摘要扭曲決策：LLM 壓縮財務分析中的資訊保真度問題

財務決策者面臨資訊過載，必須依賴大型語言模型（LLM）進行語境壓縮，但研究指出這種壓縮可能改變原本由原始資料支持的投資判斷。研究將此問題定義為資訊保真度（information fidelity），即當壓縮導致決策結果改變時，即視為保真度喪失。在代理系統（agentic systems）中，此類保真度損失會在多個中間步驟重複發生並累積放大，進而影響整個決策流程。

研究針對財務申報文件與 earnings-call transcripts 進行分析，發現基於 LLM 的壓縮能產生流暢且看似符合事實的壓縮語境，卻仍會改變下游決策。研究識別出兩種導致保真度喪失的診斷模式：一是「脫離語境」（decontextualization），即保留了顯著證據，卻將其與正確解讀所需的警示與語境限定詞分離；二是「模型依賴」（model dependency），意指不同的壓縮器會針對同一份原始資料呈現不同的觀點。

針對上述問題，研究提出「代理語境壓縮」（Agentic Context Compression）方法，該方法會生成多個候選壓縮版本，並針對它們之間的差異與原始資料進行審計。研究結果表明，財務壓縮的評估標準不應僅限於效率或事實準確性，更必須考量其保留決策相關語境的能力。