コンピューターが、図書館にあるほぼすべての本を読みこなすことができる、非常に優秀で早口な学生であるような世界を想像してみてください。長い間、これらの学生は単純な質問に答えることには長けてきましたが、トリッキーな数学の問題やお金の仕組みに関する質問をされると、時として混乱したり、事実を捏造したりすることがありました。これが「金融質問回答（Financial Question Answering）」の世界です。これは、コンピューターが単に事実を思い出すだけでなく、数字を理解し、報告に関する厳格なルールに従い、複雑なシナリオを推論する必要がある、人工知能の特別な領域です。しかし、ここにひねりがあります。お金は英語だけで話されているわけではありません。中国語、アラビア語、ヒンディー語、その他多くの言語で話されており、それぞれが独自のスクリプト（文字体系）や金融スラングを持っています。科学者たちの大きな疑問は、「コンピューターはこれらすべての言語で同時に金融の天才になれるのか、それとも英語でのみ『お金』をうまく話せるのか？」ということです。

「FinMMEval 2026 Task 1」と題されたこの論文は、これらのコンピューターの学生たちに与えられた、大規模でハイステークスな試験の成績表のようなものです。著者たちは、世界中のチームが800問の金融に関する多肢選択式問題に答えるコンペティションを企画しました。問題は、英語、中国語、アラビア語、ヒンディー語の4つの言語に均等に分割されました。目的は、これらのシステムが、金融用語を扱い、計算を行い、異なる文化間で概念を理解できるかどうかを、選択肢の中から唯一の正解を選び出す能力を通じてテストすることでした。この論文は単にスコアを列挙するだけでなく、勝者がどのように問題を解いたのかを分析しており、トップクラスのコンピューターは非常に賢いものの、難易度や競争力は言語によって異なっていたことを明らかにしています。

2026年 大金融試験

このコンペティションを、グローバルな「お金の数学オリンピック」と考えてください。大学やAI研究所の研究者チームである主催者は、合計800問のテストを用意しました。彼らはコンピューターにエッセイを書かせたのではなく、「正しいカードを選ぶ」ゲームを強制しました。すべての質問において、コンピューターはリスト（通常は4つですが、時には2つ、3つ、あるいは5つ）から一つの正解を選択しなければなりませんでした。これは極めて重要なルールでした。コンピューターに「A」「B」「C」「D」といったラベルを選ばせることで、正解を含んでいても内容が間違っているような、もっともらしい長い文章を書かせてしまうという混乱を取り除いたのです。これは純粋な論理と知識のテストでした。

テストは、4つの異なる言語の世界をカバーしていました：

• 英語： 金融において最も一般的な言語で、200問。
• 中国語： もう一つの主要な金融拠点であり、200問。
• アラビア語： 独自のスクリプトと会計の伝統を持つ言語で、200問。
• ヒンディー語： 成長著しい市場を代表し、200問。

正解（いわゆる「ゴールド」の答え）は、秘密の金庫に保管されていました。参加チームは、正解を一度も見ることなく回答を提出しなければならず、これにより、本の後ろを覗き見て不正を行うことができないようにしました。

結果：誰がトロフィーを手にしたのか？

秘密の金庫がついに開かれたとき、結果は目覚ましいものでした。トップレベルのコンピューターは、その職務において驚くほど優秀でした。

• 英語とアラビア語では、トップのチームは**97.5%**の正解率を記録しました。これは、200問中195問に正解したようなものです！
• 中国語では、トップのスコアは**96.5%**でした。
• ヒンディー語では、最高の正解率は**92.0%**でした。

これらの数字は勝利の凱旋のように見えますが、論文では、これらが必ずしも英語がヒンディー語よりも「簡単」であることを意味するわけではないと注意深く指摘しています。それは、4つの異なるトラックで走る4つの異なるレースを比較しているようなものです。英語のトラックには13チームが走りましたが、ヒンディー語のトラックには10チームがいました。問題自体も異なり、易しい問題と難しい問題の混ざり具合も様々でした。したがって、トップのスコアは高かったものの、論文は、これらのスコアに基づくだけで、ある言語が本質的に他の言語より難しいと決めつけるべきではないと示唆しています。

同じ3つのチーム、pjmathematician、fosu ltw、そしてPranshu Rastogiが、ほぼすべての言語でリーダーボードを独占しました。彼らはこの金融試験における「スーパーチーム」であり、英語、中国語、アラビア語、ヒンディー語のすべてにおいて上位に名を連ねました。

彼らはどうやって成し遂げたのか？ 秘密の武器

論文は、勝利したチームが使った「秘密の武器」について深く掘り下げています。それは単に大きな脳を持っているということではなく、適切な道具を持っているということです。著者らは、トップのシステムが以下の巧妙な戦略を組み合わせて使用していたことを発見しました。

1. 探偵の手帳（検索/Retrieval）： 多くのチームは、コンピューターが記憶している知識だけに頼りませんでした。彼らはAIに、回答する前に特定の金融的事実や定義を調べ上げるための「検索エンジン」を与えました。これは、学生がテスト中に教科書を開くことを許可するようなものです。
2. 再確認（自己一貫性/Self-Consistency）： 一部のシステムは、同じ質問を少しずつ異なる方法で何度も行い、毎回同じ答えに辿り着くかどうかを確認しました。もしコンピューターが「A」と3回答え、「B」と1回答えたなら、「A」を採用しました。これは、友人に数学の宿題をダブルチェックしてもらうようなものです。
3. 翻訳者の帽子（言語特有のプロンプティング/Language-Specific Prompting）： チームは、ヒンディー語での質問は英語での質問とは異なって提示される必要があることに気づきました。彼らは、質問の特定の言語や文化に適合するように、指示（プロンプト）をカスタマイズしました。
4. 審査員パネル（アンサンブル/Ensembling）： 一部のチームは、複数のAIモデルを使用して答えに投票させました。もし3つの異なる「脳」が同じ答えに同意すれば、彼らはその答えに自信を持ちました。

論文は、これらのシステムが単に「推測」したのではないことを明示しています。彼らは複雑な推論を行い、自信のレベルを確認し、さらには最初のAIの回答を二番目のAIが批判する「レビュー段階」さえも備えていました。

これが意味すること（そして意味しないこと）

論文は、AIが複数の言語で金融の多肢選択問題に対して非常に高い精度で対処できる段階に達したと結論づけています。しかし、著者らはこの問題を「解決した」と宣言することには慎重です。トップのチームのスコアは高いものの、特にヒンディー語においては、1位と5位の差が小さく、全体的な精度も英語より低かったことから、他の追随するグループとの間にはまだギャップがあることを示唆しています。

また、論文は次のステップについても示唆しています。将来の試験は、コンピューターが「なぜ」間違えたのかをより深く探るべきです。それは言語の問題だったのか？ 数学の問題だったのか？ それとも特定の金融トピックに関する問題だったのか？ 著者らは、単に一つのスコアを報告するだけでは不十分であり、これらの金融AIツールを現実世界で真に信頼できるものにするためには、詳細を理解する必要があると述べています。

要するに、この論文は、コンピューターが多くの言語で金融アナリストとして非常に優秀になりつつあることを伝えていますが、それらを完璧にすることへの道のりはまだ続いています。「スーパーチーム」は道筋を示してくれましたが、改善と発見の余地はまだ十分にあります。