文章标题:Hebbia 借助 GPT-6 Astra 在金融研究领域取得进展
正文: 在银行家向客户推荐一项收购之前,他们需要理清财务报表、客户合同和管理层演示材料。Hebbia 的 Matrix 帮助将这些研究整合在一起,把答案与背后的文档关联起来。
Hebbia 测试了 OpenAI 的 GPT‑6 Astra,以改进这项工作中的两个环节:找到问题所需的来源,以及构建符合银行家简报要求的演示文稿。
“在 Hebbia 的发展历程中,我们一直是 OpenAI 的紧密合作伙伴,而 GPT-6 Astra 在输出质量和准确性方面的飞跃确实令人惊讶。在这两个方面,GPT-6 Astra 相比我们此前测试过的任何其他模型都表现出色。”
从源文档到演示文稿
流程可能是这样的:一位银行家正在帮助客户评估对一家工业软件公司的战略收购,约有 2,000 份文件需要审阅。是什么让它的收入具有持续性?它与同行相比如何?在 Hebbia 的假设示例中,银行家可以将数据室加载到 Matrix 中,在带引用的单元格中查看客户集中度、合同条款和流失情况。Matrix 可以引入同行 filings 和行业新闻,帮助形成交易论点,然后将这些研究转化为尽职调查摘要和采用公司模板的估值演示文稿。
在该工作流中,GPT‑6 Astra 选择文档或 Matrix 单元格来支撑答案,然后将分析转化为遵循用户结构和指南的原生 PowerPoint 幻灯片。

“可追溯性对我们的用户来说非常重要,因为他们的数百万美元决策都建立在 AI 实际返回的内容之上,”Kavita 说。“引用有助于可追溯性,也能让用户相信 AI 找到了正确答案。”
在 Hebbia 的测试中,GPT‑6 Astra 将更广泛的来源覆盖与高度相关的引用结合在一起。在引用所需类型来源方面,它比测试中表现最好的替代模型高出 13.6 个百分点,而其引用的摘录中有 99.5% 与问题相关。
Hebbia 在 2026 年 8 月至 9 月测试了一个预发布版本,对每个模型使用相同的金融研究案例和评分标准。领域专家根据源文档编写或审核了这些标准。
“当你面对一个包含数千份文件的数据室时,这一点极其重要。哪怕只有一个百分点的提升,也能带来大量边际收益,”Kavita 说。
演示文稿还必须看起来像是银行家会发给客户的作品。
“我不想创建一份演示文稿发给合伙人,却看起来像是 AI 做的,”Kavita 说。“我希望它采用我公司的品牌风格,而且我希望它看起来像是人做的幻灯片。”
GPT‑6 Astra 在遵循简报和演示质量两方面都领先。在 Hebbia 的测试中,它满足了 97.9% 的适用演示要求,在该指标上比测试中表现最好的替代模型高出 14.4 个百分点。其他模型在精致度与遵循简报之间有所取舍;GPT‑6 Astra 在两方面均排名第一。
“过去,我们见过一些模型在其中某一个维度上确实表现出色——它们非常擅长工艺,但指令遵循和遵守指南方面不强,或者反过来。GPT-6 Astra 是我们见到的第一个在这两方面都排名第一的模型,”Kavita 说。
在 Hebbia 中,用户可以打开引用查看底层文档和高亮段落;幻灯片脚注也会链接回源材料。审阅可以具体到在演示文稿提交投资委员会之前,对照源表格核对客户集中度数字,并更正报告期。

Hebbia 希望银行家们少花时间重新排版演示文稿和核对来源,多花时间评估交易。Kavita 描述了更好的初稿能带来什么:
“GPT-6 Astra 的惊人之处在于,它能生成非常精确、符合用户准则的输出和成果物。可以想象,当你拿到的演示文稿更接近最终成品时,这将为专业人士节省多少时间。那些不得不熬夜赶工的任务,会缩短为花几分钟审阅 GPT-6 Astra 的输出。”
智能体的未来角色
Kavita 认为智能体未来将扮演这样的角色:在后台监控信息,并把信号呈现给金融专业人士评估。
“想象一下,比竞争对手提前几个小时获得重要信号,”她说。“你可以立刻开始思考,看到并处理更多机会,而这些机会并非靠人工手动搜寻。这能为我们的用户释放大量价值。”
Hebbia 希望在这些成果的基础上继续发展,帮助金融专业人士利用可追溯至来源的研究来评估交易。
OpenAI <3 startups
获取 OpenAI for Business 更新
产品更新、实用指南、即将举行的活动等。