GPT-5.6 Sol 助力金融分析最后一公里

金融分析在面向客户或高管之前，团队必须走完一段严苛的"最后一公里"：核对证据、搭建并格式化文件、逐项检查数字、将每个结论关联到来源。最终交付的 PowerPoint 或 Excel 必须可编辑，经得起审视。

Model ML 的联合创始人 Arnie 和 Chaz Englander 兄弟在两次成功退出后，开始通过家族办公室进行投资。作为"爱造工具的人"，他们顺手写了软件来帮自己处理这些琐碎的收尾工作。这个软件后来长成了 Model ML 的产品。

Model ML 的 AI 智能体帮助金融从业者完成从最初需求到研究、分析，再到成品幻灯片或工作簿的完整流程。核心智能体负责规划工作、选择合适工具、核对证据并执行计算，把每一步路由给最适合的模型——通常就是 GPT-5.6 Sol。其自研文档工具能生成带可追溯来源的原生 PowerPoint 和 Excel 文件。

Chaz Englander（联合创始人兼 CEO）表示："早期模型能完成分析师的工作，但用户必须把任务拆得很细，明确说明想要什么输出。有了 GPT-5.6 Sol，我们发现智能体的产出已经非常接近最终成品。"

打通金融工作的"最后一公里"

Model ML 通过端到端自动化金融工作流来帮助团队。从简报和源材料出发，智能体能完成研究、建模，直到形成交给客户或交易团队的成品材料。金融从业者在分享前只需核对假设、来源与核心信息。

Model ML 的产品号称"与载体无关"：你可以从邮件或 Model ML 应用开始一项任务，之后在 Microsoft Office 插件里继续，无需重新说明背景。

这种连贯性也延伸到成品中。投资委员会汇报用的 PPT，Model ML 能将简报和源材料变成可编辑的 PowerPoint。Excel 任务中，智能体可基于客户模板或空白工作簿，抓取数据、跨多页签建立公式和逻辑，再套用金融格式，生成完整电子表格或财务模型。

在 Model ML 面向金融服务的 AI 评估基准 Composite 中，GPT-5.6 Sol 在一个 Excel 工作流里比 Opus 5 少用了 36% 的 token。

"用户应该专注于判断——例如完善假设或打磨观点——而不是重新搭建分析。" Englander 说。

智能体把工作推到最后一公里，也为团队节省大量时间。一家全球资产管理公司中，原本分析师需要约一小时完成的定制化单页报告，现在只需约五分钟。另一个工作流里，Model ML 智能体一次性处理了包含超过 10 万行数据、数百个文件的虚拟数据室。

GPT-5.6 Sol：用更少 token 交付更可用的金融文档

Model ML 将 GPT-5.6 Sol 与其他领先模型在多个金融工作流中做了对比。Composite 评测从金融简报出发，经过研究和计算到可编辑的幻灯片或表格，再检查数字、来源、公式、结构以及演示视觉质量。

PowerPoint 评测融入真实工作流，覆盖数百份生成的 deck，并按详细评分规则打分。GPT-5.6 Sol 在 100% 的测试案例中完成了 PowerPoint 工作流（Opus 5 为 76%），并有 43.3% 的案例通过了"专业就绪"门槛（即输出可直接进入实质性评审），而 Opus 5 为 26.7%。在 deck 质量、简报遵循度、层级和一致性上也领先。

指标 (PowerPoint)	GPT-5.6 Sol	Opus 5	Fable 5
专业就绪率	43.3%	26.7%	32.0%
成功产出 .pptx	100%	76%	82%
简报遵循度	78.8%	77.9%	78.5%
视觉质量	77.9%	79.3%	78.9%
每个 deck 的 token（越低越好）	1.10M	953K	1.40M

Excel 方面：

指标 (Excel)	GPT-5.6 Sol	Opus 5	Fable 5
关键输出准确率	83.3%	82.8%	80.6%
全部关键输出正确	50.0%	60.0%	60.0%
每个工作簿 token（越低越好）	2.44M	3.83M	2.59M
耗时（分钟/工作簿）	7.0	7.5	8.4

综合来看，Model ML 已有充分证据将 GPT-5.6 Sol 投入生产，包括一些此前由 Opus 4.8 处理的工作流。在 PowerPoint 流程中，GPT-5.6 Sol 在保持有竞争力的 deck 质量的同时，完成率和"可评审"成品率高于 Opus 5 和 Fable 5，token 消耗比 Fable 5 少约 21%。

Englander 说："能真正用于工作，意味着用户可以直接进入评审环节。数字能追溯到来源，工作簿可以重新计算，幻灯片可编辑。"