Terminal X 评估智能体：88.6% 对齐资深投资人，检出率高 25%

一句话结论：Terminal X 用 Capital Memory 把投研机构的判断沉淀成可审计的智能体流程，再用一套 54 项准则的 Eval Agent 按机构自己的标准给智能体打分，GPT-6.1 Sol 在 500 个评分判断上与资深人工评审的一致率做到 88.6%，比次优模型高 220 个基点，同时把 mandate 偏离检出率提高约 25%、单次查询成本压低约 30%。

这是 OpenAI 官方在 2026 年 10 月 20 日发布的一篇客户案例，主角是北美金融科技公司 Terminal X。表面看是一则产品发布稿，拆开之后能看到一个更值得关注的东西：评估层正在变成金融智能体落地的瓶颈，而评估层如何被设计，正在决定模型选型、部署方式和成本结构。

记忆债务：文件留下了，推理过程流失了

Terminal X 提出的概念叫 memory debt，指投资机构在核心员工离职时真正损失的东西。机构的文件库通常还在，历史备忘录还在，但多年积累的模式识别能力和没写进备忘录的判断依据，随着人一起走了。文档能保存结论，保存不了得出结论的路径。

这与传统知识库管理的差别在于颗粒度。知识库管理的是「这家机构研究过什么」，Terminal X 想存的是「这家机构的某个团队在做某一类决策时采用什么标准」。前者是检索问题，后者是执行问题。存下来的东西必须能直接变成可运行的流程，否则记忆就只是又一份没人翻的文档。

这套思路与近两年模型侧的记忆研究形成呼应。Meta Muse Wonder 的主动记忆加百万上下文解决的是模型在推理时该记住什么，上海团队开源的 MemT-1.0 记忆原生大模型把记忆能力直接做进架构，而 Terminal X 选择把记忆放在业务侧的流程层，用工程手段而非模型能力来解决组织知识的沉淀问题。路线不同，指向的痛点相通。

Capital Memory 的三步落地

Capital Memory 的三步落地

具体做法有三步。第一步是驻场，工程师在客户现场工作数周，逆向拆解机构认可的备忘录，同时记录那些从未成文的流程，比如信贷团队如何筛选借款人，共同投资团队在写备忘录之前会翻哪些资料。第二步是编码，把这些做法拆成按资产类别和策略定制的数百个智能体，每个投资阶段再配相应的子智能体。第三步是运行，智能体工作在机构自己的私有数据室里，部署在本地或者机构自己的云环境。

模型分工很清晰。GPT-6.1 Sol 负责需要判断力和大上下文窗口的环节，比如综合投资论点、识别关键考量、评估项目是否符合基金 mandate；GPT-6 Luna 负责吞吐量高、token 效率优先的步骤。两者的分工逻辑和站内此前提到的 Cloudflare 开源 Clef 决策模型做智能体路由类似，都是把判断力稀缺的部分留给强模型，其余交给便宜快的模型。

记忆的形态被定义成一份带版本记录的机构判断档案，包含历史分析、投资委员会决议、工作流指令以及机构自身的观点，具体到某个团队如何做某一类决策。工程师把这些档案转成平台上的可重复工作流，每一次生产查询都留有完整审计轨迹：走了哪些步骤、检索了哪些资料、用了哪个模型、推理过程是什么。审计轨迹在这套方案里属于入场券，这套系统要进投行合规流程，前提就是它。

部署方式是这套方案最能打动机构的地方。智能体跑在客户本地或自有云，敏感投资数据留在 private data room 里，机构不需要把投研材料交给外部平台。语言上支持英语、韩语、日语与中文，对东亚市场的机构是必要条件。

54 项准则的 Eval Agent 在评什么

Terminal X 做的另一半是 Eval Agent，一个跑在 GPT-6.1 Sol 和其他 OpenAI 模型上的编排工作流，用途是按机构自己的标准给智能体输出打分。作者的比喻是像一位 VP 审阅分析师的工作那样去读每一份产出。

具体机制是每个输出都要过一遍 54 项准则的评分细则。检查项包括数字、可比公司、市场一致预期和引用内容是否来自正确出处，叙述逻辑是否成立，建议是否符合机构自身的 house view，是否偏离基金 mandate，是否出现风格漂移。每项判定给出通过或不通过，不通过时附一行失败原因，并给出更合适的出处或纠正后的文本。

失败结果不会停在报告里。每一条纠正都会被沉淀为一条新的记忆，转成新增的工作流指令，为对应业务线补上测试用例，同时记录分析师的纠正本身，形成一条闭环。这一点决定了评估层能不能持续改进：如果纠正只是被记录下来而没有回流，下一轮输出不会有任何变化。

评估层本身在智能体体系里的位置也值得留意。Anthropic 与 Accenture 签下的 20 亿美元内置评估师协议是厂商把评估能力直接嵌进产品，Anthropic 向 METR 开放员工级评估权限是给外部审计留门。Terminal X 的做法更靠近第三种形态：评估由业务方自己定义，模型只提供执行评分的能力。

四个关键数字

OpenAI 的案例稿给出的对比全部以次优模型为基准，四项数字摆在一起看，指向同一件事：强模型在有充足上下文的评估流程里，价值主要体现在更深的判断与更高的单位成本效率上。

mandate 偏离的那 25% 有个具体场景。买方基金的 mandate 是寻找以 NAV 折价交易的可私有化候选，对业务做承销，设计融资结构。当情景模型显示市场转向时，智能体可能转而推荐困境信用头寸或者救助融资。这类建议本身未必错，但已经超出了基金章程允许的范围，属于典型的风格漂移。次优模型在这类错误上漏掉的比例更高，GPT-6.1 Sol 多检出约四分之一。

成本下降 30% 与速度接近的解释是一致的：长上下文推理和 token 效率让更深的评估流程能在同等预算内跑完。更深的评估采用多轮结构，先按 mandate 测投资论点，再与该基金近期的实际交易比对，对结果不确定的判断重新运行，再由智能体对多次结果做归并汇总，最后统一生成报告。这种深度检查发现了一些单次执行会被放行的交易。评估层越深，成本优势越能体现出来，因为单次问答的成本差异是线性的，多轮审查放大的是深度差。

一个容易被略过的数字是 WAU/MAU 达到 81%，即周活跃用户相当于月活跃用户的 81%。对部署在机构内部的工具来说，这个比例说明使用已经从试点扩展到日常高频使用，工具本身活着，不靠项目组推动。

这套数字该怎么读

88.6% 听起来高，落到具体决策上意味着每十次判断仍有一到两次与资深人工评审不一致，而这些判断涉及真实资金。这个数字应该被当成工程目标，不能当作能力上限。第三方评论也指出，更有意义的其实是那两个相对量， mandate 检出率高 25% 与一致率高 220 个基点，因为它们指向了收益真正落在何处：审计与护栏，而非裸的推理能力。

240 万美元的年化节省来自一家私募股权机构，属于单个客户案例，不能读成所有客户的统一水平。案例稿没有披露该数字的测算口径，也没有公布那 54 项准则本身，这意味着外部暂时无法复核。采购方需要追问的正是这两点：准则由谁制定、覆盖哪些维度、是否会随机构策略调整而更新。

另一层考量是这套架构的迁移成本。真正的门槛不在模型调用，而在驻场数周逆向拆解机构流程这件事本身，它高度依赖 Terminal X 团队里有摩根大通和黑石背景的前线部署工程师。这类经验很难完全产品化，规模扩张后人力是否跟得上，决定了 Capital Memory 是能沉淀成可复用资产，还是会退化成又一轮高价咨询。Terminal X 已经建了 1700 个机构记忆、跑过超过 100 万条自定义工作流，下一步是把记忆从业务线级别下沉到个人级别，把标准从人们如何描述标准，转向记录标准如何真正被执行。

从更广的图景看，这类系统与站内关注的其他方向连成一条线。谷歌云发布 Gemini Agent 并把综合成本压到三分之一讲的是智能体规模化落地的成本，腾讯混元开源的 Hy Memory 2.0在 55.49% 的成绩上超过 Claude Opus 5，处理的是记忆本身的存储与检索。Terminal X 补的是第三块拼图：把记忆变成机构能审计、能复用的流程，再用评估层守住质量。

常见问题 FAQ

Terminal X 是什么

Terminal X 是一家北美金融科技公司，核心产品是 Capital Memory 操作系统，用于把投资机构的判断标准与工作流程编码成机构自己拥有的智能体。它同时提供 Eval Agent，用 54 项准则给这些智能体的输出打分。团队的前线部署工程师来自摩根大通与黑石等机构。

88.6% 这个数字是怎么算出来的

在 500 个经过评分的判断上，把跑在 GPT-6.1 Sol 上的 Eval Agent 的判定与资深人工评审的判定做一致性比对，得到 88.6%，次优模型是 86.4%，差 220 个基点。这个数字衡量的是评估智能体与人类评审的判断一致性，不等于模型在投资任务上的正确率。

这套方案对普通团队有用吗

直接照搬的难度较高。完整的 Capital Memory 需要驻场数周拆解机构流程，依赖有金融从业背景的工程师，属于高价值服务加产品软件的混合形态。可迁移的部分是评估层设计：用一套显式准则给智能体输出打分，把不通过项与纠正回流成新的流程指令。这个模式在任何有明确质量标准的场景都成立，机构规模的门槛则要另算。

小结

Terminal X 这个案例真正的信号不在融资金额，而在它揭示的落地顺序：先有机构自己的判断标准，再有可审计的智能体流程，最后才是模型选型。评估层被放在了模型之前，这个顺序与多数智能体项目的做法相反。54 项准则、500 个评分判断、88.6% 一致率、25% 的 mandate 检出率提升、30% 的单次查询成本下降、1700 个机构记忆、100 万条工作流、81% 的周活跃占比，这些数字共同说明一件事：在高风险垂直领域，智能体能否落地取决于有没有一套可被验证的判断标准。模型足够强只是必要条件，标准是否写得下来才是那道真正的门槛。

相关阅读

• Anthropic 与 Accenture 合签 20 亿美元内置评估师协议
• Anthropic 向 METR 开放「员工级」评估权限：第三方 AI 安全审计走到哪一步
• 上海团队开源记忆原生大模型MemT-1.0：288B参数、11项记忆基准第一
• Meta Muse Wonder深度：主动记忆+100万上下文硬刚Claude
• 腾讯混元 Hy Memory 2.0 开源：55.49% 超 Claude Opus 5