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.
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.
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.
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).Entdecken Sie die Vorteile gegenüber ChatGPT Plus
Sie nutzen bereits ChatGPT Plus? Das ist ein guter Anfang! Aber stellen Sie sich vor, Sie hätten Zugang zu allen führenden KI-Modellen weltweit, könnten mit Ihren eigenen Dokumenten arbeiten und nahtlos im Team kollaborieren.
Die professionelle KI-Plattform für Unternehmen – leistungsstärker, flexibler und sicherer als ChatGPT Plus. Mit über 50 Modellen, DSGVO-konformer Infrastruktur und tiefgreifender Integration in Unternehmensprozesse.
❌ Kein strukturierter Dokumentenvergleich
❌ Keine Bearbeitung im Dokumentkontext
❌ Keine Integration von Unternehmenswissen
✅ Gezielter Dokumentenvergleich mit Custom-Prompts
✅ Kontextbewusste Textbearbeitung im Editor
✅ Wissensbasierte Analyse & Zusammenfassungen
Erstellen Sie leistungsstarke Wissensdatenbanken aus Ihren Unternehmensdokumenten.Mindverse Studio verknüpft diese direkt mit der KI – für präzise, kontextbezogene Antworten auf Basis Ihres spezifischen Know-hows.DSGVO-konform, transparent und jederzeit nachvollziehbar.
❌ Nur ein Modellanbieter (OpenAI)
❌ Keine Modellauswahl pro Use Case
❌ Keine zentrale Modellsteuerung für Teams
✅ Zugriff auf über 50 verschiedene KI-Modelle
✅ Modellauswahl pro Prompt oder Assistent
✅ Zentrale Steuerung auf Organisationsebene
❌ Keine echte Teamkollaboration
❌ Keine Rechte- oder Rollenverteilung
❌ Keine zentrale Steuerung oder Nachvollziehbarkeit
✅ Teamübergreifende Bearbeitung in Echtzeit
✅ Granulare Rechte- und Freigabeverwaltung
✅ Zentrale Steuerung & Transparenz auf Organisationsebene
Nutzen Sie Mindverse Studio als zentrale Plattform für abteilungsübergreifende Zusammenarbeit.Teilen Sie Wissen, erstellen Sie gemeinsame Workflows und integrieren Sie KI nahtlos in Ihre täglichen Prozesse – sicher, skalierbar und effizient.Mit granularen Rechten, transparenter Nachvollziehbarkeit und Echtzeit-Kollaboration.
Sehen Sie Mindverse Studio in Aktion. Buchen Sie eine persönliche 30-minütige Demo.
🎯 Kostenlose Demo buchenLernen Sie in nur 30 Minuten kennen, wie Ihr Team mit KI mehr erreichen kann – live und persönlich.
🚀 Demo jetzt buchen