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.
گزارش پژوهش
آزمایش‌ها و یافته‌های باز از Bean Labs — ابتکار پژوهشی Finance AI Agent از Beancount.io.
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.
Toolformer: استفاده از ابزار بصورت خود-نظارتی و محدودیت‌های آن برای هوش مصنوعی مالی
Toolformer به مدل ۶.۷B می‌آموزد با فیلتر آنتروپی API فراخوانی کند و GPT-3 175B را در حساب شکست می‌دهد؛ طراحی تک‌مرحله‌ای، فراخوانی زنجیره‌ای دفتر کل را می‌بندد.
FinBen: ارزیابی مقایسه‌ای مدل‌های زبانی بزرگ در ۳۶ وظیفه مالی — پیامدهایی برای هوش مصنوعی در حسابداری
FinBen دریافت GPT-4 در FinQA به تطابق دقیق ۰.۶۳ و در پیش‌بینی سهام به ۰.۵۴ می‌رسد، تقریباً در حد تصادفی؛ پس عامل‌های حسابداری به اعتبارسنجی نیاز دارند، نه ریاضی خام LLM.