Model ML 借助 GPT‑5.6 Sol 更高效地完成财务工作
Model ML 在创建可编辑 PowerPoint 和 Excel 文件的工作流中使用 GPT‑5.6 Sol，每份演示文稿比 Fable 5 少用 21% 的 Token。
成效
21%
每份 PowerPoint 演示文稿比 Fable 5 少用的 Token
成效
16.6
专业就绪率领先 Opus 5 的百分点
成效
36%
每个 Excel 工作簿比 Opus 5 少用的 Token
成效
5
制作定制单页报告所需分钟数，原本约需一小时
财务分析要经得起客户或高级决策者的审视，团队必须完成艰巨的最后一环：核对证据、创建文件并设置格式、检查每个数字，以及为每项论断关联来源。最终的 PowerPoint 演示文稿或 Excel 工作簿必须可编辑，并且经得起审查。
Model ML 联合创始人兼兄弟 Arnie 和 Chaz Englander 在两次成功退出后，开始通过私人家族办公室进行投资。作为开发者，他们也着手为自己构建软件，由此深刻体会到这项工作所需的投入。
Model ML 的智能体由这款软件发展而来，可帮助金融专业人士完成从接收初始请求、研究和分析，到交付最终演示文稿或工作簿的整个流程。核心智能体负责规划工作、选择合适的工具、核对证据并执行计算，同时将每个步骤交给最适合的模型处理，而这个模型通常是 GPT‑5.6 Sol。这些工具包括 Model ML 自有的文档工具，可创建来源可追溯的原生 PowerPoint 和 Excel 文件。
“早期模型可以完成分析师的工作，但用户必须清楚地拆解任务，尤其要明确希望输出呈现什么样子。借助 GPT-5.6 Sol，我们发现智能体生成的结果已非常接近最终成品。”
Model ML 通过端到端自动化财务工作流来帮助财务团队。智能体可根据任务简报和源材料，完成从研究、建模到制作客户或交易团队所需最终材料的整个任务。金融专业人士会在分享成果前检查假设、来源和表达。
Model ML 称该产品“不受界面限制”。金融专业人士可以通过电子邮件或 Model ML 应用开始一项任务，再到其 Microsoft Office 插件中继续处理，无需重新说明。
这种连贯性也延续到了最终成果中。对于投资委员会演示文稿，Model ML 可将任务简报和源材料转化为可编辑的 PowerPoint。处理 Excel 任务时，智能体可以从客户模板或空白工作簿开始，收集所需数据，在多个工作表中构建公式和逻辑，然后采用金融行业专用格式，生成完整的电子表格或财务模型。
在 Model ML 用于评估金融服务 AI 的基准 Composite 中，GPT‑5.6 Sol 在 Excel 工作流中完成每个工作簿所用的 Token 比 Opus 5 少 36%。
“用户应专注于判断，例如完善假设或优化表达，而不是一味地重新构建分析。”
通过完成这最后一环，智能体既能缩短单项交付成果的制作时间，也能帮助团队处理大量源材料。在一家全球资产管理公司，分析师原本需要约一小时制作的定制单页报告，现在只需约五分钟。在另一个工作流中，Model ML 智能体一次性处理了包含超过 10 万行数据和数百个文件的虚拟数据室。
Model ML 在一系列财务工作流中对 GPT‑5.6 Sol 和其他领先模型进行了评估。其 Composite 评估涵盖从接收初始财务简报、开展研究和计算，到生成可编辑演示文稿或电子表格的完整任务流程，随后还会检查数字、来源、公式和结构，以及演示文稿的视觉质量。
对于 PowerPoint，Model ML 的 Composite 评估采用真实工作流，涵盖数百份生成的演示文稿，并使用详细的评分标准。
GPT‑5.6 Sol 在 100% 的测试用例中完成了 PowerPoint 工作流，而 Opus 5 的完成率为 76%；此外，GPT‑5.6 Sol 有 43.3% 的用例通过了 Model ML 的专业就绪门槛，即衡量输出是否已可供实质性审查，而 Opus 5 为 26.7%。在演示文稿质量、简报遵循度、层次结构和一致性方面，它也领先于 Opus 5。
综合上述 Composite 结果，Model ML 获得了在生产环境中扩大 GPT‑5.6 Sol 应用范围的依据，其中包括一些此前由 Opus 4.8 处理的工作流。在 PowerPoint 工作流中，GPT‑5.6 Sol 不仅实现了有竞争力的演示文稿质量，而且完成并达到可供审查标准的演示文稿比例高于 Opus 5 和 Fable 5，同时比 Fable 5 少用约 21% 的 Token。
Englander 表示：“能够用于实际工作，意味着用户可以直接开始真正的审查。”“数字可追溯，工作簿能重新计算，幻灯片也可编辑。”
PowerPoint 对 GPT‑5.6 Sol 是否已可用于实际工作提出了严苛考验。一份演示文稿即使外观精美，如果数字错误或无法追溯、图表被扁平化，或者分享前必须重做幻灯片，仍然无法通过审查。
Model ML 在其智能体执行框架中运行该模型，并搭配文档创建和编辑工具，让智能体能够创建含可编辑图表和表格的幻灯片。工作过程中，它会始终将原始简报保留在上下文中，并在返回文件前逐页进行视觉审查。
以下示例展示了 Model ML 的 PowerPoint 输出从 GPT‑5.5 到 GPT‑5.6 Sol 的改进，包括更清晰的层次结构和更一致的幻灯片设计。
之前：GPT‑5.5
之后：GPT‑5.6 Sol
如今，Model ML 的执行框架可向智能体提供按需加载的工具包，用于访问数据集成、文档编辑工具与技能以及代码执行环境。这样既能让智能体保持专注，也能为其提供处理用户文档所需的确切工具。
Model ML 通过与 OpenAI 开展现场协作，最终形成了这套架构。双方团队梳理了智能体规划演示文稿、选择工具和维持上下文的方式，再根据这些发现优化智能体指令，并确定各工具包的加载时机。
Model ML 的客户正转向基于浏览器的输出，使成果与背后的模型及源材料保持连接。
Model ML 平台可生成安全的交互式输出，既能持续更新，也能锁定在某个时间点。审查者可以打开投资摘要，点击查看某项数据背后的财务模型，并在同一页面上与智能体协作。
Englander 表示：“PowerPoint、Excel 和 Word 是为一个知识工作需由人工完成的时代设计的。AI 已经改变了这一前提。软件本身也即将改变。”
