Votre agent peut-il équilibrer ces livres ?
Une exécution d'agent a rapproché un grand livre de trois lignes : 2958,50 USD en courant et 1958,50 USD de profit, après un échec auto-diagnostiqué.
#reconciliation
Rapprochement
Rapprochement automatisé des grands livres à l'aide d'agents de modèles de langage
FinRAGBench-V : RAG multimodal avec citations visuelles dans le domaine financier
FinRAGBench-V : les meilleurs modèles n'atteignent que 20–61 % de rappel de citations par blocs sur les pages financières, malgré le multimodal.
Les agents LLM peuvent-ils être directeurs financiers ? La simulation sur 132 mois d'EnterpriseArena révèle un écart important
Seul Qwen3.5-9B survit à 80 % des 132 mois de CFO d'EnterpriseArena, tandis que GPT-5.4 et DeepSeek-V3.1 tombent à 0 %. Le rapprochement de registre omis cause ces échecs.
FinMCP-Bench : Évaluation des agents LLM pour l'utilisation d'outils financiers réels sous MCP
FinMCP-Bench note le meilleur de six LLM à seulement 3,08 % de correspondance exacte sur 613 tâches financières MCP réelles, un effondrement de 20× du mono-outil au multi-tour.
Found in the Middle : Calibrer le biais d'attention positionnelle améliore le RAG à long contexte
Retirer le biais positionnel des poids d'attention des LLM rend jusqu'à 15 points de précision RAG quand la preuve est au milieu du contexte.
Fin-RATE : Comment les LLM échouent dans l'analyse financière multi-périodes et multi-entités
Fin-RATE montre que la précision des LLM chute à 18,60 % en suivi longitudinal, le pipeline de retrieval, et non le modèle, étant le goulot d'étranglement.
Voyager : les bibliothèques de compétences débloquent une découverte d'objets 3,3× supérieure
La bibliothèque de compétences persistante de Voyager découvre 3,3× plus d'objets Minecraft que l'état de l'art précédent sans fine-tuning—le registre de réutilisation dont les agents de grand livre ont besoin.
AutoGen : Cadres de conversation multi-agents pour l'IA financière
La conversation à deux agents d'AutoGen fait passer la précision sur MATH de 55 % à 69 %, et son agent SafeGuard ajoute jusqu'à 35 points F1 en détection de code dangereux.
CodeAct : Pourquoi le code Python exécutable rend les agents LLM 20 % plus précis
CodeAct remplace les appels d'outils JSON par du Python exécutable, augmentant d'environ 20 points le taux de succès des agents GPT-4 et réduisant les tours de 30 %.
CRITIC : Pourquoi l'auto-correction des LLM nécessite un retour d'outils externes
CRITIC gagne 7,7 F1 en QA ouverte et réduit la toxicité de 79,2 % en vérifiant les révisions du LLM contre des outils externes, pas contre lui-même.
ReAct : Synergie du raisonnement et de l'action dans les modèles de langage
ReAct alterne raisonnement et actions d'outils, battant le CoT pur de 34 points en vérification des faits. Ses échecs façonnent les agents écrivant dans Beancount.