, A., Temperley, D., & Sutskever, I. (2024). Datasets and Benchmarks Track. In Advances in Neural Information Processing Systems (Vol. 37). Patronus AI. (2024). Patronus AI Launches FinanceBench, the Industry’s First Benchmark for LLM Performance on Financial Questions. Bubeck, S., Chandrasekaran, V., Eldan, R., Ge, R., Horvitz, E., Kamar, E., ... & Zhang, Y. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv preprint arXiv:2303.12712. Su, J., Petrov, S., & Iyyer, M. (2024). RoCo: A Benchmark for Evaluating the Robustness of Large Language Models to Code Perturbations. In Advances in Neural Information Processing Systems (Vol. 37).