本記事では、基盤モデルが企業の破産予測にどの程度有用であるかを検討しています。著者たちは、Llama-3.3-70B-InstructおよびTabPFNを用いて、バイセグラードグループの100万件以上の企業データを分析し、従来の機械学習手法との体系的な比較を行いました。その結果、XGBoostやCatBoostなどのモデルは、全ての予測ホライズンにおいて基盤モデルよりも優れたパフォーマンスを示しました。特に、LLMベースのアプローチは信頼性の低い確率推定を伴い、リスク感受性の高い金融環境においてはその使用が困難であることがわかりました。また、TabPFNは競争力があるものの、性能向上に対して十分な計算資源を必要とし、そのコストは正当化されません。この研究は、現行の基盤モデルが破産予測には特化された手法よりも劣る可能性があることを示唆しています。