#decision-making
Data-driven decision making with financial insights
سیستم ReDAct بهطور پیشفرض یک مدل کوچک را اجرا میکند و تنها زمانی به یک مدل گرانقیمت ارجاع میدهد که پرپلکسیتی در سطح توکن نشاندهنده عدم قطعیت باشد. این روش ضمن حفظ یا فراتر رفتن از دقت GPT-5.2، باعث ۶۴٪ صرفهجویی در هزینهها میشود؛ الگویی که مستقیماً برای عاملهای دستهبندی تراکنش در Beancount قابل استفاده است.
InvestorBench: Qwen2.5-72B با نرخ موفقیت ۴۶.۱۵٪ پیشتاز معاملات سهام است؛ Palmyra-Fin تنظیمشده برای مالی در سهام نتیجه معکوس میدهد—اندازه بر تنظیمدقیق دامنه برتری دارد.
LATS (جستجوی درخت عامل زبانی، ICML 2024) ReAct، درخت افکار و Reflexion را در یک چارچوب واحد MCTS یکپارچه میکند و به 92.7٪ pass@1 در HumanEval با GPT-4 میرسد. برای دفترهای Beancount مبتنی بر git، الزام بازگرداندن حالت که LATS را در تولید محدود میکند، بهطور پیشپاافتاده برآورده میشود.
درخت افکار (ToT) با سازماندهی استدلال مدل زبانی در یک درخت جستجوی شاخهای همراه با هرس و بازگشت به عقب، در بازی ۲۴ به دقت ۷۴٪ در مقابل ۴٪ برای CoT استاندارد GPT-4 دست مییابد؛ این موضوع پیامدهای مستقیمی برای طبقهبندی مالی چندمرحلهای و بهینهسازی مالیاتی در جریانهای کاری Beancount دارد.
