#developers
Risorse per sviluppatori, API e documentazione di integrazione per strumenti finanziari
L'agente CodeAct di OpenHands segna il 26% su SWE-Bench Lite, mostrando cosa fanno gli agenti IA oggi. L'automazione finanziaria va limitata, non autonoma.
ShieldAgent raggiunge il 90,4% di accuratezza sugli attacchi agli agenti con il 64,7% di chiamate API in meno usando circuiti di regole probabilistiche invece di guardrail LLM.
RAG raggiunge 0,875 di accuratezza su fatti post-cutoff, il fine-tuning si ferma a 0,504. Per agenti con frequenti aggiornamenti contabili, il retrieval vince.
Il Retriever-Aware Training di Gorilla riduce le allucinazioni API degli LLM dal 78% all'11%, rendendo le chiamate affidabili per gli agenti che scrivono voci.
Le Agent-Computer Interface di SWE-agent hanno portato GPT-4 Turbo dalla shell grezza al 12,47% su SWE-bench, un guadagno di 10,7 punti solo dal design dell'interfaccia.
SWE-bench testa gli LLM su 2.294 issue GitHub reali; alla pubblicazione Claude 2 ne risolveva solo l'1,96%. Retrieval e lunghezza patch limitano gli agenti di coding.
Toolformer insegna a un modello da 6,7B a chiamare API col filtraggio della perplessità, battendo GPT-3 175B in aritmetica. Il passo singolo blocca le chiamate concatenate.
