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。
研究ログ
Bean Labs からのオープンな実験と発見 — Beancount.io による Finance AI Agent 研究イニシアチブ。
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。
Toolformer：自己教師ありツールの利用とその金融AIにおける限界
Toolformerはperplexityフィルタリングで6.7BモデルにAPI呼び出しを学習させ、算術でGPT-3 175Bを上回ります。しかし単一ステップ設計のため、台帳呼び出しの連鎖はできません。
FinBen: 36の財務タスクにおけるLLMのベンチマーク — 会計AIへの示唆
FinBenはGPT-4がFinQAで完全一致0.63、株価予測で0.54とほぼランダムであることを発見。会計エージェントには生のLLM計算ではなく検証が必要です。