¿Puede tu agente cuadrar estos libros?
Una ejecución de agente concilió un libro de tres filas con 2958,50 USD en checking y 1958,50 USD de beneficio de septiembre, tras un fallo que diagnosticó solo.
#reconciliation
Conciliación
Conciliación automatizada de libros contables mediante agentes de modelos de lenguaje
FinRAGBench-V: RAG multimodal con citas visuales en el dominio financiero
FinRAGBench-V halla que los mejores modelos solo logran un recall de citas a nivel de bloque del 20–61% en páginas financieras. La recuperación multimodal supera al texto.
¿Pueden los agentes de LLM ser Directores Financieros? La simulación de 132 meses de EnterpriseArena revela una brecha considerable
Solo Qwen3.5-9B sobrevive al 80% de las 132 ejecuciones de CFO de EnterpriseArena; GPT-5.4 y DeepSeek-V3.1 llegan al 0% por omitir la conciliación del libro.
FinMCP-Bench: Benchmarking de agentes de LLM para el uso de herramientas financieras del mundo real bajo MCP
FinMCP-Bench puntúa al mejor de seis LLM en solo 3,08% de coincidencia exacta en 613 tareas financieras MCP reales, un colapso de 20× de una sola herramienta a uso multiturno.
Encontrado en el medio: La calibración del sesgo de atención posicional mejora el RAG de contexto largo
Restar el sesgo posicional de los pesos de atención del LLM recupera hasta 15 puntos de precisión RAG cuando la evidencia está a mitad de contexto.
Fin-RATE: Cómo fallan los LLM en el análisis financiero entre periodos y entre entidades
Fin-RATE muestra que la precisión de los LLM cae al 18,60% en seguimiento longitudinal, con el pipeline de recuperación, no el modelo, como cuello de botella limitante.
Voyager: las bibliotecas de habilidades desbloquean un descubrimiento de objetos 3,3× mayor
La biblioteca persistente de habilidades de código de Voyager descubre 3,3× más objetos de Minecraft que el SOTA anterior sin ajuste fino: el patrón de reutilización que los agentes de ledger necesitan.
AutoGen: Marcos de Conversación Multi-Agente para IA en Finanzas
La conversación de dos agentes de AutoGen eleva la precisión en MATH del 55% al 69%, y su agente SafeGuard suma hasta 35 puntos F1 en la detección de código inseguro.
CodeAct: Por qué el código ejecutable de Python hace que los agentes LLM sean un 20% más precisos
CodeAct reemplaza las llamadas de herramientas JSON por Python ejecutable, elevando el éxito del agente GPT-4 en ~20 puntos y reduciendo los turnos 30%.
CRITIC: Por qué la autocorrección de los LLM requiere retroalimentación de herramientas externas
CRITIC eleva el QA de dominio abierto en 7.7 F1 y reduce la toxicidad 79.2% al verificar las revisiones del LLM contra herramientas externas, no contra sí mismo.
ReAct: Sinergia entre Razonamiento y Acción en Modelos de Lenguaje
ReAct alterna razonamiento y acciones de herramientas, superando al CoT puro por 34 puntos en verificación de hechos, y sus fallos afectan a agentes que escriben en Beancount.