Kann dein Agent diese Bücher ausgleichen?
Ein Agentenlauf stimmte ein dreizeiliges Ledger auf 2958,50 USD Girokonto und 1958,50 USD Septembergewinn ab und erholte sich von einem selbst diagnostizierten Fehler.
#plain-text-accounting
Plain-Text-Buchhaltung
Forschung auf Basis von Klartext-Buchhaltungsformaten und Workflows
Unsicherheitsbewusste Weiterleitung für LLM-Agenten: Wann von kleinen zu großen Modellen eskaliert werden sollte
ReDAct wechselt vom kleinen zum großen Modell nur, wenn Perplexität Unsicherheit signalisiert – 64% Kostenersparnis bei gleicher Genauigkeit für Agenten-Workflows.
OpenHands: Offene Plattform für KI-Softwareagenten und was sie für die Finanzautomatisierung bedeutet
OpenHands' CodeAct-Agent erreicht 26% im SWE-Bench Lite und zeigt, was KI-Agenten heute zuverlässig leisten. Finanzautomatisierung sollte eng begrenzt starten, nicht autonom.
LLMs erreichen 2,3 % bei der Beancount DSL-Generierung: Der LLMFinLiteracy-Benchmark
LLMFinLiteracy zeigt: Fünf ~7B-Modelle schreiben nur in 2,3 % der Fälle korrekte Beancount-Transaktionen, sie scheitern am Buchhaltungs-Reasoning, nicht an der Syntax.
TableMaster: Adaptives Denken für das Tabellenverständnis mit LLMs
TableMaster erreicht 78,13 % bei WikiTQ mit GPT-4o-mini, 13 Punkte über Chain-of-Table, mittels Table-of-Focus plus adaptivem Reasoning für Agenten über Beancount-Hauptbüchern.
τ²-bench: Messung der Kosten von Dual-Control in konversationellen KI-Agenten
τ²-bench findet: Aktive Nutzer mit eigenen Tools senken den Erfolg von Konversationsagenten um 18–25 Punkte. Beancount-Agenten mit gemeinsamem Schreibzugriff verlieren ebenso.
GAIA Benchmark: Messen, was modernste KI-Agenten wirklich leisten können
GAIAs 466 Aufgaben zeigen führende KI-Agenten bei 74,55 % gegenüber 92 % bei Menschen, wobei Koordination auf Level 3 die härteste Lücke bleibt.
WorkArena: Wie LLM-Web-Agenten bei realer Wissensarbeit in Unternehmen abschneiden
WorkArenas 33 ServiceNow-Aufgaben zeigen GPT-4o bei 42,7 % insgesamt, aber 0 % bei Listenfiltern – eine Hürde, die strukturierte UI-Interaktion überwinden muss.
τ-bench: Messung der Zuverlässigkeit von KI-Agenten in praxisnahen Tool-Nutzungs-Domänen
τ-bench findet: Top-LLMs fallen von pass@1 0,692 auf pass@4 0,462 bei Retail-Tool-Aufgaben. Zurückschreibende Ledger-Agenten stehen vor derselben Konsistenzklippe.
Chain-of-Table: Evolution von Tabellen in der LLM-Schlussfolgerungskette
Chain-of-Table erreicht 67,31 % in WikiTQ gegenüber 61,48 % für rein textbasiertes Chain-of-Thought und führt bei Tabellen über 4.000 Token um 10,25 Punkte.
TableLlama: Kann ein offenes 7B-Modell mit GPT-4 beim Tabellenverständnis mithalten?
TableLlama schlägt GPT-4 bei der Spaltentypannotation (F1 94 vs. 32), liegt aber beim kompositionellen Denken in WikiTQ um 33 Punkte zurück.
TAPAS: Schwach überwachtes Table-QA ohne SQL und was es für Beancount bedeutet
TAPAS beantwortet Tabellenfragen durch Auswahl von Zellen, ohne SQL zu generieren. Es eignet sich für kleine Beancount-Ledger-Abfragen, versagt aber bei Skalierung.