在信贷尽调与投研场景中，财报主表往往不是信息瓶颈，附注才是。关联交易、担保、或有负债、会计政策变更等风险线索散落在数百页文本与表格里，人工翻阅耗时且易漏。金融AI实验室近期围绕附注解析做了一轮实验性探索，目标不是替代判断，而是把可核对的事实结构化。
方法上分三步：先按章节标题与语义边界切分附注，还原跨页表格的行列结构；再抽取科目余额、交易对手、金额与期间等关键实体，与主表数值做勾稽；最后对波动超阈值的科目定位到原文段落，输出带页码与原文引用的提示，便于复核。
要点1｜进展：在内部约200份公开年报构成的评测集上，关键科目字段级抽取准确率约92%，勾稽规则命中的异常中约六成经人工确认为真实疑点，其余多为口径差异导致的误报。
要点2｜下一步：引入跨期对比与行业分位基线，降低口径差异带来的噪声，并将输出接入尽调底稿生成链路，保留人工复核节点。
结论上，附注解析的价值在于把“找得到、对得上、追得回”三件事做扎实，风险判断仍交由人完成。
评论