درخواست‌دهی زنجیره اندیشه: موازنه‌های دقت-بازیابی در هوش مصنوعی مالی
زنجیره تفکر دقت را بالا می‌برد اما می‌تواند فراخوانی رویدادهای مالی نادر را کم کند، بنابراین عامل‌های تقلب ممکن است ناهنجاری‌هایی را که باید علامت بزنند از دست بدهند.
Mike Thrift
مدیر بازاریابی
PHANTOM (NeurIPS 2025): سنجش تشخیص توهم مدل‌های زبانی بزرگ در اسناد مالی
PHANTOM (NeurIPS 2025) تشخیص توهم LLM را روی پرونده‌های واقعی SEC می‌سنجد. Qwen3-30B با F1=0.882 پیشتاز است، اما مدل‌های 7B تقریباً تصادفی حدس می‌زنند.
بنچمارک FinMaster: چرا مدل‌های زبانی بزرگ در سواد مالی امتیاز ۹۶٪ اما در تولید صورت‌های مالی امتیاز ۳٪ کسب می‌کنند
بنچمارک FinMaster: LLMهای برتر در سواد مالی به ۹۶٪ می‌رسند اما در تولید صورت‌ها فقط ۳٪. انتشار خطا در وظایف مشاوره ۲۱ واحد هزینه دارد.
ReAct: هم‌افزایی استدلال و عمل در مدل‌های زبانی
ReAct استدلال را با اقدامات ابزار درهم می‌آمیزد و در تأیید واقعیت ۳۴ واحد از CoT خالص جلوتر است. حالت‌های شکست آن، عامل‌های نوشتنی در دفترهای Beancount را شکل می‌دهد.