آیا عامل شما میتواند این حسابها را تراز کند؟
یک اجرای عامل دفتر کل سه‌ردیفی را با ۲۹۵۸.۵۰ دلار حساب جاری و ۱۹۵۸.۵۰ دلار سود سپتامبر تطبیق داد و از شکستی که خود تشخیص داد بازیابی کرد.
#reconciliation
مغایرت‌گیری
تطبیق خودکار دفتر کل با استفاده از عامل‌های مدل زبانی
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.
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.
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.
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.
Fin-RATE: شکست مدل‌های زبانی بزرگ در تحلیل مالی دوره‌ای و بین-موجودیتی
Fin-RATE نشان می‌دهد دقت LLM در ردیابی طولی ۱۸.۶۰٪ سقوط می‌کند و خط لوله بازیابی، نه مدل، گلوگاه اصلی است.
وویجر: کتابخانه‌های مهارت، کشف آیتم را ۳.۳ برابر افزایش می‌دهند
کتابخانه مهارت کد پایدار وویجر، ۳.۳ برابر موارد ماین‌کرفت بیشتری نسبت به SOTA قبلی بدون تنظیم دقیق کشف می‌کند—الگوی استفاده مجددی که عوامل دفتر کل نیاز دارند.
AutoGen: چارچوب‌های گفتگوی چند-عاملی برای هوش مصنوعی مالی
مکالمه دو عاملی AutoGen دقت MATH را از ۵۵٪ به ۶۹٪ می‌رساند و عامل SafeGuard آن تا ۳۵ امتیاز F1 در تشخیص کد ناایمن اضافه می‌کند.
CodeAct: چرا کدهای پایتون قابل اجرا، دقت عوامل LLM را ۲۰٪ افزایش می‌دهند
CodeAct فراخوانی‌های ابزار JSON را با Python اجراپذیر جایگزین می‌کند، موفقیت عامل GPT-4 را حدود ۲۰ واحد بالا می‌برد و نوبت‌ها را ۳۰٪ کم می‌کند.
CRITIC: چرا خوداصلاحی مدل‌های زبانی بزرگ نیازمند بازخورد ابزارهای خارجی است
CRITIC پرسش و پاسخ دامنه باز را ۷.۷ F1 بالا می‌برد و سمیت را ۷۹.۲٪ کم می‌کند، با تأیید بازنگری‌های LLM در برابر ابزارهای بیرونی، نه خودش.
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.