FinRAGBench-V: RAG چندوجهی با استنادهای بصری در حوزه مالی
FinRAGBench-V می‌یابد برترین مدل‌ها تنها به ۲۰–۶۱٪ بازیابی استناد در سطح بلوک در صفحات مالی می‌رسند. بازیابی چندوجهی تقریباً ۵۰ واحد از متن‌محور بهتر است.
#ai
هوش مصنوعی
پژوهش و کاربردهای هوش مصنوعی در امور مالی و حسابداری
آیا عامل‌های LLM می‌توانند مدیر مالی باشند؟ شبیه‌سازی ۱۳۲ ماهه EnterpriseArena شکاف بزرگی را فاش می‌کند
تنها Qwen3.5-9B از ۸۰٪ از ۱۳۲ اجرای CFO در EnterpriseArena جان سالم به در می‌برد، در حالی که GPT-5.4 و DeepSeek-V3.1 به ۰٪ می‌رسند. نادیده‌گرفتن تطبیق دفتر عامل شکست است.
WildToolBench: چرا هیچ مدل زبانی بزرگی در دقت جلسات استفاده از ابزار در دنیای واقعی از ۱۵٪ فراتر نمی‌رود
WildToolBench می‌یابد هیچ LLM از ۱۵٪ دقت نشست در ۱,۰۲۴ وظیفه کاربران واقعی فراتر نمی‌رود و قصد پنهان و گذارهای دستور، تیزترین حالت‌های شکست‌اند.
اعتماد و کالیبراسیون LLM: مروری بر آنچه تحقیقات واقعاً نشان می‌دهند
اطمینان کلامی‌شده GPT-4 تنها به ~۶۲.۷٪ AUROC می‌رسد، اندکی بالاتر از تصادف. عامل‌های مالی آگاه به عدم‌قطعیت به کالیبراسیون بهتری نیاز دارند.
JSONSchemaBench: پیچیدگی شمای دنیای واقعی، تضمین‌های خروجی ساختاریافته LLM را می‌شکند
JSONSchemaBench می‌یابد پوشش از ۸۶٪ در طرح‌واره‌های ساده به ۳٪ در پیچیده سقوط می‌کند؛ پس خروجی ساخت‌یافته LLM می‌تواند بی‌صدا JSON ناسازگار بدهد.
FinMCP-Bench: معیار سنجش عامل‌های LLM برای استفاده از ابزارهای مالی واقعی تحت MCP
FinMCP-Bench بهترین از شش LLM را تنها ۳.۰۸٪ تطابق دقیق در ۶۱۳ وظیفه واقعی مالی MCP می‌سنجد؛ سقوطی ۲۰ برابری از تک‌ابزار به چندنوبت.
FinTrace: ارزیابی در سطح مسیر فراخوانی ابزار توسط مدل‌های زبانی بزرگ برای وظایف مالی
FinTrace نشان می‌دهد LLMهای پیشرو ابزارهای مالی درست را برمی‌گزینند (F1 ~۰.۹) اما تنها ۳.۲۳/۵ در استفاده از نتایج می‌گیرند؛ همان گامی که عامل‌های بازنویسی را می‌شکند.
FinToolBench: ارزیابی عوامل LLM در استفاده از ابزارهای مالی دنیای واقعی
FinToolBench نشان می‌دهد عدم‌تطابق قصد برای هر LLM آزمایش‌شده بالای ۵۰٪ است؛ پس فراخوانی تهاجمی ابزار به معنای پاسخ‌های بهتر در وظایف مالی نیست.
OmniEval: بنچمارک ارزیابی همه‌جانبه RAG برای حوزه مالی
OmniEval بهترین سیستم‌های RAG را در ۵ نوع وظیفه مالی با دقت عددی ۳۶٪ ارزیابی می‌کند؛ پس عامل‌های دفتر کل پیش از ثبت اسناد به اعتبارسنجی نیاز دارند.
بررسی جامع تشخیص ناهنجاری با مدل‌های زبانی بزرگ (NAACL 2025): طبقه‌بندی قوی، غیبت پوشش داده‌های جدولی
طبقه‌بندی NAACL 2025 پابرجاست، اما پوشش جدولی غایب است. تیم‌های هوش مصنوعی مالی باید خودشان روش‌های مدل بینایی را تطبیق دهند.
یافتن در میان: کالیبره کردن سوگیری توجه مکانی، RAG با بافت طولانی را بهبود می‌بخشد
کاهش سوگیری مکانی از وزن‌های توجه LLM تا ۱۵ واحد دقت RAG را وقتی شواهد میان متن است بازیابی می‌کند و به خط لوله‌های عامل مالی کمک می‌رساند.
تعویق آگاه از عدم قطعیت برای عامل‌های LLM: چه زمانی از مدل‌های کوچک به بزرگ ارجاع دهیم
ReDAct تنها زمانی از یک مدل کوچک به بزرگ تعویق می‌اندازد که پرپلکسیتی عدم قطعیت را نشان دهد، هزینه را 64% با دقت مطابق برای جریان‌های کاری عامل کاهش می‌دهد.