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.
#compliance
انطباق
پژوهش انطباق مقرراتی، اجرای سیاست‌ها و رد حسابرسی برای سامانه‌های هوش مصنوعی مالی
استفاده تاییدپذیر و امن از ابزارها برای عامل‌های مدل زبانی بزرگ: تلاقی STPA و MCP
STPA به‌همراه MCP تقویت‌شده با قابلیت، مشخصات ایمنی رسمی برای استفاده از ابزار مدل زبانی بزرگ تولید می‌کند و Alloy در مطالعه موردی تقویم اثبات می‌کند جریان ناایمنی وجود ندارد.
FinAuditing: نمرات زیر ۱۴٪ مدل‌های زبانی بزرگ در وظایف واقعی حسابرسی SEC XBRL
FinAuditing نشان می‌دهد LLMهای برتر در تأیید ریاضی پرونده‌های واقعی XBRL فقط ۱۳.۸۶٪ می‌گیرند و همین سقف اتوماسیون حسابداری بدون کمک است.
AGrail: نرده‌های حفاظتی امنیتی تطبیقی برای عامل‌های مدل زبانی بزرگ (LLM) با قابلیت یادگیری در طول وظایف
محافظ دو مدل زبانی بزرگ AGrail موفقیت حمله تزریق پرامپت را به ۰٪ کاهش می‌دهد و در عین حال ۹۵.۶٪ اقدامات بی‌خطر عامل را در Safe-OS حفظ می‌کند.
ShieldAgent: استدلال سیاست امنیتی قابل تایید برای عامل‌های LLM
ShieldAgent با استفاده از مدارهای قاعده احتمالاتی به جای محافظ‌های مدل زبانی بزرگ، به ۹۰.۴٪ دقت در حملات عامل با ۶۴.۷٪ تماس API کمتر می‌رسد.
AuditCopilot: LLMs for Fraud Detection in Double-Entry Bookkeeping
AuditCopilot cuts journal entry fraud false positives from 942 to 12, but ablation shows the LLM mainly synthesizes Isolation Forest scores.
هوش مصنوعی قانون‌مند برای عوامل حسابداری: RLAIF، قوانین خط‌مشی و ریسک‌های گودهارت
هوش مصنوعی قانون اساسی داده‌های آسیب برچسب‌خورده دستی را با بازخورد AI جایگزین می‌کند، تا عامل‌های حسابداری بدون بازبین برای هر تراکنش، قوانین دفتر کل را اجرا کنند.