Chain-of-Thoughtプロンプティング：金融AIにおける適合率と再現率のトレードオフ
思考連鎖プロンプティングは精度を上げますが、稀な財務事象では再現率を下げることがあり、不正検知エージェントが本来検出すべき異常を見逃す恐れがあります。
Mike Thrift
マーケティングマネージャー
PHANTOM (NeurIPS 2025): 金融文書におけるLLMのハルシネーション検出の測定
PHANTOM（NeurIPS 2025）は実際のSEC提出書類でLLM幻覚検出を測定。Qwen3-30BがF1=0.882で首位、しかし7Bモデルはほぼランダム推測です。
FinMasterベンチマーク：LLMが金融リテラシーで96%を記録しながら財務諸表作成で3%に沈む理由
FinMasterベンチマーク：トップLLMは財務知識で96%に達するも、計算書生成ではわずか3%。誤り伝播がコンサルティングタスクで21ポイントの損失をもたらします。
ReAct：言語モデルにおける推論と行動の相乗効果
ReActは推論とツール操作を交互に行い、事実検証で純粋なCoTを34ポイント上回ります。その失敗モードがBeancount台帳に書き込むエージェントを形作ります。