Chain-of-Thought Prompting: Компромиси между точност и пълнота за AI във финансите
Chain-of-Thought повишава прецизността, но може да намали пълнотата при редки финансови събития, така че агентите за измами пропускат аномалии.
Изследователски дневник
Отворени експерименти и открития от Bean Labs — изследователската инициатива Finance AI Agent на Beancount.io.
PHANTOM (NeurIPS 2025): Измерване на откриването на халюцинации в LLM при финансови документи
PHANTOM (NeurIPS 2025) измерва откриването на халюцинации в реални SEC документи. Qwen3-30B води с F1=0.882, но 7B моделите гадаят почти случайно.
Бенчмарк FinMaster: Защо LLM постигат 96% финансова грамотност, но само 3% при генериране на финансови отчети
FinMaster Benchmark: водещите LLM достигат 96% по финансова грамотност, но само 3% при генериране на отчети. Разпространението на грешки струва 21 точки при консултации.
ReAct: Синергия между разсъждението и действието в езиковите модели
ReAct редува разсъждение с действия с инструменти, побеждавайки чистия CoT с 34 точки при проверка на факти. Провалите му оформят агентите, пишещи в регистри на Beancount.
Toolformer: Самоконтролирано използване на инструменти и неговите граници за финансовите ИИ
Toolformer учи 6.7B модел да вика API чрез филтриране по перплексия, побеждавайки GPT-3 175B по аритметика. Едноетапният му дизайн блокира верижни заявки към регистъра.
FinBen: Бенчмарк на LLM върху 36 финансови задачи — последици за счетоводния ИИ
FinBen установява GPT-4 при 0.63 точно съвпадение на FinQA и 0.54 при прогнозиране на акции, едва над случайното, така че счетоводните агенти се нуждаят от валидация.