一份临床试验公告，可能比一张财务报表更快改变医药公司的前景。问题是：让语言模型读这些文本，再给股票排队，真能找到价格尚未反映的信息，还是只是在复述市场、甚至记住后来发生的事？这项研究用2020—2025年的美国医疗保健公司检验了这一点。所谓横截面排序，就是每月比较一组股票的相对高低，而非猜整个市场涨跌。
作者先用价格和成交量建立基准，再加入资产负债表、关注度及文本表征——模型把临床、监管和公告文字压缩成可计算的数值特征。在有科学文本覆盖的公司月份中，当前语言模型的表征把三个月期“中性化IC”从0.046提高到0.056；中性化IC用于衡量扣除价格、流动性等已知影响后，排序与未来收益的相关性。作者称这一增量达到常规、未经多重检验调整的显著水平，因此仍属探索性结果；十二个月期则没有确立文本增益。
更值得留意的是，把同一家公司的文本在时间上打乱后，排序能力大多仍在，说明模型可能主要认出了公司长期特征，而非读懂了某次事件。作者另以训练截止时间较早的模型作对照，未发现当前模型在截止日前的优势随后收缩，但这也不能证明不存在“记住未来”。样本只包含后来仍存续的公司，且整体探索未作完整的多重检验调整。